Oleh: Mochammad Haldi Widianto

Penyakit coronavirus 2019 (COVID-19) telah menyebar lebih dari 215 negara dengan jumlah kasus yang terinfeksi dan kematian masih meningkat. Pada 19 April 2020, kumulatif total 2.228.455 (154.309) kasus (kematian) itu dilaporkan di dunia. Selama wabah ini terjadi, setiap aspek kehidupan sehari-hari terutama di Indonesia sendiri sudah menjadi salah satu pengidap terbanyak di asia tenggara. Salah satu yang paling buruk tantangannya adalah tingkat penularan dari manusia ke manusia yang tinggi melalui udara atau kontak dengan permukaan yang terkontaminasi. Studi terbaru menunjukkan pasien yang asimtomatik sangat menular karena orang cenderung menghindari kontak dengan orang lain yang menunjukkan gejala yang jelas, tapi untuk kasus orang tanpa gejala tidak dapat langsung diidentifikasi. Karena itu, identifikasi awal kasus yang dicurigai dan dilakukan dengan bijaksana sehingga dapat memanfaatkan sumber daya medis yang terbatas sangat penting.

Penulis dan pengusung penelitian ini mengusulkan Social Internet of Things (SIoT), yang membuka jalan baru untuk membangun hubungan sosial antar perangkat tanpa campur tangan manusia. Meskipun ada keterlambatan dalam umpan balik data manusia, portable dan peralatan seperti ponsel pintar dan perangkat yang dapat dikenakan, dapat digunakan untuk penginderaan, komputasi dan komunikasi, sambil mengandalkan informasi pemosisian untuk melakukan secara real-time untuk pengenalan gejala, pelacakan kontak dan pertukaran data. Misalnya, yang disebut hubungan objek yang ditempatkan Bersama dari SIoT mencirikan lokasi geografis kesamaan dua perangkat, sedangkan hubungan objek sosial (SOR) mengukur intensitas kontak, ketika pemilik perangkat berada dalam kedekatan satu sama lain, yang berguna untuk mengidentifikasi individu yang berisiko terinfeksi.

Dengan mengumpulkan data dari SIoT, jaringan yang kompleks, penularan virus dapat dilihat sebagai terarah pada grafik (WUG), di mana setiap simpul mewakili pengguna seluler, setiap tepi menunjukkan kontak antara dua pengguna dan bobot simpul terkait dengan probabilitas terinfeksi. Berdasarkan grafik ini, penulis akan mengidentifikasi simpul-simpul yang mungkin berdampak tinggi pada simpul lain, sesuai dengan individu yang berpengaruh dalam sumber daya yang terbatas seperti pada lingkungan, karena sumber daya medis seperti masker bedah dan reagen pendeteksi asam nukleat sudah langka.

Gambar 1. Framework of our proposed scheme for MWVC.

 

Oleh karena itu, tujuan pengoptimalan adalah untuk memilih simpul dalam anggaran sumber daya yang terbatas untuk meminimalkan tingkat penyebaran epidemi. Penyebaran epidemi pada tingkat masalah minimisasi mengidentifikasi tersangka. Kasus COVID-19 dalam SIoT dapat dipandang untuk masalah pengaruh rumor minimisasi mengidentifikasi node yang sangat berpengaruh di jejaring sosial seluler. Itu yang terakhir selanjutnya dapat diubah menjadi bobot minimum (MWVC) dalam masalah teori graf. Sebagian besar studi sebelumnya menggunakan algoritme heuristik atau local mencari pemecahan masalah MWVC pada kompleksitas yang dapat diterim. Namun, mengingat perkembangannya semakin dinamis topologi jaringan dari waktu ke waktu, menghitung ulang solusi yang memakan waktu. Sebagai pengambilan keputusan yang efisien teknik dalam lingkungan yang dinamis, pembelajaran telah banyak digunakan di bidang komunikasi . Penulis mengusulkan strategi adaptif berdasarkan penyematan grafik dan pembelajaran penguatan untuk memecahkan kombinatorial terkait masalah pengoptimalan, yang menginspirasi kami untuk merancang file skema identifikasi adaptif untuk COVID-19 kasus sebagai respons terhadap perubahan

Dalam makalah ini, penulis telah mempelajari bagaimana memanfaatkan hubungan sosial antara perangkat seluler di SIoT untuk membantu mengontrol tingkat infeksi dengan identifikasi awal dugaan COVID-19. Kemudian, kami mengubah masalah pengoptimalan menjadi masalah MWVC dan mengusulkan algoritma RAI untuk memecahkan masalah topologi jaringan dinamis dan mengandalkan sepasang set data realistis, mendemonstrasikan skema secara substansial mengurangi tingkat infeksi epidemi, dibandingkan dengan tolok ukur dalam skenario skala besar dan skala kecil. Kesimpulannya, teknik yang diusulkan sangat cocok untuk pengendalian dan pencegahan penyakit dengan mengandalkan identifikasi awal kasus COVID-19. Pada Saat penulisan, tidak ada kumpulan data COVID-19 yang tersedia riwayat kontak yang akurat dari kerumunan dan selanjutnya kondisi kesehatan, tetapi tidak diragukan lagi, kumpulan data kehidupan nyata akan segera tersedia. Kontribusi ini bagaimanapun dapat membantu keduanya pemerintah dan otoritas pembuat keputusan lainnya di pengambilan keputusan. Dalam penelitian selanjutnya, akan menggunakan lebih banyak data sumber untuk memverifikasi dan merevisi skema identifikasi awal ini dengan akurasi yang ditingkatkan

Referensi

BOWEN WANG1, YANJING SUN1,(MEMBER, IEEE), TRUNG Q. DUONG2,(SENIOR MEMBER, IEEE), LONG D. NGUYEN3,(MEMBER, IEEE), AND LAJOS HANZO4,(FELLOW, IEEE) “Risk-Aware Identification of Highly Suspected COVID-19 Cases in Social IoT: A Joint Graph Theory and Reinforcement Learning Approach”, This work was supported in part by the Royal Academy of Engineering (RAEng) through the RAEng Research Fellowships schemer under Grant RF14151422, and in part by the Researcher Links through the Newton Fund Partnership under Grant 527612186. The grant is funded by the U.K. Department for Business, Energy and Industrial Strategy and delivered by the British Council