DATA, MODEL, PERAMALAN COVID-19, DAN DAMPAKNYA

oleh: Dr.rer.pol. Dedy Dwi Prastyo (Dosen Statistika ITS) dalam Kolom Opini Jawa Pos 7 April 2019

Wabah Covid-19 menyita perhatian dunia pada tiga bulan terakhir. Istilah korona, ODP, PDP, lockdown, social distancing, work from home (WFH) menjadi pembicaraan. Ulasan dan prediksi seputar Covid-19 juga marak. Ramalan total pasien yang positif pun menjadi bahan diskusi, terutama di media sosial dan group-group WhatsApp (WA).

Pertanyannya apakah angka-angka prediksi itu membantu mengatasi masalah? atau justru menambah rasa cemas? atau sekedar exercises in fitting model?. Pertanyaan terakhir merupakan sindiran. Maksudnya adalah untuk “bersenang-senang” alias utak-atik untuk ilmu peramalan itu sendiri. Bukan untuk hal yang lebih besar. Namun, saya yakin bahwa banyak pihak yang melakukan ramalan tersebut mempunyai niat baik, yaitu ikut berkontribusi untuk menyelesaikan permasalahan ini. Tidak hanya sekedar berkontribusi dengan cara stay at home, WFH, dan do anything from home.
TRANSPARANSI DAN KEMAMPUAN MENGHASILKAN DATA YANG VALID

Ada sebagian kalangan yang beranggapan bahwa melakukan peramalan berdasarkan data pemerintah tidak valid. Data tercatat lebih kecil dari angka sebenarnya. Kata Dahlan Iskan “pertambahan jumlah penderitanya stabil di kisaran angka 115/hari. Seperti disetel saja,” sindirnya (disway.id, 3/4/2020). Pendapat seperti itu bukannya tanpa alasan. Gubernur Jabar Riwad Kamil juga yakin bahwa kasus korona di Indonesia jumlahnya berkali-kali lipat dari kasus terkonfirmasi (detik.com, 3/4/2020). Pada tanggal 30 Maret, di DKI ada 74 orang yang meninggal dengan status positif Covid-19. Yang mencengangkan, orang meninggal dan dimakamkan dengan protokol Covid-19 sebanyak 283. Hal ini berarti ada 209 orang yang meninggal masih dalam status PDP. “Ini adalah mungkin mereka-mereka yang belum sempat dites, oleh karenanya belum bisa disebut sebagai positif, atau sudah dites tapi belum ada hasilnya,” ujar Gubernur DKI Anis Baswedan. Tanggal 2 April angkanya meningkat menjadi 401 jenazah dimakamkan dengan protap Covid-19, dimana hanya 90 diantaranya yang berstatus positif. Gubernur DIY Sri Sultan HB X juga mengatakan (30 Maret), “Tapi kan pemerintah tidak mau menjawab (zona merah – red.) itu mana saja. Sedangkan bagi kami itu (penting – red.) untuk menyusun kebijakan” sebagaimana banyak diberitakan media online. Artinya, selevel Gubernur pun merasa ada info yang kurang lengkap. Data pemerintah juga disorot karena pada tanggal 24, 30, dan 31 Maret jumlah positif corona sama dengan jumlah yang dites (detik.com, 1/4/2020).

Angka positif korona berdasarkan hasil tes swab dengan metode Polymerase Chain Reaction (PCR). Walaupun hasil rapid test menyatakan positif, namun belum dimasukkan data terkonfirmasi positif korona sebelum keluar hasil PCR. Contohnya, pada tanggal 1 April, Kepala Biro Penerangan Masyarakat Dvisi Humas Polri mengungkapkan bahwa 1550 siswa Sekolah Pembentukan Perwira (Setukpa) Lemdikpol Polri di Sukabumi menjalani rapid test. Hasilnya 300 terindikasi positif. Namun, sampai dengan update data tanggal 2 April, angka 300 tersebut belum masuk hitungan positif Covid-19. Berapa kemampuan pemerintah melakukan uji PCR? Jika kurang dari 200/hari maka tidak mungkin ada lonjakan data baru lebih dari itu. Kita belum mampu menghasilan data yang valid dalam kondisi wabah skala besar. Apakah jika kemampuan melakukan uji dapat ditingkatkan berkali-kali lipat, maka angka positif korona akan meledak?. Bisa jadi demikian, tetapi semoga tidak.

Hasil penelitian Li dkk (Science, 16/3/2020) melaporkan bahwa di China ada 86% orang terinfeksi Covid-19 yang tidak terdokumentasi sebelum diberlakukan travel restriction pada 23 Januari. Artinya ada 86% orang di China yang tidak terdeteksi atau tidak menunjukkan gejala namun dapat menulari orang lain. Untuk Indonesia, per 2 April diperkirakan (selang kepercayaan 95%) ada 4,1%-6,9% kasus yang tercatat berdasarkan laporan Timothy W Russell dkk berjudul “Using a delay-adjusted case fatality ratio to estimate under-reporting” yang diperbaharui setiap hari. Korea Selatan menjadi salah satu yang datanya dianggap mendekati valid karena kemampuan melakukan tes dalam skala besar.

METODE PERAMALAN DAN CURVE FITTING EXERCISE

Ada kasus yang mudah diramalkan. Berapa suhu udara besok? Saya yakin mudah ditebak. Apakah besok hujan?. Dua dekade yang lalu sangat mudah ditebak. Saat ini kadang dugaan kita meleset. Climate Change pun dijadikan kambing hitam. Berapa harga saham Telkom besok?. Ini agak sulit dijawab dengan tepat karena banyak faktor yang mempengaruhi, termasuk psikologi pelaku pasar yang sulit diukur dan diprediksi.
Berapa total positif Covid-19 besok?. Berapa kasus baru besok?. Dua pertanyaan ini yang saat ini menarik perhatian hampir semua orang. Bahkan group-group kecil membuat kompetisi untuk mendapatkan tebakan yang paling akurat. Berapa tambahan ODP dan PDP terasa kurang menarik diprediksi. Sebagian analisis yang lebih lengkap menyertakan prediksi kapan endemi di Indonesia berakhir.

Mudah tidaknya suatu kasus untuk diramalkan paling tidak tergantung pada tiga hal, menurut Profesor Rob Hyndman dari Monash University yang juga seorang ahli peramalan kelas wahid. Faktor pertama adalah seberapa dalam kita memahami faktor-faktor yang berkaitan dengan kasus tersebut. Ketika kita mengetahui semua faktor yang mempengaruhi dan datanya ada, maka peramalan menjadi mudah. Begitu juga ketika proses dasar (underlying process) dari suatu kasus diketahui dan memungkinkan dibuat model matematikanya, maka peramalan juga akan mudah dilakukan. Pendekatan ini dikenal dengan istilah physical or agent-based approach. Namun, apabila underlying process dari kasus tersebut tidak diketahui atau terlalu rumit, maka model time series dapat mengambil peran untuk peramalan. Prinsip kerja model time series adalah menangkap pola data masa lalu (mimic the historical pattern) dan mengekstrapolasinya beberapa periode ke depan. Prinsip dasarnya adalah menangkap genuine pattern dan mengabaikan random fluctuation. Analogi lainnya adalah mendeteksi signal dan mengabaikan noise apabila meminjam istilah yang dipakai Nate Silver, penulis The Signal and The Noise: Why So Many Predictions Fail – but Some Don’t. Baik buruknya ramalan dari model time series tergantung dua hal pokok, yaitu data historis yang valid (sehingga model yang dibangun juga valid) dan kejadian di masa depan mempunyai pola yang sama dengan masa lalu.

Menurut Prof Hyndman, apabila dimungkinkan membangun model berbasis physical process, maka hasil ramalannya hampir selalu lebih baik daripada model time series. Pernyataan yang sama yang saya dengar langsung dari Professor John R. Ockendon dari University of Oxford yang juga peraih Gold Medal dari Institute of Mathematics and Its Application (IMA) pada tahun 2006. Pada kenyatannya ada sistem yang sangat kompleks sehingga sangat sulit, bahkan hampir tidak mungkin, dibangun model berbasis physical process. Contohnya, apakah ada satu model yang dapat mengakomodasi keseluruan proses transmisi Covid-19, akibatnya terhadap pergerakan orang dan barang, dan dampaknya terhadap ekonomi nasional dan global? Jawabannya mungkin tidak ada. Yang ada adalah ramalan dari Covid-19 menjadi input untuk membangun skenario pada model ekonometrika. Para ekonom pun bisa berhitung. Pun sulit menggabungkannya dengan model pergerakan barang dan jasa selama wabah ini terjadi. Bagian ini perlu bantuan Artificial Intelligence (AI) dan Machine Learning (ML) untuk memonitor dan mengekstrak informasi dari data signal telepon seluler untuk mengetahui posisi dan pergerakan orang.

Faktor kedua, seberapa banyak data yang tersedia. Terkadang tidak ada data yang tersedia. Contohnya, ketika ada produk baru yang akan di-launching. Sebut saja Uber saat pertama kali dicetuskan. Tidak ada model bisnis dan data yang serupa sebelumnya. Dalam kasus seperti ini judgmental forecasting bisa digunakan. Apakah wabah corona ini punya cukup data yang panjang? Jawabannya tidak. Namun, ada sebagian orang yang melakukan peramalan menggunakan model-model semacam regresi non-linear, ARIMA, smoohing, ANN, ANFIZ, SVM, dan banyak lainnya. Hasil ramalan itu menjelaskan apa?. Tanpa dikaitkan dengan epidemologi, maka ramalan-ramalan tersebut menjadi semacam curve fitting exercise.

Walapun data wabah corona ini pendek, namun physical process-nya diketahui yaitu menyebar lewat droplet dan mucus yang keluar dari saluran pernapasan lewat batuk atau bersin. Peramalan Covid-19 bisa menggunakan model untuk penyakit menular. Sebut saja salah satu yang paling sederhana, yaitu model SIR (Susceptible, Infectious, and Recovered). Populasi dibagi menjadi kelompok susceptible atau orang sehat yang rentan terinfeksi, infectious yaitu kelompok yang terinfeksi dan dapat menularkan ke orang lain, dan recovered untuk kelompok orang yang sembuh. Orang yang sudah sembuh dapat terinfeksi lagi sehingga statusnya susceptible kembali. Sudah ada buktinya di China dan Jepang. Modelnya semacam ini bernama SIRS. Ketika ada karantina (quarantine) modelnya menjadi SIQR atau SIQRS. Ada juga model SIRU yang mengakomodasi unreported case (disingkat U). Model kompartemen SEIR menambahkan kelompok exposed (E) yaitu kelompok orang yang sudah terjangkit virus namun belum bisa menularkan ke orang lain. Ada juga yang memperhitungkan pasien yang mati (death) sehingga modelnya menjadi SEIRD atau SEIQRD. Banyak varian model turunanya sesuai skenario dari physical process penyebarannya. Beberapa model lain yang lebih sederhana antara lain kurva eksponensial dan kurva Richard. Ada juga pendekatan lain menggunakan probabilistic data-driven model dan model dinamis. Dalam kasus peramalan Covid-19, seorang statistisi juga harus belajar dari pakar-pakar epidemologi dan pakar quantitative method yang mendalami epidemologi, sehingga ramalan saya lebih dari sekedar curve ftting exercise. Ada eksplanasi yang diharapkan. Bahkan, diharapkan model-model epidemologi dapat dikembangkan oleh statistisi dan matematikawan untuk mengakomodasi uncertainty sehingga modelnya tidak deterministik.

Faktor ketiga, apakah ramalan kita justru akan mempengaruhi kasus yang kita ramalkan tersebut. Peramalan curah hujan oleh BMKG tidak akan mengubah curah hujan itu sendiri. Hal yang berbeda dengan IHSG. Ketika nilai ramalan IHSG oleh otoritas yang sangat dipercaya dipublikasikan maka pasar akan bereaksi, melakukan penyesuaian harga penawaran saham, dan secara agregat akan mempengaruh nilai IHSG itu sendiri pada beberapa periode ke depan.

Apakah ramalan terkait Covid-19 di Indonesia mempengaruhi kasus Covid-19 itu sendiri?. Jawabannya iya, Ketika ada ramalan total orang terinfeksi mencapai angka di atas 6000 bahkan di atas 8000 atau lebih, maka pemerintah bereaksi. Aturan WFH bagi ASN langsung diterapkan. Anak-anak sekolah dan mahasiswa belajar dari rumah. Kampanye besar-besaran tentang social distancing atau physical distancing digalakkan. Sehingga terjadi perlambatan penularan virus.

Pentingnya social distance diulas dalam tulisan Harry Stevens (The Washington Post, 14/3/2020) yang dilengkapi simulasi dan visualisasi sehingga mudah dipahami. Internet dan sosial media membantunya viral. Hadits tentang thaun pun ramai dibahas. Muncul wacana lockdown, karantina wilayah, dan semacamnya. Hal itu bukan tanpa alasan. Berdasarkan data SUSENAS tahun 2017, ada 52,9% populasi Indonesia tinggal di perkotaan dan 28,2% populasi melakukan traveling di tahun sebelumnya. Tentu saja ini menjadi faktor risiko pendorong transmisi virus.

Lain ladang lain belalang, lain China lain lagi Italia. China berhasil dengan lockdown-nya. Sedangkan di Italia beda hasilnya. “Lock opo tumon,” istilah Dahlan Iskan. Presiden Jokowi sepertinya sangat berhati-hati mengambil opsi lockdown. Sebagian menilai lamban. Akhirnya, Pak Presiden menetapkan kondisi Kedaruratan Kesehatan Masyarakat melalui Kepres Nomor 11 Tahun 2020 dan diikuti dengan Pembatasan Sosial Berskala Besar (PSBB) berdasarkan PP Nomor 21 Tahun 2020. Dukungan pembiayaan pun dilakukan dengan menerbitkan Perpu Nomor 1 Tahun 2020 tentang Kebijakan Keuangan Negara dan Stabilitas Sistem Keuangan untuk Penanganan Pandemi Covid-19.
Apakah PSBB efektif?. Dikarenakan saat ini belum tersedia vaksin untuk Covid-19, maka peningkatan imunitas populasi tidak bisa dilakukan lewat skema vaksinasi. Salah satu yang mungkin adalah mengurangi contact rate dalam populasi untuk menghambat transmisi virus. Pendekatan ini disebut non-pharmaceutical intervention (NPIs) diantaranya dengan cara isolasi PDP di rumah, isolasi seluruh anggota keluarga dari PDP di rumah, social distancing terutama untuk orang lanjut usia, social distancing seluruh populasi, penutupan sekolah dan universitas (Ferguson dkk, 2020).

Jadi, walaupun data tentang Covid-19 diragukan, hasil ramalan-ramalannya paling tidak mendorong pemerintah mengambil langkah-langkah untuk mengurangi contact rate antar manusia. Hasil ramalan-ramalan tersebut baru bisa diuji keakuratanya ketika endemi di Indonesia benar-benar berakhir. Itupun dengan catatan jika datanya menjadi transparan. Artinya, pihak yang ramalannya mendekati kebenaran tidak usah sombong karena “kebenaran” datanya juga tidak mutlak.

DAMPAK DAN HIKMAH

Terlepas dari kevalidan data, bagaimanapun juga kita perlu tahu kapan ramalan puncak wabah terjadi untuk menyediakan ventilator karena pasien akan membludak. Apa lagi?. Apakah kapasitas produksi ventilator di dalam negeri mencukupi?. Kalau tidak, tindakan apa yang harus dilakukan?. Kapasitas ruang isolasi kurang berapa?. Berapa tenaga medis dan APD dibutuhkan?. Tanpa peramalan kita akan tergagap-gagap menghadapinya. Seperti pada saat negeri tetangga sudah terdeteksi ada pasien positif, kita merasa “kebal” karena di kita angkanya masih nol.
Dunia akademi dan penelitian pun banyak belajar dari kasus korona ini. Banyak akademisi dan ilmuan, bahkan praktisi, belajar pemodelan epidemologi. Mereka menjadi lebih mengerti kelebihan dan kekurangan dari beberapa metode yang ada. Sebagian sudah menyiapkan ide pengembangan. Teknologi terapan pun menemukan momentum. Produksi face shield, disinfectant chamber, dan ventilator secara mandiri. Diskusi tentang kandungan aman untuk bahan semprotan pun jadi bahan diskusi masyarakat. Masyarakat tambah cerdas.

Sepertinya perekonomian era Covid-19 dalam jangka pendek akan bemberikan keuntungan ke industri medical supply and services, personal and healthcare, dan ICT karena adanya permintaan yang tinggi. Menurut Financial Times, dalam tiga bulan terakhir kekayaan Eric Yuan pendiri ZOOM bertambah USD 4 miliar atau di kisaran Rp 66 triliun (detik.com, 3/4/2020). Industri pariwisata dan hiburan salah satu yang paling merugi. Begitu pun dengan industri penerbangan. Walaupun angka-angka belum muncul, tapi sudah kasat mata.

Wabah Covid-19 ini juga semakin membukanan mata kita bahwa bahan baku dan barang modal industri nasional masih banyak yang impor. Ketika China lockdown maka sebagian industri dalam negeri seperti terkena pukulan telak. Pasokan bahan baku macet. Ditambah lagi rupiah melemah terhadap dolar Amerika. Sudah jatuh tertimpa tangga. Ternyata global supply chain sangat beresiko ketika ada pandemi seperti ini. Apakah akan terjadi lagi di masa mendatang? Bisa jadi. Mungkin ini momentum untuk merestrukturisasi model supply chain barang dan jasa seharusnya lebih bersifat lokal atau regional. Tidak terlalu global. Yang tidak kalah penting adalah industri farmasi dan alat kesehatan di dalam negeri harus diperkuat. Menjadi bangsa yang lebih mandiri.

Sumber: https://www.facebook.com/ddp.tyo/posts/3942554592452194

Facebook Comments

Leave a Reply

Your email address will not be published. Required fields are marked *