Matematika Aneh yang Mampu Memprediksi (Hampir) Segalanya

Bagaimana hubungan perseteruan matematikawan Rusia lebih dari satu abad lalu dengan teknologi yang menggerakkan prediksi modern — dari simulasi bom atom hingga algoritme pencarian web dan teks prediktif? Video Veritasium membawa kita menelusuri garis sejarah dan gagasan matematis yang tampak “aneh” namun sangat kuat: konsep rantai Markov, metode Monte Carlo, dan sifat memoryless yang menyederhanakan sistem kompleks sehingga dapat diprediksi secara statistik.

---

Dari debat filsafat ke gagasan matematis: Nekrasov vs Markov

Pada awal abad ke-20, debat intelektual di Rusia—antara Pavel Nekrasov (pendukung gagasan bahwa munculnya hukum bilangan besar menandakan kebebasan keputusan individu) dan Andrey Markov (yang menolak asosiasi itu)—menjadi titik awal penemuan penting.

Nekrasov berargumen: jika statistik sosial konvergen (mis. angka menikah tiap tahun stabil), maka keputusan individu harus independen — bukti bagi “kehendak bebas”. Markov membantah: ia menunjukkan bahwa ketergantungan antara kejadian (dependent events) tetap dapat menghasilkan konvergensi statistik. Untuk membuktikannya, Markov menganalisis teks Pushkin dan membangun model prediktif sederhana—yang kemudian dikenal sebagai rantai Markov.

---

Apa itu rantai Markov? (Markov chain)

Rantai Markov adalah model stokastik di mana probabilitas terjadinya suatu langkah bergantung hanya pada keadaan saat ini — bukan keseluruhan riwayat sebelumnya. Sifat inilah yang disebut memoryless (tanpa memori).

Contoh sederhana Markov yang digunakan Markov sendiri: huruf vokal vs. konsonan pada sebuah naskah. Dengan menghitung frekuensi pasangan huruf (vokal→vokal, vokal→konsonan, dsb.), ia membuat matriks probabilitas transisi. Dengan mensimulasikan banyak langkah transisi, perbandingan vokal/konsonan yang dihasilkan akhirnya konvergen ke proporsi statistik yang ia hitung secara langsung — walau kejadian huruf saling bergantung. Kesimpulan Markov menggugurkan klaim Nekrasov: konvergensi statistik tidak membuktikan independensi kejadian.

---

Monte Carlo: statistik Monte Carlo dan revolusi komputasi

Pertanyaan praktis yang dihadapi Stanislaw Ulam selama pemulihannya dari sakit (apakah permainan Solitaire acak dapat dimenangkan?) memicu gagasan menggunakan sampel acak berulang untuk mengaproksimasi masalah yang tak terhitung tepat (intractable). Bila diterapkan ke masalah fisika — mis. perilaku neutron dalam inti nuklir — Von Neumann melihat bahwa rantai Markov dapat menjadi tulang punggung simulasi tersebut. Dari sinilah berkembang metode Monte Carlo: menjalankan banyak simulasi acak (sampling) untuk mengekstrapolasi perilaku rata-rata sistem yang sangat kompleks. Metode ini krusial dalam perancangan reaktor, perhitungan fisika partikel, dan banyak aplikasi ilmiah lain.

---

PageRank: Markov chain sebagai pemeringkat kualitas laman web

Ide sederhana tapi brilian dari Larry Page dan Sergey Brin adalah memandang web sebagai graf rantai Markov: setiap laman adalah suatu state, tautan antar laman merepresentasikan transisi. Jika seorang “penjelajah acak” (random surfer) mengikuti tautan atau, sesekali, melompat ke laman acak (damping factor ≈ 0.15), maka frekuensi kunjungan jangka panjang pada tiap laman memberi ukuran kepentingan/otoritas — itulah inti algoritme PageRank. Dengan pendekatan ini Google tidak sekadar menghitung kemunculan kata kunci, tetapi menilai kualitas laman berdasar “dukungan” antar laman (backlinks) yang bersifat saling meneguhkan.

---

Prediksi teks dan bahasa: dari Markov ke model modern

Claude Shannon memperluas aplikasi ide Markov ke teks: dari probabilitas huruf, ke token (kata/frasa), dan memperlihatkan bahwa memperhitungkan lebih banyak konteks (lebih banyak token sebelumnya) memperbaiki prediksi kata selanjutnya. Model bahasa awal yang berdasar n-gram dapat dilihat sebagai penerapan rantai Markov pada level kata.

Model modern (large language models — LLM) melampaui rantai Markov sederhana dengan mekanisme attention yang menimbang konteks relevan dari rentang teks yang jauh, sehingga mampu memilih konteks lebih efektif daripada aturan memoryless kaku. Namun, inti probabilistik prediksi kata tetap berakar pada ide-ide Markovian.

---

Batasan: kapan pendekatan Markov tidak cukup?

Rantai Markov efektif bila sistem bersifat hampir memoryless — yaitu keadaan sekarang cukup untuk memprediksi keadaan berikutnya. Namun sistem dengan umpan balik (feedback loops) atau dinamika non-linear yang kuat (mis. perubahan iklim dengan efek umpan balik positif) tidak cocok dimodelkan hanya oleh rantai Markov. Begitu juga jika model men-train pada data yang banyak mengandung keluaran model sebelumnya (self-training), maka model berisiko menghasilkan stasis (mengulang-ulang teks yang sama), mengurangi keragaman dan keakuratan dalam jangka panjang.

---

Fakta menarik lain: seberapa acak tumpukan kartu?

Model Markov juga membantu menjawab pertanyaan praktis seperti: berapa kali perlu mengocok kartu agar susunan menjadi acak? Untuk riffle shuffle (cara kocok umum), teori menunjukkan sekitar 7 kali riffle sudah membuat setiap susunan kartu deck 52 mendekati distribusi acak. Namun jika metode kocokan buruk (tidak merata), jumlah yang dibutuhkan bisa jauh lebih besar — bahkan ribuan kali — tergantung model transisi yang sebenarnya.

---

Mengapa gagasan “sederhana” ini penting?

• Menyederhanakan kompleksitas: banyak sistem panjang riwayatnya dapat diprediksi cukup dengan kata-kata saat ini.
• Dasar algoritme praktis: dari simulasi fisika (Monte Carlo) sampai ranking informasi (PageRank) dan prediksi bahasa — teori Markov jadi tulang punggungnya.
• Keterbatasan yang sadar: mengetahui kapan asumsi memoryless tidak berlaku sama pentingnya dengan kemampuan memanfaatkannya.

---

Penutup

Dari perseteruan filosofis di Rusia hingga pengembangan algoritme yang mengubah internet, gagasan-gagasan seperti rantai Markov dan Monte Carlo memperlihatkan satu hal: seringkali, bentuk matematika yang paling elegan lahir dari pertanyaan paling sederhana — dan dapat memiliki dampak yang sangat luas. Memahami kapan dan bagaimana menerapkan konsep-konsep ini membantu insinyur, ilmuwan, dan pembuat kebijakan memanfaatkan prediksi statistik secara efektif — sekaligus mengingatkan batasan-batasan yang perlu diwaspadai.

Sumber utama: Veritasium — “The Strange Math That Predicts (Almost) Anything” (Jul 26, 2025). Referensi tambahan disebutkan pada deskripsi video (mis. materi tentang Markov, Monte Carlo, PageRank, Claude Shannon).