Data, Peramalan, dan Covid-19

WABAH Covid-19 menyita perhatian dunia. Prediksi seputar Covid-19 marak. Apakah prediksi itu membantu mengatasi masalah? Atau malah menambah rasa cemas? Atau sekadar exercises in fitting model? Pertanyaan terakhir merupakan sindiran. Maksudnya adalah ”bersenang-senang” untuk ilmu peramalan itu sendiri. Namun, saya yakin para peramal mempunyai niat baik untuk berkontribusi menyelesaikan masalah ini.

Transparansi Data

Sebagian kalangan beranggapan bahwa data tercatat lebih kecil daripada angka sebenarnya. ”Pertambahan jumlah penderitanya stabil di kisaran angka 115/hari. Seperti disetel saja,” sindir Dahlan Iskan (disway.id, 3/4). Gubernur Jawa Barat Ridwan Kamil yakin jumlah kasus korona di Indonesia berkali-kali lipat. Hingga 2 April, di DKI ada 401 jenazah yang dimakamkan dengan protap Covid-19, dengan hanya 90 di antaranya berstatus positif. Data pemerintah juga disorot karena pada 24, 30, dan 31 Maret jumlah positif korona sama dengan jumlah yang dites.

Angka positif korona berdasar hasil tes swab dengan polymerase chain reaction (PCR). Meski hasil rapid test positif, belum dimasukkan data terkonfirmasi positif sebelum keluar hasil PCR. Contohnya, ada 1.550 siswa Sekolah Pembentukan Perwira (Setukpa) Lemdikpol Polri di Sukabumi yang menjalani rapid test. Hasilnya, 300 terindikasi positif. Pada update data 2 April, angka 300 tersebut belum masuk hitungan.

Berapa kemampuan pemerintah melakukan uji PCR? Jika kurang dari 200 per hari, tidak mungkin ada lonjakan data baru lebih dari itu. Seandainya kemampuan melakukan uji ditingkatkan berlipat ganda, apakah angka positif korona akan meledak? Bisa jadi demikian. Semoga tidak. Penelitian Li dkk (Science, 16/3) melaporkan bahwa di Tiongkok ada 86 persen orang terinfeksi Covid-19 yang tidak terdokumentasi sebelum 23 Januari. Untuk Indonesia, per 2 April diperkirakan (selang kepercayaan 95 persen) hanya ada 4,1 hingga 6,9 persen kasus yang tercatat berdasar kajian Timothy W. Russell dkk berjudul “Using a Delay-Adjusted Case Fatality Ratio to Estimate Under-reporting”.

Metode Peramalan

Ada kasus yang mudah diramalkan. Ada juga yang sulit. Berapa total positif Covid-19 besok? Menurut Prof Rob Hyndman, ahli peramalan kelas wahid, mudah tidaknya suatu kasus diramalkan bergantung pada tiga hal. Pertama, seberapa dalam kita memahami faktor-faktor yang berkaitan. Ketika semua faktor diketahui dan datanya ada, peramalan menjadi mudah. Begitu juga halnya ketika proses dasar (underlying process) suatu kasus diketahui dan dapat dibuat model matematikanya menggunakan physical or agent-based approach. Jika prosesnya terlalu rumit, model time series dapat digunakan.

Prinsip model time series adalah menangkap pola masa lalu dan mengekstrapolasinya beberapa periode ke depan. Mendeteksi signal dan mengabaikan noise menurut Nate Silver, penulis The Signal and The Noise. Baik buruknya ramalan model time series bergantung dua hal, yaitu data yang valid dan kejadian mendatang berpola sama dengan masa lalu.

Menurut Prof Hyndman, apabila dimungkinkan membangun model berbasis physical process, hasil ramalannya hampir selalu lebih baik daripada model time series. Apakah ada model yang dapat mengakomodasi proses transmisi Covid-19, akibatnya terhadap pergerakan orang, dan dampaknya terhadap ekonomi? Jawabannya mungkin tidak ada. Yang ada adalah ramalan dari Covid-19 menjadi input untuk membangun skenario pada model ekonometrika. Pun sulit menggabungkannya dengan model pergerakan orang.

Kedua, seberapa banyak data yang tersedia. Apakah wabah korona ini punya cukup data yang panjang? Tidak. Sebagian orang yang melakukan peramalan menggunakan regresi nonlinear, ARIMA, ANN, ANFIZ, SVM, dan lainnya. Hasil ramalan itu menjelaskan apa? Tanpa dikaitkan dengan epidemiologi, ramalan-ramalan tersebut menjadi semacam curve fitting exercise. Meski datanya pendek, physical process persebaran Covid-19 diketahui, yaitu lewat droplet keluar dari saluran pernapasan lewat batuk atau bersin.

Salah satu model yang dapat digunakan adalah SIR (susceptible, infectious and recovered). Populasi dibagi menjadi kelompok orang yang rentan terinfeksi (susceptible), terinfeksi (infectious), dan sembuh (recovered). Orang yang sudah sembuh dapat terinfeksi lagi. Ada buktinya di Tiongkok dan Jepang. Sehingga modelnya menjadi SIRS. Ketika ada karantina (quarantine) modelnya menjadi SIQR atau SIQRS. Ada juga model SIRU yang mengakomodasi unreported case.

Model SEIR menambahkan kelompok exposed (E), yaitu kelompok orang yang sudah terjangkit virus, tapi belum bisa menularkan ke orang lain. Ada juga yang memperhitungkan pasien yang mati (death) sehingga modelnya menjadi SEIRD. Beberapa pendekatan lain di antaranya kurva eksponensial, kurva Richard, probabilistic data-driven model, dan model dinamis. Dalam kasus peramalan Covid-19, para forecaster harus belajar pemodelan epidemiologi sehingga ramalannya lebih dari curve fitting exercise. Ada eksplanasi yang diharapkan.

Ketiga, apakah ramalan kita justru akan memengaruhi kasus yang kita ramalkan. Apakah ramalan memengaruhi kasus Covid-19? Jawabannya iya. Ketika ada ramalan total orang terinfeksi di atas 6.000, pemerintah bereaksi. Aturan work from home (WFH) diterapkan. Diyakini, hal itu memperlambat penularan virus. Pentingnya social distance viral setelah diulas Harry Stevens (The Washington Post, 14/3). Muncul wacana lockdown. Presiden Jokowi mengambil opsi pembatasan sosial berskala besar (PSBB). Karena belum tersedia vaksin, salah satu yang mungkin adalah mengurangi contact rate dalam populasi. Pendekatan itu disebut non-pharmaceutical intervention (NPIs) (Ferguson dkk, 2020).

Meski data Covid-19 diragukan, hasil ramalan-ramalannya paling tidak mendorong pemerintah mengambil langkah untuk mengurangi contact rate antarmanusia. Hasil ramalan tersebut baru bisa diuji keakuratannya ketika endemi di Indonesia berakhir.

Dampak dan Hikmah

Terlepas dari kevalidan data, kita perlu tahu kapan puncak pandemi terjadi untuk menyediakan ventilator. Apakah produksi ventilator mencukupi? Ruang isolasi kurang berapa? Berapa tenaga medis dan kebutuhan APD? Tanpa peramalan kita akan tergagap-gagap menghadapinya. Akademisi dan peneliti pun belajar pemodelan epidemiologi. Mereka menjadi lebih mengerti kelebihan dan kekurangan dari berbagai metode. Teknologi terapan pun menemukan momentum. Produksi face shield, disinfectant chamber, dan ventilator oleh anak bangsa.

Pandemi Covid-19 ini juga semakin membukakan mata kita bahwa bahan baku dan barang modal industri nasional masih banyak impor. Ketika Tiongkok lockdown, sebagian pasokan bahan baku macet. Ditambah lagi rupiah melemah terhadap dolar. Ternyata global supply chain sangat berisiko ketika ada pandemi. Industri farmasi dan alat kesehatan di dalam negeri harus diperkuat. Menjadi bangsa yang lebih mandiri. (*)

*) Dedy Dwi Prastyo, Kepala Program Studi Pascasarjana Statistika ITS Surabaya

 

Saksikan video menarik berikut ini:

https://www.youtube.com/watch?v=fkcBy2lfOp8

https://www.youtube.com/watch?v=0x6lDwboELs

https://www.youtube.com/watch?v=qUKW26HOPNM