Menggali Dalam Inferensi Bayesian untuk Model Penyakit

Memasuki hari keempat untuk Track Inference dalam pelaksanaan MidSEA Summer School 2025, antusiasme peserta semakin menguat, terutama saat memasuki salah satu sesi kunci: Bayesian Parameter Estimation for Transmission Models. Sesi ini menghadirkan pembelajaran mendalam tentang bagaimana pendekatan statistik modern dapat diterapkan untuk memahami dan memprediksi penyebaran penyakit menular.

Disampaikan oleh Shihui Jin, sesi ini memperkenalkan teknik Bayesian inference menggunakan model SIR (Susceptible-Infected-Recovered) untuk memperkirakan parameter penularan suatu penyakit berdasarkan data observasi harian selama 30 hari. Pendekatan ini relevan secara langsung dalam pengembangan model prediktif dan perumusan kebijakan kesehatan masyarakat berbasis data.

Peserta diperkenalkan pada bagaimana model SIR bekerja dalam konteks penyebaran penyakit di populasi tertutup. Dengan bantuan simulasi menggunakan bahasa pemrograman R, peserta dapat melihat bagaimana perubahan jumlah individu dalam kelompok rentan, terinfeksi, dan sembuh terjadi dari waktu ke waktu. Melalui simulasi ini, peserta memahami bagaimana parameter penting seperti tingkat penularan (beta) dan tingkat kesembuhan (gamma) memengaruhi jalannya epidemi.

Namun, inti dari sesi ini bukan hanya pada simulasi deterministik. Fokus utama terletak pada bagaimana kita bisa menggunakan data nyata untuk memperkirakan parameter-parameter penting dalam model, dengan mempertimbangkan ketidakpastian yang melekat dalam data tersebut. 

Dengan menggunakan platform Stan, peserta belajar bagaimana menggabungkan pengetahuan awal (prior) dengan data observasi melalui proses inferensi Bayesian. Mereka mempelajari bagaimana Stan menggunakan algoritma canggih seperti No-U-Turn Sampler (NUTS) untuk mengambil sampel dari distribusi posterior, memungkinkan mereka melihat rentang kemungkinan nilai dari parameter yang tidak diketahui. Tidak hanya itu, peserta juga diajarkan cara memvalidasi model yang dibangun, termasuk melalui trace plot, Effective Sample Size, dan R-hat sebagai indikator konvergensi.

Salah satu momen penting dalam sesi ini adalah ketika peserta menyadari bahwa pendekatan ini tidak hanya relevan secara statistik, tetapi juga sangat berguna dalam konteks kebijakan kesehatan. Dengan Bayesian inference, model yang dibangun dapat memberikan estimasi yang lebih realistis, mempertimbangkan ketidakpastian, dan pada akhirnya membantu pengambil kebijakan merancang intervensi yang lebih akurat.

Kata Kunci: MIDSEA, Modelling, Infectious Diseases Modelling
Penulis: Najida Humaira
Foto: Lucetta Amarakamini