Simulasi berbasis Agent-Base Model dan Prediksi pengaruh interaksi individu terhadap sebuah sistem

Muksin Aji Setiawan

Butterfly effect adalah fenomena alam yang menggambarkan kepakan sayap kupu-kupu bisa memicu terjadinya tornado besar di suatu belahan dunia. Kejadian kecil sebagai penyebab langsung ataupun tidak langsung hingga mempengaruhi kejadian yang lebih besar. Pengaruh yang ditimbulkan bisa saja tidak terlihat jika dilihat saat kejadian besar sudah terjadi. Contoh terkini adalah kejadian Kebakaran di Taman Nasional Bromo Tengger Semeru (TN BTS). Terlepas dari proses penyelidikan dan hukum yang masih berjalan, ada beberapa hal yang bisa dilihat sebagai trigger atau interaksi sebelum Kebakaran terjadi.

Kebakaran di TNBTS

• Pemilihan Fotografer
• Usulan konsep foto
• Persetujuan konsep foto
• Mitigasi keadaan darurat
• Perijinan memasuki kawasan

Pada tahap Pemilihan Fotografer interaksi terjadi pada pasangan yang akan foto pre-wedding, usulan konsep foto diberikan oleh fotografer sehingga proses kreatif terjadi pada pihak fotografer, selanjutnya persetujuan konsep. Usulan ide yang diberikan adalah bijak jika melibatkan analisa sederhana yang mempertimbangkan sebab-akibat serta faktor risiko. Pada tahap selanjutnya, jika usulan diterima maka ada andil dari kedua belah pihak, jika ada pertimbangan untuk menolak konsep maka akan dilakukan brainstorming ulang untuk mendapat ide baru. Sejauh ini terlihat ada interaksi antar kedua belah pihak yang bisa menjadi pertimbangan porsi keterlibatan masing- masing pihak. Sementara untuk mitigasi harusnya merupakan porsi yang dimiliki oleh fotografer yang melibatkan pihak kawasan tempat pengambilan foto. Namun interaksi ini nampaknya tidak terjadi karena perijinan memasuki kawasan tidak diurus saat pengambilan di kawasan. Secara general bisa jadi dalam proses yang berlangsung ini dari awal hingga akhir tidak ada yang berperan sebagai pihak Dissenting Opinion

Interkasi antara kejadian kecil hingga menjadi fenomena besar bisa dianalogikan sebagai interaksi individu dengan populasi pada sistem yang lebih kompleks. Simulasi bisa dilakukan untuk memprediksi bagaimana perilaku komunal terbentuk, melihat bagaimana pengaruh satu individu dengan individu lain, serta pengaruh interaksi antar individu bisa menentukan kondisi akhir sebuah sistem. Salah satu metode yang bisa digunakan dalam menggambarkan kondisi di atas adalah dengan menggunakan individual-base model atau yang biasa lebih dikenal sebagai Agent-based Model (ABM). Pada dasarnya ABM adalah bagian dari Multi-Agent system yang biasa digunakan untuk menggambarkan kondisi sistem kompleks, namun ABM lebihdifokuskan untuk melihat fenomena sebagai model skala mikro yang yang mensimulasikan operasi secara simultan dari interaksi antara banyak agen sehingga saling mempengaruhi untuk didapat prediksi atas fenomena yang lebih kompleks. Dalam penerapannya, ABM bisa digunakan pada bidang ilmu sosial hingga ilmu alam disesuaikan dengan kebutuhan data yang diinginkan. Penerapan pada berbagai multidisiplin ilmu, bisa dibagi menjadi pada empat level berikut:

• Complex Network Modeling Level: mengembangkan model menggunakan data insteraksi dari berbagai komponen system
• Exploratory Agent-Based Modeling Leval: mengembangkan model lanjutan yang melihat kelayakan riset lanjutan.
• Descriptive Agent-Based Modeling: mengembangkan agen dan interaksinya sebagai model jaringan yang kompleks.
• Validated Agent-Based Modeling using Virtual Overlay Multiagent System: pengembangan model yang melibatkan proses verifikasi dan validasi.

Ada beberapa hal penting yang perlu dipenuhi untuk melakukan simulasi pada model ABM yang meliputi :

• Agen : sebagai individu yang akan mendapat perlakukan selama simulasi
• Konsep kebebasan Interaksi : memberi batasan dan kebebasan interaksi yang bisa dilakukan oleh si Agen
• Lingkungan: Agen beroperasi dalam lingkungan yang dapat bervariasi dan bisa berubah seiring waktu, seperti ruang fisik, jaringan sosial, atau ekosistem.
• Aturan perilaku: memberi aturan serta batasan yang bisa berupa algoritma sederhana, logika berbasis aturan, atau bahkan pembelajaran mesin yang lebih kompleks.
• Kesimpulan emergen: digunakan untuk memahami bagaimana perilaku kolektif muncul dari interaksi individu dalam sistem sebagai hasil dari banyak agen berinteraksi bersama yang seringkali sulit diprediksi hanya dengan memahami perilaku agen individu.
• Simulasi: proese yang dijalankan dalam memeriksa bagaimana sistem berevolusi seiring waktu.

Pemanfaatan simulasi model ABM juga diterapkan dalam memahami pola sebaran pandemi Covid-19 sebagai Modelling the impact of Omicron and emerging variants on SARS-CoV-2 transmission and public health burden. Simulasi untuk ABM bisa dikerjakan pada bahasa pemrograman umum seperti Python, C++, atau yang bisa juga dikerjakan di aplikasi yang sudah dibuat sebagai perangkat lunak. Beberapa demo software bisa diakses beserta contohnya secara lengkap di alamat :

http://www2.econ.iastate.edu/tesfatsi/acedemos.htm

Contoh aplikasi:

http://www2.econ.iastate.edu/tesfatsi/demos/schelling/schellhp.htm

• “Game” Tab (Starting Configuration of the Board)
• “Options” Tab (Relocation Rules)
• “Happiness Rules” Tab: didefinisikan sebagai kategori yang perlu dicapai.
• “View” Menu Options (Color Shadings)

contoh simulasi : presets 40 merah, 10 biru, 10 hijau; make Red(change the color); options : Agents move to nearest suitable vacant;

happiness rules

initial condition

simulation results

output data

contoh 2 : StarLogo

contoh tampilan awal untuk kasus Epidemic skema 2

loaded terrain

Contoh 3 : NetLogo

tampilan untuk program Reactor X-section

saat running program

kelebihan paket program NetLogo dilengkapi juga script dan interface sehingga cocok untuk dijadikan sebagai media pembelajaran.

Contoh4: BehaviourSearch

tampilan set-up awal untuk kasus fireburn

Beberapa tulisan ilmiah yang masih berhubungan dengan pemanfaatan ABM.

• Simulating households’ energy transition in Amsterdam: An agent-based modeling approach [link]
• A framework for the comparison of errors in agent-based models using machine learning [link]
• Validation of agent-based models of surface receptor oligomerisation [link]
• Large-scale agent-based simulation model of pedestrian traffic flows [link]
• Agent-based modelling with geographically weighted calibration for intra-urban activities simulation using taxi GPS trajectories [link]
• Structural model choices regularly overshadow parametric uncertainty in agent-based simulations of household flood risk outcomes [link]
• Assessing the impact of contact tracing with an agent-based model for simulating the spread of COVID-19: The Irish experience [link]
• Sequential Bayesian inference for agent-based models with application to the Chinese business cycle [link]
• Agent-based model development of a complex socio-ecological system: Methods for overcoming data and domain limitations [link]
• Investigating the effect of drug release on in-stent restenosis: A hybrid continuum — agent-based modelling approach [link]
• A comprehensive study of agent-based airport terminal operations using surrogate modeling and simulation [link]
• A primer to polarizing agent design: Quantum mechanical understanding of cross effect magic-angle spinning Dynamic Nuclear Polarization [link]
• Emergency evacuation time model of nuclear power plant pedestrians [link]
• Burn-cycle-dependent spatial distribution of nuclear fuel actinides and fission products based on the AGENT code [link]
• Modeling and simulation of the radiolytic deuterium and oxygen generation in heavy water reactors [link]
• Characterization of a polyphenyl ether oil irradiated at high doses in a TRIGA Mark II nuclear reactor [link]
• Modeling the short-term and long-term behaviour of the Oklo natural nuclear reactor phenomenon [link]
• Advancing production of hydrogen using nuclear cycles — integration of high temperature gas-cooled reactors with thermochemical water splitting cycles [link]
• HALEU — TRISO particle fuel based nuclear reactor for celestial body exploration [link]