Pendahuluan

Masyarakat bukan gas, manusia bukan molekul, dan opini bukan spin magnetik. Kalimat ini penting untuk diucapkan sejak awal, karena buku ini tidak bermaksud mereduksi kehidupan sosial menjadi mekanika partikel. Namun ada satu kesamaan struktural yang sangat kuat antara banyak sistem fisis dan banyak sistem sosial: keduanya dapat memperlihatkan pola kolektif yang tidak mudah ditebak hanya dari perilaku satu komponennya.

Dalam fisika statistik, kita mempelajari bagaimana sifat makroskopik—misalnya tekanan, temperatur, magnetisasi, atau konduktivitas—muncul dari sangat banyak derajat kebebasan mikroskopik. Satu molekul gas tidak memiliki tekanan dalam arti termodinamik; tekanan muncul ketika sangat banyak molekul bertumbukan dengan dinding wadah. Satu spin dalam magnet tidak memiliki “fase feromagnetik”; fase itu muncul dari korelasi banyak spin. Dengan cara serupa, satu individu tidak menciptakan polarisasi masyarakat, norma kolektif, tren pasar, kepanikan massa, atau penyebaran rumor sendirian. Fenomena-fenomena itu muncul dari interaksi banyak agen sosial.

Inilah pintu masuk buku ini. Fisika statistik untuk dinamika sosial adalah penggunaan konsep, metode, dan intuisi dari fisika statistik untuk membangun model kuantitatif tentang perubahan kolektif dalam sistem sosial. Bidang ini sering disebut sociophysics atau statistical physics of social dynamics, dan telah berkembang melalui model opini, konsensus, penyebaran informasi, jaringan sosial, permainan evolusioner, serta sistem tak setimbang (Weidlich, 2000; Castellano, Fortunato, & Loreto, 2009; Galam, 2012).

Buku ini ditulis untuk pembaca pascasarjana yang ingin memahami bukan hanya “model apa yang dipakai”, melainkan juga mengapa model itu masuk akal, apa asumsi matematisnya, bagaimana menganalisisnya, bagaimana menyimulasikannya, dan kapan ia gagal.

Dari banyak individu menuju pola kolektif

Mari mulai dari contoh sederhana.

Bayangkan sebuah populasi yang setiap individunya harus memilih salah satu dari dua pilihan: mendukung atau menolak suatu kebijakan. Kita dapat menyandikan pilihan individu ke-\(i\) dengan peubah

\[ s_i = \begin{cases} +1, & \text{mendukung},\\ -1, & \text{menolak}. \end{cases} \]

Peubah \(s_i\) ini disebut variabel keadaan agen. Kata agen berarti unit yang kita modelkan sebagai pembawa keadaan dan pembuat respons. Agen dapat berupa orang, rumah tangga, akun media sosial, organisasi, atau bahkan wilayah administratif, bergantung pada pertanyaan penelitian. Dalam contoh ini, keadaan agen hanya dua nilai. Dalam model lain, keadaan agen dapat berupa opini kontinu, strategi permainan, status epidemi sosial, tingkat kepercayaan, atau posisi dalam ruang ideologis.

Jika populasi memiliki \(N\) agen, maka keadaan mikroskopik sistem dapat ditulis sebagai

\[ (s_1, s_2, \ldots, s_N). \]

Untuk \(N\) besar, daftar lengkap ini terlalu rinci untuk langsung memberi pemahaman. Karena itu kita membangun observabel kolektif, yaitu kuantitas yang merangkum pola makro dari banyak keadaan mikro. Salah satu observabel paling sederhana adalah rata-rata opini,

\[ m = \frac{1}{N}\sum_{i=1}^{N} s_i. \]

Dalam analogi dengan model Ising, \(m\) disebut magnetisasi. Dalam konteks sosial, \(m\) dapat dibaca sebagai ukuran dukungan bersih. Jika \(m \approx 1\), hampir semua agen mendukung. Jika \(m \approx -1\), hampir semua menolak. Jika \(m \approx 0\), dukungan dan penolakan hampir seimbang.

Perhatikan langkah konseptualnya. Kita tidak sedang mengatakan bahwa opini manusia benar-benar sama dengan spin elektron. Kita hanya menggunakan struktur matematis yang serupa: banyak unit diskret, setiap unit memiliki keadaan, dan keadaan kolektif diringkas oleh observabel. Fisika statistik membantu kita bertanya: apakah interaksi lokal dapat menghasilkan konsensus global? Apakah sedikit bias eksternal dapat mengubah keadaan mayoritas? Apakah ada titik kritis ketika perubahan kecil pada parameter menyebabkan perubahan besar pada hasil kolektif?

Pertanyaan semacam ini memiliki sejarah panjang dalam ilmu sosial matematis. Model segregasi Schelling, misalnya, menunjukkan bahwa preferensi lokal yang tidak ekstrem dapat menghasilkan pola segregasi makro yang kuat (Schelling, 1971). Model ambang Granovetter menunjukkan bagaimana tindakan kolektif dapat muncul ketika individu memiliki ambang berbeda untuk ikut serta setelah melihat orang lain bertindak (Granovetter, 1978). Fisika statistik memberi bahasa tambahan untuk menganalisis fenomena seperti ini: kestabilan, fluktuasi, transisi, korelasi, distribusi, dan dinamika tak setimbang.

Apa yang dimaksud dengan “model”?

Sebuah model adalah representasi sengaja-disederhanakan dari suatu sistem. Model tidak bertujuan menyalin seluruh kenyataan. Model memilih sebagian variabel, menetapkan aturan perubahan, dan mengabaikan banyak detail lain agar pertanyaan tertentu dapat dijawab.

Misalnya, untuk memodelkan penyebaran rumor, kita dapat membagi agen menjadi tiga keadaan:

• belum mendengar rumor,
• sedang menyebarkan rumor,
• sudah berhenti menyebarkan rumor.

Model seperti ini jelas tidak memuat seluruh psikologi manusia. Ia tidak tahu nada suara, emosi, sejarah hubungan, atau isi semantik rumor secara penuh. Namun model dapat menjawab pertanyaan kuantitatif: seberapa cepat rumor menyebar? Berapa fraksi populasi yang akhirnya terpapar? Bagaimana struktur jaringan memengaruhi jangkauan rumor?

Model yang baik bukan model yang paling rumit. Model yang baik adalah model yang sesuai dengan pertanyaan, jelas asumsi-asumsinya, dapat dianalisis atau disimulasikan, dan dapat dibandingkan dengan data atau observasi. Dalam buku ini, kita akan sering menggunakan model minimal. Model minimal adalah model yang memuat mekanisme inti secukupnya untuk menghasilkan fenomena yang ingin dipahami.

Contohnya, model voter hanya memiliki aturan imitasi sederhana: seorang agen menyalin keadaan salah satu tetangganya. Meskipun sangat sederhana, model ini dapat menghasilkan konsensus, koarsening domain, dan waktu menuju kesepakatan yang bergantung pada dimensi ruang atau struktur jaringan. Nilai model seperti ini bukan karena ia realistis dalam semua detail, melainkan karena ia menunjukkan konsekuensi matematis dari mekanisme imitasi murni.

Mengapa probabilitas diperlukan?

Sistem sosial mengandung ketidakpastian pada banyak tingkat. Kita biasanya tidak mengetahui seluruh preferensi individu, seluruh interaksi yang terjadi, seluruh informasi yang diterima setiap agen, atau seluruh faktor lingkungan yang memengaruhi keputusan. Bahkan jika sebagian informasi tersedia, perilaku manusia tetap bervariasi karena heterogenitas pengalaman, persepsi, dan konteks.

Karena itu, buku ini memakai probabilitas sebagai bahasa dasar. Probabilitas bukan hanya alat untuk “mengatasi data yang kurang”. Dalam fisika statistik, probabilitas adalah cara sistematis untuk menghubungkan deskripsi mikroskopik yang sangat banyak dengan prediksi makroskopik yang dapat diukur. Pendekatan ini juga berguna dalam sistem sosial, selama kita berhati-hati menafsirkan maknanya.

Sebagai contoh, anggap seorang agen memilih \(+1\) dengan probabilitas

\[ P(s_i = +1) = p \]

dan memilih \(-1\) dengan probabilitas

\[ P(s_i = -1) = 1-p. \]

Jika \(p=0{,}5\), tidak ada kecenderungan rata-rata. Jika \(p=0{,}8\), ada bias kuat menuju \(+1\). Namun dalam sistem sosial yang berinteraksi, probabilitas pilihan seorang agen sering bergantung pada keadaan agen lain. Kita mungkin menulis secara konseptual:

\[ P(s_i = +1) = f(\text{opini tetangga}, \text{medan eksternal}, \text{preferensi pribadi}, \text{derau}). \]

Di sini derau berarti komponen tak teramati atau fluktuatif yang membuat respons agen tidak sepenuhnya deterministik. Dalam konteks sosial, derau dapat merepresentasikan informasi yang tidak kita ukur, variasi psikologis, perubahan suasana, kesalahan persepsi, atau pengaruh lingkungan yang tidak masuk eksplisit ke dalam model.

Dalam Bab 2, kita akan membangun dasar probabilitas, entropi Shannon, entropi Gibbs, dan prinsip maksimum entropi. Prinsip maksimum entropi, yang dirumuskan secara berpengaruh oleh Jaynes dalam hubungan antara teori informasi dan fisika statistik, memberikan cara memilih distribusi probabilitas yang paling tidak menambahkan asumsi di luar kendala yang diketahui (Jaynes, 1957a, 1957b). Ini akan menjadi salah satu jembatan utama antara data terbatas dan model kuantitatif.

Interaksi adalah pusat cerita

Jika semua agen bertindak secara independen, banyak fenomena sosial kolektif menjadi jauh lebih sederhana. Yang membuat sistem sosial kompleks adalah interaksi: orang saling memengaruhi, meniru, menolak, berkoordinasi, berkompetisi, belajar, dan beradaptasi.

Dalam model berbasis fisika statistik, interaksi sering direpresentasikan sebagai hubungan antara keadaan agen. Misalnya, dua agen \(i\) dan \(j\) dapat memiliki kecenderungan untuk menyamakan opini. Secara matematis, kecenderungan ini dapat ditulis dengan suku seperti

\[ - J_{ij} s_i s_j. \]

Jika \(J_{ij} > 0\), keadaan \(s_i = s_j\) membuat suku ini lebih rendah daripada keadaan \(s_i \neq s_j\). Dalam model fisis Ising, suku seperti ini berhubungan dengan energi interaksi spin. Dalam model sosial, kita harus lebih hati-hati: “energi” tidak selalu berarti energi fisis dalam joule. Ia sering menjadi Hamiltonian efektif, yaitu fungsi matematis yang merangkum biaya ketidaksesuaian, ketegangan koordinasi, atau preferensi kolektif dalam model.

Contohnya, jika dua teman dekat cenderung memiliki pilihan politik yang sama karena diskusi berulang, tekanan normatif, atau konsumsi informasi serupa, maka \(J_{ij}\) dapat merepresentasikan kekuatan kecenderungan penyelarasan itu. Jika dua kelompok justru cenderung mengambil posisi berlawanan, model dapat memakai kopling efektif yang berbeda tanda atau aturan dinamik nonlinear.

Interaksi juga tidak selalu terjadi di ruang geometris seperti kisi dua dimensi. Dalam masyarakat, interaksi berlangsung di jaringan: siapa mengenal siapa, siapa mengikuti siapa, siapa berkomunikasi dengan siapa, dan siapa dipercaya oleh siapa. Teori jaringan modern memberi perangkat untuk mengukur derajat, sentralitas, modularitas, clustering, dan jarak lintasan; semua ini penting karena struktur jaringan dapat mengubah hasil kolektif secara drastis (Newman, 2010).

Transisi fase sebagai metafora matematis yang terkontrol

Salah satu gagasan paling kuat dalam fisika statistik adalah transisi fase. Dalam fisika, transisi fase adalah perubahan kualitatif keadaan makroskopik ketika parameter kontrol diubah. Air membeku ketika temperatur turun melewati titik beku pada tekanan tertentu. Magnet kehilangan magnetisasi spontan ketika temperatur melewati temperatur Curie.

Dalam sistem sosial, kita tidak boleh menyatakan bahwa perubahan sosial “sama” dengan pembekuan air. Namun gagasan transisi fase dapat digunakan sebagai kerangka matematis. Banyak model sosial memperlihatkan perubahan tajam ketika parameter tertentu melewati nilai kritis. Parameter itu dapat berupa kekuatan pengaruh sosial, tingkat derau, ambang adopsi, kepadatan jaringan, intensitas bias eksternal, atau tingkat kepercayaan antarkelompok.

Contoh sederhana: dalam model adopsi teknologi, setiap agen mungkin mengadopsi teknologi baru jika cukup banyak tetangganya sudah mengadopsi. Jika konektivitas jaringan rendah, adopsi mungkin berhenti pada kelompok kecil. Tetapi jika konektivitas dan pengaruh sosial cukup kuat, adopsi dapat menyebar luas sebagai kaskade. Model ambang seperti ini memiliki hubungan konseptual dengan teori tindakan kolektif dan difusi sosial, termasuk tradisi model ambang Granovetter (Granovetter, 1978).

Istilah penting di sini adalah parameter orde. Parameter orde adalah observabel makroskopik yang membedakan satu rezim kolektif dari rezim lain. Dalam model opini biner, rata-rata opini \(m\) dapat menjadi parameter orde. Dalam model penyebaran, fraksi agen aktif atau terinfeksi dapat menjadi parameter orde. Dalam model polarisasi, jarak antarklaster opini dapat menjadi parameter orde.

Buku ini akan menekankan bahwa istilah “kritis”, “fase”, dan “universalitas” harus dipakai secara disiplin. Tidak setiap perubahan mendadak dalam data sosial adalah transisi fase. Tidak setiap distribusi berekor tebal berarti ada hukum pangkat sejati. Tidak setiap pola makro dapat dijelaskan oleh mekanisme mikro yang sederhana. Kita akan belajar membedakan intuisi yang berguna dari klaim yang terlalu jauh.

Kesetimbangan dan tak kesetimbangan

Fisika statistik klasik sering memperkenalkan sistem melalui kesetimbangan, yaitu keadaan ketika besaran makroskopik stabil dan tidak ada arus bersih yang mengubah distribusi probabilitas. Dalam banyak sistem fisis, kesetimbangan termodinamik adalah idealisasi yang sangat produktif.

Sistem sosial, sebaliknya, sering berada jauh dari kesetimbangan. Individu belajar, institusi berubah, informasi baru masuk, aturan permainan bergeser, jaringan terbentuk dan putus, serta preferensi dapat beradaptasi. Karena itu, buku ini tidak akan memperlakukan kesetimbangan sebagai asumsi universal. Kita akan memakainya ketika berguna, lalu bergerak menuju proses Markov, persamaan master, dinamika Langevin, persamaan Fokker–Planck, arus probabilitas, dan produksi entropi untuk memahami sistem tak setimbang.

Sebagai contoh, dalam model opini dengan detailed balance, peluang transisi dari keadaan A ke B dan dari B ke A tersusun sedemikian rupa sehingga pada keadaan stasioner tidak ada arus probabilitas melingkar. Namun dalam dinamika sosial nyata, siklus dapat terjadi: isu media memicu opini, opini memengaruhi perilaku, perilaku mengubah liputan media, lalu liputan baru mengubah opini lagi. Siklus seperti ini lebih alami dipahami sebagai dinamika tak setimbang daripada sebagai pencarian kesetimbangan tunggal.

Data, validasi, dan tanggung jawab

Model matematis yang indah belum tentu benar secara empiris. Dalam ilmu sosial kuantitatif, model harus dihubungkan dengan data secara hati-hati. Data sosial dapat berasal dari survei, eksperimen laboratorium, eksperimen lapangan, catatan administratif, media sosial, data mobilitas, atau interaksi daring. Masing-masing membawa bias sampling, kesalahan pengukuran, missing data, dan pertanyaan etika.

Misalnya, jumlah unggahan di media sosial tentang suatu isu bukan ukuran langsung dari opini seluruh masyarakat. Ia dipengaruhi oleh siapa yang memakai platform, siapa yang aktif berbicara, algoritma penyajian konten, bot, norma ekspresi, dan konteks politik. Karena itu, konstruksi observabel sosial harus dilakukan secara eksplisit: apa yang diukur, siapa yang tidak terukur, pada skala waktu apa data diagregasi, dan mekanisme apa yang mungkin menghubungkan observabel itu dengan variabel model.

Buku ini akan sampai pada kalibrasi model, estimasi parameter, validasi empiris, seleksi model, cross-validation, dan kuantifikasi ketidakpastian. Tujuannya bukan membuat prediksi sosial yang seolah-olah pasti, melainkan membangun analisis yang transparan: asumsi jelas, parameter dapat diperiksa, ketidakpastian dinyatakan, dan batas prediktabilitas diakui.

Tanggung jawab ini penting karena model sosial dapat memengaruhi keputusan publik. Model penyebaran informasi dapat dipakai untuk kesehatan masyarakat, tetapi juga dapat disalahgunakan untuk manipulasi perhatian. Model pengaruh jaringan dapat membantu memahami difusi inovasi, tetapi juga dapat menjadi alat intervensi yang mengabaikan otonomi individu. Karena itu, pembahasan intervensi dan kontrol dalam buku ini akan selalu disertai pertanyaan kausalitas, etika, dan dampak tak diinginkan.

Cara buku ini bergerak

Buku ini bergerak dari fondasi menuju sintesis.

Bab-bab awal membangun bahasa dasar: probabilitas, entropi, ensembel, keadaan makro, Hamiltonian efektif, fungsi partisi, dan model Ising. Tujuannya adalah memberi perangkat konseptual agar pembaca dapat membaca model sosial berbasis fisika statistik tanpa memperlakukannya sebagai kumpulan resep.

Setelah itu, buku masuk ke metode analitik dan komputasional: pendekatan medan rata-rata, transisi fase, proses Markov, master equation, Monte Carlo, dinamika Glauber, Langevin, Fokker–Planck, dan derau sosial. Di sini pembaca belajar menurunkan persamaan, menguji kestabilan solusi, mengenali bifurkasi, dan merancang simulasi yang dapat direplikasi.

Bagian berikutnya membahas keluarga model sosial: model voter, Sznajd, majority rule, opini kontinu, bounded confidence, jaringan kompleks, penyebaran informasi, rumor, epidemi sosial, permainan evolusioner, dan kooperasi. Setiap model akan diperlakukan sebagai laboratorium konseptual: apa variabelnya, apa aturan mikronya, apa observabel makronya, apa prediksinya, dan bagaimana batas validitasnya.

Bagian akhir bergerak ke arah sistem tak setimbang, heterogenitas agen, memori, adaptasi, kalibrasi empiris, data sosial digital, renormalisasi, universalitas, intervensi, kontrol, dan proyek sintesis. Pada akhirnya, pembaca diharapkan mampu merancang studi sendiri: mulai dari pertanyaan sosial, memilih variabel keadaan, membangun model, menganalisis batas sederhana, menjalankan simulasi, membandingkan dengan data, dan menyajikan hasil dengan jujur.

Sikap ilmiah yang dibutuhkan

Ada tiga sikap yang akan terus kita pakai.

Pertama, menghargai abstraksi. Model yang menyederhanakan tidak otomatis keliru. Tanpa abstraksi, kita tidak dapat melihat struktur umum. Tetapi abstraksi harus sadar tujuan. Kita harus selalu dapat menjawab: apa yang diabaikan, dan mengapa pengabaian itu dapat diterima untuk pertanyaan ini?

Kedua, membedakan analogi dari identitas. Ketika kita memakai spin untuk opini, Hamiltonian untuk biaya sosial, temperatur untuk derau, atau medan eksternal untuk pengaruh media, kita sedang membangun analogi matematis. Analogi dapat sangat produktif, tetapi tidak boleh disamakan dengan bukti ontologis bahwa masyarakat bekerja persis seperti magnet.

Ketiga, mengutamakan pemeriksaan empiris dan ketidakpastian. Prediksi model harus diperlakukan sebagai konsekuensi dari asumsi, bukan sebagai ramalan mutlak. Jika data tidak cocok, kemungkinan penyebabnya banyak: parameter salah, mekanisme kurang, observabel buruk, asumsi jaringan keliru, atau model memang tidak sesuai. Kegagalan model bukan akhir penelitian; sering kali justru di situlah kita belajar mekanisme baru.

Fisika statistik memberi kita bahasa untuk memahami bagaimana keteraturan dapat muncul dari keragaman, bagaimana fluktuasi mikro dapat menjadi perubahan makro, dan bagaimana interaksi lokal dapat membentuk pola global. Dinamika sosial memberi medan penerapan yang kaya, sulit, dan penuh tanggung jawab. Buku ini berada di antara keduanya: cukup matematis untuk tajam, cukup empiris untuk berhati-hati, dan cukup reflektif untuk tidak melupakan bahwa di balik setiap “agen” dalam banyak model sosial sering ada manusia, institusi, dan kehidupan nyata.

References

Castellano, C., Fortunato, S., & Loreto, V. (2009). Statistical physics of social dynamics. Reviews of Modern Physics, 81(2), 591–646.

Galam, S. (2012). Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena. Springer.

Granovetter, M. (1978). Threshold models of collective behavior. American Journal of Sociology, 83(6), 1420–1443.

Jaynes, E. T. (1957a). Information theory and statistical mechanics. Physical Review, 106(4), 620–630.

Jaynes, E. T. (1957b). Information theory and statistical mechanics. II. Physical Review, 108(2), 171–190.

Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.

Schelling, T. C. (1971). Dynamic models of segregation. Journal of Mathematical Sociology, 1(2), 143–186.

Weidlich, W. (2000). Sociodynamics: A Systematic Approach to Mathematical Modelling in the Social Sciences. Harwood Academic Publishers.