Pemodelan Berbasis Agen (ABM) — Mensimulasikan Kompleksitas Emergen
- Diperkenalkan oleh
- Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
- Tahun
- 1970s–1990s (formalized as a field)
- Jenis
- Computational simulation method
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pemodelan berbasis agen (ABM) adalah metode simulasi komputasi, yang diformalkan melalui karya Thomas Schelling dan Robert Axelrod pada tahun 1970-an–1990-an, yang mensimulasikan perilaku sistem kompleks dengan menentukan dan menjalankan agen otonom — individu, perusahaan, sel, atau entitas terbatas lainnya — yang interaksi lokalnya satu sama lain dan dengan lingkungan mereka secara kolektif menghasilkan pola global tingkat sistem yang tidak dapat diprediksi dari aturan agen tunggal mana pun.
Intuisi di balik metode
Bayangkan sebuah kota di mana kemacetan lalu lintas muncul meskipun tidak ada pengemudi tunggal yang berniat menyebabkannya. ABM menangkap jenis kemunculan ini persis: Anda menulis aturan yang diikuti setiap agen individu — bagaimana mereka mempersepsikan lingkungan mereka, membuat keputusan, dan bertindak — kemudian jalankan simulasi dan amati apa yang terjadi di tingkat populasi. Pola global (kemacetan lalu lintas, kurva epidemi, harga pasar) tidak diprogram secara langsung; itu muncul dari interaksi. Pendekatan bottom-up ini menjadikan ABM pilihan alami kapan pun fenomena yang menarik berada di tingkat sistem tetapi mekanisme berada di tingkat individu.
Sejarah
Akar intelektual ABM terletak pada penelitian kompleksitas Santa Fe Institute pada tahun 1980-an dan pada karya pemodelan dasar oleh Thomas Schelling (1971, segregasi perumahan) dan Robert Axelrod (1984, evolusi kerja sama; 1997, kompleksitas kerja sama). Buku Axelrod tahun 1997, bersama dengan pengembangan platform NetLogo oleh Uri Wilensky dan kerangka kerja Mesa untuk Python, membantu mengkonsolidasikan ABM sebagai metodologi komputasi yang diakui. Metode ini menyebar dengan cepat melalui epidemiologi, ekonomi, ekologi, dan simulasi sosial melalui tahun 1990-an dan 2000-an, dan saat ini mendasari model pandemi skala besar, penelitian mikrostruktur pasar keuangan, dan alat analisis kebijakan.
Kapan digunakan
ABM adalah pilihan yang tepat ketika fenomena yang diminati muncul dari interaksi individu yang heterogen daripada dari dinamika tingkat agregat. Sangat cocok untuk dinamika sosial, penyebaran epidemi, mikrostruktur pasar, model populasi ekologi, dan pengaturan apa pun di mana heterogenitas agen, struktur spasial, atau interaksi lokal yang bergantung pada jalur penting. Tidak diperlukan ukuran sampel empiris minimum, tetapi aturan agen harus dapat dipertahankan — didasarkan pada teori atau data sebelumnya. Jika data observasional tersedia untuk kalibrasi, ABC dapat diterapkan. Metode ini tidak tepat ketika sistem dapat dijelaskan secara memadai oleh persamaan diferensial agregat (lebih disukai dinamika sistem) atau ketika pertanyaan penelitian berkaitan dengan proses antrean atau aliran (lebih disukai simulasi kejadian diskrit). Jalankan setidaknya 1.000 replikasi; lebih sedikit replikasi menghasilkan pola yang tidak dapat diandalkan.
Batasan dan pertimbangan
- Aturan agen harus dibenarkan oleh teori atau bukti empiris; aturan yang dipilih secara sewenang-wenang menghasilkan hasil yang tidak dapat diinterpretasikan secara bermakna.
- Membutuhkan sejumlah besar replikasi (seringkali 1.000 atau lebih) untuk mengkarakterisasi distribusi keluaran secara andal, yang bisa mahal secara komputasi.
- Validasi model menantang: pola emergen mungkin cocok dengan data yang diamati karena alasan yang salah (equifinality).
- Hasil adalah distribusi, bukan solusi bentuk tertutup, membuat komunikasi analitis lebih sulit daripada dengan metode berbasis persamaan.
- Eksplorasi ruang parameter dapat menjadi sulit karena jumlah jenis agen dan aturan bertambah.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangkap perilaku tingkat sistem emergen yang tidak dapat disimpulkan dari aturan agen tunggal mana pun.
- Secara alami mengakomodasi heterogenitas agen, struktur spasial, dan dinamika yang bergantung pada jalur.
- Bekerja tanpa ukuran sampel empiris minimum — agen ditentukan oleh teori atau aturan yang dikalibrasi, bukan oleh catatan yang diamati.
- Menghasilkan keluaran distribusi di seluruh replikasi, memberikan gambaran lengkap tentang ketidakpastian daripada satu lintasan.
- Dapat diterapkan di berbagai domain: ilmu sosial, epidemiologi, ekonomi, ekologi, dan teknik.
Penerapan
- Epidemiologi: memodelkan penyebaran epidemi pada tingkat kontak individu untuk menguji strategi intervensi.
- Simulasi pasar: merepresentasikan pedagang heterogen di pasar keuangan untuk mempelajari pembentukan harga dan volatilitas.
- Dinamika sosial: mempelajari segregasi perumahan, dinamika opini, dan difusi norma dalam populasi.
- Ekologi: memodelkan dinamika predator-mangsa dan interaksi spesies di lanskap yang eksplisit secara spasial.
- Kebijakan kesehatan: mensimulasikan aliran pasien dan alokasi sumber daya di bawah aturan organisasi yang berbeda.
- Perilaku organisasi: mempelajari bagaimana strategi tingkat perusahaan muncul dari interaksi karyawan dan departemen.
Cara kerjanya
Cara kerjanya
Agen didefinisikan oleh atributnya (variabel keadaan) dan aturan perilaku. Aturan harus didasarkan pada teori atau bukti empiris — ini bukan langkah untuk menebak-nebak. Setiap jenis agen mewakili kelas aktor yang berbeda (misalnya, individu yang rentan vs. terinfeksi dalam model epidemi, pembeli vs. penjual dalam model pasar). Jumlah dan heterogenitas jenis agen menentukan kekuatan ekspresif model.
Lingkungan tempat agen bertindak dikonfigurasi: topologi spasial (grid, jaringan, ruang kontinu, atau tanpa ruang), sumber daya bersama apa pun yang dapat berinteraksi dengan agen, dan radius komunikasi atau persepsi yang menentukan agen lain mana yang dapat diamati oleh setiap agen. Desain lingkungan adalah pilihan pemodelan yang secara langsung membentuk interaksi yang mungkin terjadi.
Simulasi diinisialisasi: agen ditempatkan di lingkungan, variabel keadaan awal diatur — baik dari data empiris atau dari distribusi yang dikalibrasi — dan benih acak ditetapkan untuk reproduktibilitas. Ketika data observasional ada, Approximate Bayesian Computation (ABC) dapat digunakan pada tahap ini untuk mengkalibrasi parameter terhadap hasil nyata.
Model maju melalui langkah waktu diskrit. Pada setiap langkah, agen menjalankan aturan perilakunya — mungkin dalam urutan acak untuk menghindari artefak — memperbarui keadaan mereka, dan berinteraksi dengan tetangga atau sumber daya bersama. Model harus dijalankan untuk sejumlah besar replikasi (umumnya setidaknya 1.000) sehingga distribusi hasil, bukan hanya satu lintasan, dapat dikarakterisasi.
Statistik keluaran dikumpulkan di semua replikasi: rata-rata, varians, dan properti distribusi dari variabel tingkat sistem utama. Hasil dilaporkan sebagai distribusi, bukan perkiraan titik. Analisis sensitivitas menguji seberapa kuat pola emergen terhadap perubahan aturan agen dan nilai parameter, dan validasi model membandingkan lintasan simulasi dengan data yang diamati jika tersedia.
Kesalahan umum
- Menjalankan replikasi yang terlalu sedikit — dengan kurang dari sekitar 1.000 kali percobaan, distribusi keluaran diperkirakan buruk dan pola yang tampak mungkin adalah kebisingan; jika kendala komputasi, lebih disukai dinamika sistem untuk pertanyaan agregat.
- Menulis aturan agen tanpa dasar teoritis atau empiris — aturan sewenang-wenang menghasilkan simulacra, bukan model; setiap aturan harus mengutip rasionalitas perilaku.
- Melaporkan hanya rata-rata lintasan di seluruh replikasi tanpa menyampaikan varians — hasil ABM secara inheren stokastik dan harus dilaporkan sebagai distribusi.
- Salah mengira kecocokan model sebagai validasi — model dapat mereproduksi pola agregat yang diamati melalui kesalahan yang mengkompensasi; uji struktural dan prediksi di luar sampel penting.
- Mengabaikan periode pemanasan ketika konfigurasi awal sewenang-wenang — perilaku awal mencerminkan kondisi awal, bukan dinamika keadaan tunak.
Pertanyaan yang sering diajukan
Bagaimana ABM berbeda dari dinamika sistem?
Model dinamika sistem menggunakan stok agregat, aliran, dan loop umpan balik yang dijelaskan oleh persamaan diferensial — ia memperlakukan populasi sebagai keseluruhan yang homogen dan melacak perilaku rata-rata dari waktu ke waktu. ABM memodelkan setiap agen individu secara terpisah, memungkinkan heterogenitas, interaksi spasial lokal, dan perilaku yang bergantung pada jalur. Pilih dinamika sistem ketika struktur umpan balik agregat adalah minat utama dan heterogenitas agen tidak penting; pilih ABM ketika perbedaan individu dan interaksi lokal adalah mekanisme yang ingin Anda pelajari.
Berapa banyak replikasi yang saya butuhkan?
Keluaran ABM adalah distribusi di seluruh percobaan stokastik, bukan satu lintasan deterministik. Sebagai minimum praktis, jalankan setidaknya 1.000 replikasi dan periksa interval kepercayaan pada statistik keluaran utama Anda. Jika intervalnya lebar, jalankan lebih banyak. Melaporkan hanya satu percobaan atau segelintir kecil sebagai perwakilan adalah kesalahan umum dan serius.
Bagaimana cara memvalidasi model berbasis agen?
Validasi memiliki beberapa lapisan: validasi struktural (apakah aturan konsisten dengan perilaku yang diketahui?), validasi berorientasi pola (apakah model mereproduksi beberapa pola empiris yang diamati secara bersamaan, bukan hanya satu?), dan validasi prediktif (apakah prediksi di luar sampel berlaku?). Mereproduksi satu statistik agregat tidak cukup bukti bahwa model tersebut benar.
Bagaimana jika saya tidak memiliki data empiris untuk mengkalibrasi parameter agen?
Aturan yang didasarkan pada teori dapat digunakan secara langsung ketika data tidak ada, tetapi model tersebut kemudian harus disajikan sebagai eksploratif daripada prediktif. Di mana data parsial ada, Approximate Bayesian Computation (ABC) menyediakan kerangka kerja yang berprinsip untuk memperkirakan distribusi parameter dengan membandingkan statistik ringkasan simulasi dengan yang diamati. Analisis sensitivitas selalu diperlukan untuk menunjukkan parameter mana yang paling penting.
Metode terkait
Sumber
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.
Buka referensi DOIDisalin.Wilensky, U. & Rand, W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press.
ISBN: 978-0262731898Disalin.