Benarkah Kurva Corona Kita Sudah Melandai?

Jakarta - Presiden Jokowi menargetkan kurva Covid-19 melandai pada Mei, kemudian posisinya turun ke level sedang pada Juni, dan turun lagi ke level ringan pada Juli. Karena tidak ada penjelasan kuantitatif dari target-target ini, saya mencoba untuk memaknainya sesuai dengan pemahaman saya.

Kurva Covid-19 melandai saya maknai sebagai menurunnya rasio antara kasus baru dengan total kasus. Jika ukuran itu yang digunakan, maka itu sudah terjadi saat ini. Saya menggunakan ukuran tren (slope) perubahan rasio antara kasus baru dengan total kasus selama 14 hari terakhir. Menggunakan data per 5 Mei 2020 yang diperoleh dari ourworldindata.org dan metode least square saya mendapatkan nilai slope sebesar minus 43,4/1.00.000.

Nilai negatif menunjukkan tren menurun dalam pertambahan kasus yang identik dengan kurva total kasus yang melandai. Jika ini yang dimaksud dengan melandai, target pertama Presiden Jokowi sudah tercapai. Target berikutnya saya maknai sebagai penurunan kasus baru ke posisi sedang pada Juni dan ringan pada Juli.

Pertanyaannya, seberapa besar yang dianggap sedang dan ringan?

Dinamika penyebaran Covid-19 bisa kita lihat sebagai dinamika perkembangan populasi dalam ruang yang terbatas (karena jumlah orang yang bisa terinfeksi terbatas). Dalam konteks ini, banyaknya orang terinfeksi akan tumbuh mengikuti kurva S, di mana setelah melewati fase puncak, pertambahan orang terinfeksi akan melambat. Ini disebabkan semakin sedikitnya orang yang potensial untuk terinfeksi.

Tentu saja ini juga dipengaruhi seberapa efektif antibodi yang dihasilkan orang yang sudah sembuh sehingga tidak terinfeksi kembali. Ketika kurva sudah melandai, laju pertambahan kasus baru berbanding terbalik dengan total kasus.

Saya membuat perbandingan antara Indonesia dan Korea Selatan (Korsel) dalam kasus baru per total kasus selama dua bulan terakhir sampai dengan data per 5 Mei 2020. Korsel merupakan salah satu negara yang dinilai berhasil mengatasi Covid-19. Selama periode tersebut Indonesia menunjukkan penurunan yang lebih curam dibanding Korsel.

Jika diestimasi menggunakan metode least square, tren penurunan Korsel selama 14 hari terakhir per 5 Mei 2020 adalah minus 7,79/1.000.000 (kalah curam dari Indonesia yang minus 43,4/1.000.000). Per 5 Mei 2020, total kasus per sejuta penduduk Korsel adalah 210,73 dengan pertambahan kasus 0,06 per sejuta penduduk, sementara total kasus Indonesia sebesar 42,36 dengan pertambahan kasus baru 1,44 per sejuta penduduk.

Jika tren melandai ini benar dan berlanjut, Indonesia akan mencapai level pertambahan kasus yang semakin rendah, mendekati level Korsel. Ini mungkin yang dimaksud Presiden Jokowi dengan target posisi ringan pada Juli.

Tren melandai tentu saja menggembirakan jika itu benar. Namun, bagi orang yang percaya statistik seperti saya, angka-angka tersebut mengkhawatirkan. Yang saya khawatirkan bukan trennya, tapi apakah tren ini merepresentasikan kondisi sebenarnya.

Saya ingin meletakkan diskusi kita dalam kerangka model yang banyak digunakan untuk merepresentasikan dinamika penyakit menular, yaitu model SIR (susceptible – infectious - recovered). Ini adalah varian paling sederhana dari model kompartemental yang dikembangkan pertama kali oleh William Kermack dan Anderson McKendrick pada 1927. Menurut model ini, pada satu saat orang bisa berada dalam salah satu dari tiga kompartemen, yaitu kompartemen orang yang rentan terinfeksi (S), kompartemen orang yang terinfeksi (I), dan kompartemen orang yang sembuh atau meninggal (R).

Seiring waktu orang bisa berpindah dari S ke I dan dari I ke R. Dalam konteks Covid-19, kompartemen S berisi orang yang karena kondisi atau aktivitasnya rentan terinfeksi, seperti lansia, orang yang berinteraksi dengan orang positif Covid-19 (misalnya tenaga medis), atau yang memiliki comorbidity.

Menurut penelitian Jing Yang dkk yang baru saja diterbitkan di International Journal of Infectious Disease pada Mei, comorbidity yang banyak ditemukan pada pasien Covid-19 berturut-turut adalah hipertensi, diabetes, penyakit kardiovaskuler, dan penyakit sistem pernapasan. Kompartemen I berisi orang yang terinfeksi, atau lebih tepatnya orang yang sudah dites dan hasilnya terkonfirmasi positif Covid-19, bukan sekadar reaktif. Kompartemen R berisi orang yang sudah sembuh (atau meninggal) dari Covid-19.

Di Indonesia, banyaknya orang di kompartemen S dipengaruhi antara lain oleh efektivitas pemberlakuan social distancing dan PSBB, ketersediaan APD bagi tenaga medis, dan prevalensi kelompok lansia dan orang dengan comorbidity. Di antara itu semua, yang paling sulit diukur adalah dampak akibat pelanggaran social distancing dan PSBB.

Jika kluster baru bisa dengan cepat diidentifikasi, dilacak, dan dilokalisasi, banyaknya orang di kompartemen S relatif bisa dikontrol. Banyaknya orang di kompartemen I secara riil sangat sulit untuk diketahui. Secara data, orang masuk kompartemen I setelah dites dan didapati positif Covid-19. Jika jumlah tes sedikit, otomatis data I akan kecil. Semakin banyak kluster yang tidak terlacak dan terlokalisasi, akan semakin banyak orang dengan virus yang tidak terdata, yang berarti validitas data orang di kompartemen I semakin diragukan.

Kembali ke perbandingan antara Indonesia dan Korsel. Korsel mencatatkan pertambahan kasus 0,06 per sejuta penduduk dengan total tes sebanyak 12.488 per sejuta penduduk, sementara Indonesia mencapai rasio pertambahan kasus 1,44 per sejuta penduduk dengan total tes hanya 325 per sejuta penduduk. Secara statistik, angka Korsel memiliki probabilitas lebih besar mendekati kondisi sebenarnya dibanding angka Indonesia.

Makna harfiahnya, angka Korsel lebih bisa dipercaya dibanding angka Indonesia. Saya juga mendapati pergerakan data Indonesia relatif lebih volatil dibanding Korsel. Dalam kajian mengenai fenomena atau proses stokastik, kondisi ini biasanya dijumpai dalam sistem yang belum mencapai steady-state. Tingkat steady-state bisa diketahui dengan mengambil lebih banyak data dengan cakupan periode yang lebih panjang.

Seberapa besar selisih data Indonesia dengan kondisi sebenarnya sangat sulit diketahui karena data populasi sangat sulit diperoleh. Satu hal yang pasti, jika kita ingin meningkatkan tingkat keyakinan dari angka-angka kita, kita harus memperbanyak tes. Pertanyaannya, seberapa banyak tes yang diperlukan?

Dengan menggunakan data dari ourworldindata.org, saya membuat perbandingan kondisi Indonesia dengan beberapa negara yang diyakini telah melewati puncak pandemi dan kurvanya telah melandai. Saya tidak memasukkan China dalam perbandingan karena data tes China tidak tersedia. Perbandingan saya lakukan dalam hal banyaknya tes per sejuta penduduk dan tren 14 hari terakhir dari rasio kasus baru terhadap total kasus per 5 Mei 2020.

Beberapa negara seperti Malaysia, Korsel, Inggris, AS, Kanada, Selandia Baru, dan Italia diyakini telah melewati puncak pandemi dan kurvanya telah melandai. Negara-negara tersebut memiliki tren negatif, seperti halnya Indonesia.

Taiwan yang dinilai sebagai negara yang memiliki persiapan terbaik dalam mengantisipasi Covid-19 memiliki tren yang sedikit naik (positif), namun dengan total kasus per sejuta penduduk yang sangat rendah, yaitu hanya 18,39 per sejuta penduduk per 5 Mei 2020 (bandingkan dengan Indonesia sebesar 42,36 per sejuta penduduk).

Jepang memiliki tes per sejuta penduduk yang relatif rendah (namun tetap lebih tinggi dari Indonesia, yaitu 1.473 per 5 Mei 2029) namun berhasil meredam penyebaran Covid-19. Ini diyakini terkait dengan gaya hidup orang Jepang yang sangat menjaga kebersihan.

Negara-negara lain yang telah melandai mencatatkan total tes per sejuta penduduk jauh di atas Indonesia (hampir semuanya di atas 10.000 per sejuta penduduk).

Jika memang ada hubungan kuat antara banyaknya tes dengan tingkat keyakinan tren, maka kita masih harus bekerja keras meningkatkan jumlah dan cakupan tes untuk memastikan tren melandai. Yang terdekat, Malaysia telah melakukan 6.588 tes per sejuta penduduk, lebih dari 20 kali lipat Indonesia. Bukan pekerjaan ringan tentu saja.

Berapapun banyaknya tes yang akan ditargetkan harus disertai ketepatan dalam menentukan siapa yang akan dites. Di sini efektivitas dan kecepatan proses pelacakan dan identifikasi kluster penularan memegang peranan penting.

Kembali ke model SIR, pemerintah mestinya punya data orang di kompartemen S (kelompok terpapar, lansia, orang dengan comorbidity), karena dari situlah bisa diestimasi jumlah dan cakupan tes yang perlu dilakukan. Di sini diperlukan kemampuan yang baik dalam melakukan tracing dan lokalisasi ketika kasus baru ditemukan. Di luar itu diperlukan konsistensi dalam menerapkan PSBB agar tidak semakin banyak orang masuk kompartemen S, serta orang di kompartemen S tidak berpindah ke I.

Satu faktor penting yang perlu diantisipasi terkait dengan transisi orang dari kompartemen S ke I adalah adanya reporting delay. Ini salah satunya disebabkan terbatasnya kapasitas dalam melakukan tes sehingga waktu tunggu sampai dengan hasil tes keluar relatif lama. Di sisi lain kita berpacu dengan waktu karena proses penularan terjadi secara eksponensial.

Jika tren melandai ini benar dan berlanjut, Indonesia akan mencatat rekor sebagai negara yang berhasil mengatasi Covid-19 dengan rasio tes terendah. Sebaliknya, jika tren ini disebabkan masih sedikitnya tes yang dilakukan, kita harus bersiap menghadapi puncak pandemi. Sebagai orang Indonesia saya sungguh berharap tren ini nyata, namun akal sehat saya lebih mempercayai bahwa ini semu. The worst is yet to come. Semoga saya keliru.

Fransiscus R. Pratikto dosen di Jurusan Teknik Industri Universitas Katolik Parahyangan

(mmu/mmu)