Tentang Hakikat Pemodelan Matematika

Pisahkan tiga lapisan: asumsi biologis, struktur matematis, dan bukti empiris. Untuk tiap lapisan, tanyakan apa yang dapat gagal dan apakah kegagalan itu terlihat oleh pembaca hasil model.

Pemeriksaan akhir

Tidak ada satu jawaban ya/tidak. Jawaban tuntas harus menghubungkan sedikitnya dua risiko ke argumen atau contoh dalam artikel, lalu memberi penilaian pribadi yang dapat diperdebatkan dan didukung bukti.

Bukti yang diperlukan

1. Bahaya kepercayaan buta dijelaskan sebagai akibat asumsi, data, parameter, validasi, atau domain penerapan—bukan sekadar klaim bahwa model bisa salah.

2. Penilaian tentang daya yakinkan artikel menyertakan alasan dan setidaknya satu keterbatasan atau sanggahan.

Dimensi penilaian

• Kriteria

  Ketepatan membaca

  Jawaban lengkap

  Merangkum tesis dan contoh relevan artikel secara setia serta membedakan ucapan penulis dari tafsiran sendiri.

  Jawaban sebagian

  Menyebut tema umum tetapi tidak menautkannya pada bagian atau contoh tertentu.

• Kriteria

  Analisis risiko

  Jawaban lengkap

  Menjelaskan sekurang-kurangnya dua mekanisme seperti asumsi biologis yang lemah, ketidakpastian parameter/data, ekstrapolasi, atau kesan presisi palsu, beserta akibatnya.

  Jawaban sebagian

  Hanya mengatakan model tidak sempurna tanpa menjelaskan mekanismenya.

• Kriteria

  Evaluasi argumen

  Jawaban lengkap

  Memberi keputusan yang bernuansa tentang daya yakinkan artikel, dengan bukti, batas, dan kemungkinan sanggahan.

  Jawaban sebagian

  Memberi opini tanpa dukungan.

• Kriteria

  Implikasi praktik

  Jawaban lengkap

  Menarik satu pelajaran operasional: nyatakan asumsi, uji terhadap data, laporkan ketidakpastian, dan batasi klaim pada domain yang diuji.

  Jawaban sebagian

  Memberi anjuran umum yang tidak dapat diperiksa.

Garis besar jawaban

1. Model merupakan argumen bersyarat: keluarannya hanya seandal asumsi, data, dan implementasinya.

2. Matematika yang canggih tidak dengan sendirinya mengubah hipotesis biologis menjadi bukti.

3. Karena itu hasil model perlu diuji, ketidakpastian dan batas penerapan perlu dinyatakan, dan keputusan tidak boleh bertumpu pada satu keluaran tanpa analisis alternatif.

Buat matriks perbandingan untuk sekurang-kurangnya tiga artikel: tujuan keputusan, data, asumsi, pihak yang menerima manfaat/risiko, ketidakpastian, dan akibat jika prediksi keliru. Gunakan matriks itu sebagai bukti bagi posisi Anda.

Pemeriksaan akhir

Posisi yang dapat dipertanggungjawabkan biasanya bersyarat: model boleh mendukung, tetapi tidak menggantikan, keputusan; kelayakannya bergantung pada transparansi, validasi, ketidakpastian, keadilan, dan mekanisme pertanggungjawaban.

Bukti yang diperlukan

1. Sedikitnya tiga artikel dibahas dan dirujuk secara dapat dilacak.

2. Jawaban menjawab kedua pertanyaan: boleh/tidaknya penggunaan model dan kriteria untuk kebijakan.

3. Kriteria diterjemahkan menjadi tindakan yang dapat diperiksa, bukan slogan.

Dimensi penilaian

• Kriteria

  Cakupan sumber

  Jawaban lengkap

  Membandingkan sedikitnya tiga artikel secara substantif dan memberi rujukan yang tepat.

  Jawaban sebagian

  Menyebut tiga artikel tetapi hanya satu atau dua yang benar-benar dianalisis.

• Kriteria

  Sintesis lintas kasus

  Jawaban lengkap

  Menunjukkan persamaan dan perbedaan penggunaan model pada bidang yang dibaca, termasuk konsekuensi keputusan.

  Jawaban sebagian

  Merangkum artikel satu per satu tanpa sintesis.

• Kriteria

  Posisi normatif

  Jawaban lengkap

  Mengambil posisi yang jelas dan bernuansa, menimbang manfaat, risiko, alternatif, dan siapa yang menanggung kesalahan.

  Jawaban sebagian

  Memilih ya atau tidak tanpa mempertimbangkan pertukaran kepentingan.

• Kriteria

  Kriteria kebijakan

  Jawaban lengkap

  Mencakup mutu serta keterwakilan data, asumsi transparan, validasi luar sampel, sensitivitas dan ketidakpastian, skenario pembanding, audit/reproduksibilitas, keadilan, komunikasi, pemantauan, serta rencana revisi.

  Jawaban sebagian

  Mendaftar kriteria umum tanpa cara mengujinya.

• Kriteria

  Argumen berbukti

  Jawaban lengkap

  Setiap klaim utama ditopang contoh atau bukti dari artikel dan batas kesimpulannya diakui.

  Jawaban sebagian

  Klaim utama tidak terhubung dengan bacaan.

Garis besar jawaban

1. Model dapat memperjelas konsekuensi skenario dan menyatukan bukti, sehingga layak dipakai sebagai salah satu masukan.

2. Penggunaan itu harus bersyarat karena model menyederhanakan kenyataan dan kesalahan berdampak tidak merata pada masyarakat.

3. Keputusan akhir perlu menggabungkan hasil model, bukti empiris, pertimbangan etis, keahlian domain, konsultasi dengan pihak terdampak, serta prosedur koreksi ketika bukti berubah.

Kelompokkan pertanyaan menurut tujuan, data, asumsi, implementasi, pengujian, ketidakpastian, dampak, dan tata kelola. Untuk setiap jawaban pengembang, tanyakan bukti apa yang dapat memverifikasinya.

Pemeriksaan akhir

Daftar tuntas mencakup apa yang diprediksi, populasi/domain yang berlaku, asal dan keterbatasan data, asumsi, validasi, sensitivitas, ketidakpastian, skenario alternatif, reproduksibilitas, dampak distribusional, serta kondisi penghentian atau pembaruan model.

Bukti yang diperlukan

1. Pertanyaan tidak hanya meminta akurasi tunggal; pertanyaan juga menyelidiki mekanisme kegagalan.

2. Ada pertanyaan tentang konsekuensi bagi pihak yang berbeda dan tentang siapa yang bertanggung jawab memantau hasil.

Dimensi penilaian

• Kriteria

  Tujuan dan ruang lingkup

  Jawaban lengkap

  Menanyakan keputusan apa yang didukung, keluaran apa yang diprediksi, rentang waktu, populasi, dan keadaan tempat model tidak berlaku.

  Jawaban sebagian

  Hanya menanyakan tujuan secara umum.

• Kriteria

  Data dan asumsi

  Jawaban lengkap

  Menanyakan sumber, mutu, keterwakilan, data hilang, asumsi penyederhanaan, dan bukti untuk setiap asumsi penting.

  Jawaban sebagian

  Menanyakan jumlah data tanpa mutu atau keterwakilan.

• Kriteria

  Pengujian

  Jawaban lengkap

  Menanyakan pembandingan dengan data yang tidak dipakai membangun model, tolok ukur, kasus batas, verifikasi kode, dan kajian independen.

  Jawaban sebagian

  Menerima kecocokan pada data pelatihan sebagai satu-satunya bukti.

• Kriteria

  Ketidakpastian dan ketahanan

  Jawaban lengkap

  Menanyakan interval/rentang, sensitivitas terhadap parameter dan asumsi, skenario ekstrem, serta variabel yang paling menentukan keputusan.

  Jawaban sebagian

  Meminta satu prediksi titik saja.

• Kriteria

  Dampak dan tata kelola

  Jawaban lengkap

  Menanyakan siapa yang diuntungkan atau dirugikan, bias yang mungkin terjadi, bagaimana hasil dikomunikasikan, siapa yang dapat mengaudit, dan kapan model direvisi atau dihentikan.

  Jawaban sebagian

  Tidak membahas dampak distribusional atau pertanggungjawaban.

Contoh pertanyaan

1. Keputusan spesifik apa yang dapat dan tidak dapat didukung oleh model ini?

2. Data apa yang dipakai untuk membangun serta menguji model, dan siapa yang kurang terwakili?

3. Asumsi mana yang paling memengaruhi hasil dan bagaimana hasil berubah bila asumsi itu dilonggarkan?

4. Bagaimana kinerja pada data luar sampel dan dibandingkan dengan aturan dasar yang lebih sederhana?

5. Rentang hasil yang masuk akal apa, bukan hanya nilai paling mungkin?

6. Siapa yang meninjau implementasi secara independen dan dapatkah analisis direproduksi?

7. Kelompok mana yang menanggung kerugian jika model salah?

8. Bukti baru apa yang akan memicu pembaruan, penangguhan, atau penolakan model?

Jangan sekadar membuat ringkasan berurutan. Catat tesis, contoh, dan pelajaran metodologis artikel; lalu hubungkan satu pelajaran pilihan Anda dengan langkah konkret dalam siklus pemodelan.

Pemeriksaan akhir

Tidak ada satu kesimpulan pilihan yang wajib. Jawaban tuntas harus setia pada artikel, membedakan ringkasan dari evaluasi, dan menerjemahkan kesimpulan pilihan menjadi praktik pemodelan yang konkret.

Bukti yang diperlukan

1. Pokok artikel disertai contoh atau bagian pendukung.

2. Kesimpulan yang diprioritaskan disebut jelas dan alasan prioritasnya terkait dengan pembangunan atau pengujian model.

Dimensi penilaian

• Kriteria

  Kesetiaan ringkasan

  Jawaban lengkap

  Menyajikan tesis, alur, dan pokok utama artikel secara proporsional tanpa mengganti pandangan penulis dengan opini sendiri.

  Jawaban sebagian

  Mengambil satu kutipan atau tema dan menganggapnya mewakili seluruh artikel.

• Kriteria

  Pemakaian bukti

  Jawaban lengkap

  Menghubungkan tiap pokok utama dengan contoh, argumen, atau bagian yang dapat ditelusuri dalam artikel.

  Jawaban sebagian

  Membuat daftar klaim tanpa bukti tekstual.

• Kriteria

  Pemahaman kompleksitas

  Jawaban lengkap

  Menjelaskan bagaimana interaksi, skala, pola kolektif, atau pemilihan tingkat deskripsi memengaruhi apa yang harus dimasukkan ke model.

  Jawaban sebagian

  Menggunakan kata kompleks hanya sebagai sinonim untuk sulit.

• Kriteria

  Kesimpulan prioritas

  Jawaban lengkap

  Memilih kesimpulan yang benar-benar berasal dari artikel dan membela pilihannya dengan pertukaran kepentingan yang jelas.

  Jawaban sebagian

  Memilih tanpa alasan atau memberi nasihat yang tidak berasal dari artikel.

• Kriteria

  Penerapan

  Jawaban lengkap

  Mengubah pelajaran menjadi tindakan, misalnya memilih skala/variabel yang relevan, menguji pola lintas skala, membandingkan model sederhana, atau memeriksa batas domain.

  Jawaban sebagian

  Penerapan tetap abstrak dan tidak dapat diperiksa.

Garis besar jawaban

1. Ringkasan yang baik mengidentifikasi hubungan antara aturan/interaksi pada satu tingkat dan perilaku kolektif pada tingkat lain.

2. Pelajaran metodologis perlu dikaitkan dengan pemilihan variabel, skala, dan derajat kompleksitas model.

3. Kesimpulan pilihan harus dinilai dari kemampuannya mencegah kesalahan nyata dalam pembangunan, penafsiran, atau ekstrapolasi model.

Pusatkan data dengan $\bar X$ dan $\bar Y$. Untuk setiap a, minimalkan lebih dahulu terhadap b; lalu masalah yang tersisa hanyalah meminimumkan polinom kuadrat satu variabel. Jangan lupa kasus semua X_i sama.

Pemeriksaan akhir

Jika $S_{xx}=\sum_i(X_i-\bar X)^2>0$, maka $a=S_{xy}/S_{xx}$ dan $b=\bar Y-a\bar X$, dengan $S_{xy}=\sum_i(X_i-\bar X)(Y_i-\bar Y)$. Jika $S_{xx}=0$, semua pasangan yang memenuhi $a\bar X+b=\bar Y$ merupakan peminimum.

Cek cepat

Pasangan harus memenuhi kedua persamaan normal: $a\sum X_i^2+b\sum X_i=\sum X_iY_i$ dan $a\sum X_i+nb=\sum Y_i$.

Asumsi

n≥1

Langkah penyelesaian

• Penjelasan

  Untuk garis $f(x)=ax+b$, tulis rata-rata $\bar X=n^{-1}\sum_iX_i$ dan $\bar Y=n^{-1}\sum_iY_i$.

  Rumus

  $\delta(a,b)=\sum_{i=1}^{n}(aX_i+b-Y_i)^2$

• Penjelasan

  Pisahkan bagian terpusat dan bagian rata-rata. Suku silang hilang karena jumlah deviasi dari rata-rata sama dengan nol.

  Rumus

  $\delta(a,b)=\sum_i\left[a(X_i-\bar X)-(Y_i-\bar Y)\right]^2+n(a\bar X+b-\bar Y)^2$

• Penjelasan

  Untuk a tetap, suku kedua minimum dan bernilai nol pada pilihan berikut.

  Rumus

  $b=\bar Y-a\bar X$

• Penjelasan

  Dengan $S_{xx}=\sum_i(X_i-\bar X)^2$, $S_{xy}=\sum_i(X_i-\bar X)(Y_i-\bar Y)$, dan $S_{yy}=\sum_i(Y_i-\bar Y)^2$, fungsi yang tersisa adalah polinom kuadrat.

  Rumus

  $\delta(a,\bar Y-a\bar X)=S_{xx}a^2-2S_{xy}a+S_{yy}$

• Penjelasan

  Jika $S_{xx}>0$, lengkapi kuadrat. Koefisien kuadrat positif, sehingga titik stasioner adalah minimum global yang unik.

  Rumus

  $\delta=S_{xx}\left(a-\frac{S_{xy}}{S_{xx}}\right)^2+S_{yy}-\frac{S_{xy}^2}{S_{xx}}$

• Penjelasan

  Jadi peminimum unik ketika nilai X tidak semuanya sama adalah:

  Rumus

  $\hat a=\frac{S_{xy}}{S_{xx}},\qquad \hat b=\bar Y-\hat a\bar X$

• Penjelasan

  Jika $S_{xx}=0$, semua $X_i=\bar X$, sehingga kemiringan tidak dapat diidentifikasi. Nilai minimum tetap tercapai oleh setiap pasangan pada garis parameter berikut.

  Rumus

  $a\bar X+b=\bar Y$

Simpulan

Dengan demikian, untuk setiap himpunan data takkosong selalu ada sedikitnya satu pasangan peminimum. Keunikannya memerlukan sedikitnya dua nilai X yang berbeda.

Hitung $\bar x$, $\bar y$, $S_{xx}$, dan $S_{xy}$, lalu gunakan hasil Masalah 5. Setelah menggambar, periksa residual, bukan hanya apakah garis tampak dekat.

Pemeriksaan akhir

Garis kuadrat terkecil adalah $\hat y=(551/175)x+67/350\approx3.148571x+0.191429$. SSE $=1463/12250\approx0.119429$ dan $R^2\approx0.999656$. Pada skala data, kecocokan sangat rapat; penilaian akhir tetap harus mempertimbangkan ketelitian pengukuran dan tujuan model.

Toleransi

Toleransi mutlak kemiringan

1e-06

Toleransi mutlak intersep

1e-06

Toleransi mutlak SSE

1e-06

Langkah penyelesaian

• Penjelasan

  Rata-rata koordinat adalah:

  Rumus

  $\bar x=4.5,\qquad \bar y=14.36$

• Penjelasan

  Jumlah kuadrat dan hasil kali terpusat adalah:

  Rumus

  $S_{xx}=\sum_i(x_i-\bar x)^2=35,\qquad S_{xy}=\sum_i(x_i-\bar x)(y_i-\bar y)=110.2$

• Penjelasan

  Masukkan ke rumus kuadrat terkecil.

  Rumus

  $\hat a=\frac{110.2}{35}=\frac{551}{175},\qquad \hat b=14.36-4.5\hat a=\frac{67}{350}$

• Penjelasan

  Maka garis yang digambar bersama lima titik adalah:

  Rumus

  $\hat y=\frac{551}{175}x+\frac{67}{350}$

• Penjelasan

  Residual $\hat y_i-y_i$, dalam urutan data, semuanya kecil.

  Rumus

  $\left(0.04,\ \frac{11}{175},\ -\frac{3}{14},\ \frac{81}{350},\ -0.12\right)$

• Penjelasan

  Ukuran kecocokan numeriknya adalah:

  Rumus

  $\mathrm{SSE}=\sum_i(\hat y_i-y_i)^2=\frac{1463}{12250}\approx0.119429,\qquad R^2\approx0.999656$

Pemeriksaan grafik

Grafik yang benar menampilkan kelima titik dan satu garis lurus; setiap titik berada sangat dekat dengan garis, tanpa pola lengkung yang jelas pada residual.

Simpulan

Kecocokan memadai untuk menggambarkan tren linear pada data ini karena simpangannya kecil relatif terhadap rentang y. Namun, lima titik saja tidak membuktikan bahwa hubungan di luar rentang 1≤x≤8 juga linear, dan tanpa informasi galat pengukuran tidak ada ambang kememadaian yang mutlak.

Gunakan seed tetap, simpan data asli, dan cocokkan tiap fungsi dengan keluarga yang tepat. Bandingkan data–kurva serta plot residual. Untuk fungsi eksponensial, noise relatif sering lebih masuk akal daripada noise aditif yang sama pada semua skala.

Pemeriksaan akhir

Tanpa noise, parameter yang harus dipulihkan ialah (a,b)=(3,5), a=7, (a,b)=(3,7), dan a=7 untuk empat fungsi secara berurutan. Dengan noise kecil, taksiran harus dekat dengan nilai tersebut, kurva harus mengikuti data dalam domain sampel, dan residual tidak boleh menunjukkan pola sistematis yang besar.

Bukti yang diperlukan

1. Notebook pada path tercatat dapat dijalankan ulang dengan seed tetap.

2. Empat data sintetis, empat kurva hasil cocok, dan empat pemeriksaan residual tersedia.

3. Kesimpulan membedakan kecocokan numerik dari penjelasan kausal serta tidak mengekstrapolasi di luar domain sampel tanpa peringatan.

Langkah penyelesaian

• Penjelasan

  Bangun data deterministik dengan generator acak ber-seed. Gunakan noise aditif kecil untuk kasus linear dan noise relatif kecil untuk kasus eksponensial.

  Rumus

  $y_i=f(x_i)+\varepsilon_i\quad\text{atau}\quad y_i=f(x_i)(1+\varepsilon_i)$

• Penjelasan

  Definisikan empat keluarga model terbuka yang akan diteruskan kepada pengoptimal SciPy.

  Rumus

  $g_1(x;a,b)=ax+b,\quad g_2(x;a)=ax,\quad g_3(x;a,b)=\exp(ax+b),\quad g_4(x;a)=\exp(ax)$

• Penjelasan

  Untuk tiap data, minimalkan jumlah kuadrat residual dengan keluarga yang cocok dan titik awal yang wajar.

  Rumus

  $\operatorname*{arg\,min}_{\theta}\sum_i\left[g(x_i;\theta)-y_i\right]^2$

• Penjelasan

  Bandingkan taksiran dengan parameter pembangkit. Dalam batas noise kecil, hasil yang diharapkan mendekati nilai berikut.

  Rumus

  $(\hat a,\hat b)\approx(3,5),\quad \hat a\approx7,\quad (\hat a,\hat b)\approx(3,7),\quad \hat a\approx7$

• Penjelasan

  Gambarkan data, kurva, dan residual $r_i=y_i-g(x_i;\hat\theta)$. Kecocokan memadai bila simpangan sebanding dengan noise yang ditambahkan, residual tidak berpola kuat, dan parameter stabil terhadap pengulangan atau perubahan kecil yang masuk akal.

  Rumus

  $r_i=y_i-g(x_i;\hat\theta)$

Simpulan

Keluarga fungsi yang benar biasanya memulihkan parameter dan mengikuti data sintetis yang memang dibangkitkan dari keluarga itu. Namun, kecocokan dekat pada sampel terbatas tidak membuktikan mekanisme penyebab, keunikan bentuk model, atau ketepatan ekstrapolasi. Domain x, bentuk noise, jumlah data, titik awal, dan pilihan keluarga model semuanya memengaruhi penilaian.

Pemeriksaan notebook

Jalankan seluruh sel dari kernel bersih; hasil, parameter, dan gambar harus terbangun ulang tanpa layanan eksternal atau perangkat lunak proprieter.