Sebuah persamaan sederhana tentang pertumbuhan populasi membawa kita pada butterfly effect, cuaca yang sulit diprediksi, fraktal, dan pertanyaan besar tentang batas pengetahuan manusia.

Bayangkan dua dunia yang hampir persis sama.

Di dunia pertama, jumlah populasi sebuah spesies pada hari ini adalah 200.000 ekor. Di dunia kedua, jumlahnya 200.001 ekor.

Hanya berbeda satu ekor.

Besok, perbedaannya mungkin masih nyaris tidak berarti. Minggu depan pun mungkin belum terlihat. Tetapi jika sistem tersebut memiliki sifat tertentu, perbedaan yang sangat kecil itu dapat berkembang. Hari demi hari, perbedaan semakin besar. Pada suatu titik, kedua dunia yang tadinya hampir identik dapat memiliki keadaan yang sama sekali berbeda.

Bukan karena salah satu dunia mengalami kejadian luar biasa.

Bukan pula karena ada angka acak yang masuk ke dalam sistem.

Keduanya hanya mengikuti aturan yang sama.

Inilah salah satu teka-teki paling menarik dalam matematika dan sains: bagaimana sebuah sistem yang sepenuhnya mengikuti aturan dapat menghasilkan perilaku yang begitu sulit diprediksi?

Jawabannya membawa kita ke dunia chaos.

Chaos bukan sekadar kekacauan

Dalam percakapan sehari-hari, chaos berarti kekacauan.

Kamar yang berantakan disebut chaos. Jalan raya yang macet total bisa disebut chaos. Sebuah rapat yang berubah menjadi pertengkaran juga bisa disebut chaos.

Tetapi dalam matematika dan sains, chaos memiliki makna yang jauh lebih spesifik.

Sistem chaotic bukan sistem tanpa aturan.

Justru sistem tersebut dapat mengikuti persamaan yang sangat jelas.

Masalahnya, sistem seperti itu memiliki sensitivitas yang sangat tinggi terhadap kondisi awal.

Perbedaan kecil pada awal perjalanan dapat menghasilkan perbedaan besar di kemudian hari.

Dan di sinilah sebuah paradoks muncul:

Sistemnya deterministik, tetapi perilakunya sulit diprediksi.

Semuanya bermula dari sebuah populasi

Untuk melihat bagaimana chaos dapat muncul, kita tidak perlu langsung masuk ke persamaan fisika yang rumit.

Kita cukup membayangkan sebuah populasi.

Sebuah populasi akan tumbuh jika sumber daya tersedia. Semakin banyak individu, semakin besar pula potensi pertumbuhan.

Tetapi alam memiliki batas.

Makanan terbatas. Ruang terbatas. Air terbatas. Persaingan meningkat ketika populasi semakin besar.

Matematikawan Belgia Pierre François Verhulst pada abad ke-19 mengembangkan model pertumbuhan populasi yang memperhitungkan keterbatasan tersebut.

Gagasan ini kemudian menjadi salah satu dasar menuju apa yang sekarang dikenal sebagai Logistic Map.

Bentuknya sangat sederhana:

[x_{n+1}=rx_n(1-x_n)]

Hanya satu baris.

Tetapi jangan tertipu oleh kesederhanaannya.

Di balik persamaan tersebut terdapat dunia matematika yang sangat kaya.

Ketika satu angka menentukan nasib sebuah sistem

Dalam persamaan itu, (x_n) menggambarkan keadaan sistem saat ini.

Sementara (r) adalah parameter yang mengatur tingkat pertumbuhan.

Mari kita mulai dengan kondisi sederhana.

Misalkan:

[x_0=0,2]

dan:

[r=2]

Kita masukkan angka tersebut ke dalam persamaan.

Hasil pertama:

[x_1=0,32]

Kemudian nilai tersebut digunakan kembali:

[x_2=0,4352]

Perhitungan diteruskan.

Nilainya bergerak semakin dekat ke:

[0,5]

Sistem akhirnya menjadi stabil.

Tidak ada kejutan.

Tidak ada kekacauan.

Namun kemudian kita melakukan sesuatu yang sangat sederhana:

kita mengubah nilai (r).

Sedikit lebih banyak pertumbuhan, perilaku berubah

Ketika (r) dinaikkan, sistem mulai berosilasi.

Ia tidak lagi menetap pada satu nilai.

Populasi dapat bergerak antara dua keadaan:

[A\rightarrow B\rightarrow A\rightarrow B]

Kemudian, ketika (r) dinaikkan lagi, muncul empat keadaan:

[A\rightarrow B\rightarrow C\rightarrow D\rightarrow A]

Kemudian delapan.

Lalu enam belas.

Satu pola mulai bercabang menjadi semakin banyak pola.

Dalam matematika, perubahan seperti ini disebut bifurkasi.

Sistem yang semula stabil perlahan kehilangan kesederhanaannya.

Dan yang menarik, perubahan tersebut bukan akibat masuknya unsur acak.

Semuanya terjadi karena kita hanya mengubah satu parameter dalam persamaan.

Jalan menuju chaos

Jika perubahan tersebut digambarkan dalam sebuah grafik, kita akan melihat sebuah pola seperti pohon yang terus bercabang. Satu cabang menjadi dua. Dua menjadi empat. Empat menjadi delapan. Delapan menjadi enam belas. Dan seterusnya. Fenomena ini dikenal sebagai period-doubling cascade.

Pada titik tertentu, pola periodik tersebut menjadi begitu rapat sehingga sistem memasuki wilayah yang disebut chaos. Tetapi chaos di sini bukan berarti sistem boleh melakukan apa saja. Nilai (x) masih berada dalam batas tertentu. Sistem masih mengikuti persamaan yang sama. Hanya saja, perilakunya menjadi sangat sulit diprediksi.

Dua dunia yang hampir sama

Sekarang kita kembali pada eksperimen awal.

Bayangkan dua sistem.

Sistem pertama dimulai dari:

[x_0=0,200000]

Sistem kedua:

[x_0=0,200001]

Perbedaannya hanya:

[0,000001]

Jika sistem berada dalam kondisi chaotic, pada awalnya kedua lintasan hampir berimpit.

Tetapi sedikit demi sedikit, keduanya menjauh.

Perbedaan yang sangat kecil berkembang menjadi perbedaan yang semakin besar.

Secara matematis, perkembangan tersebut dapat dikaitkan dengan pertumbuhan eksponensial.

Sederhananya:

[\delta_n\approx\delta_0e^{\lambda n}]

Semakin besar nilai (\lambda), semakin cepat perbedaan awal berkembang.

Angka (\lambda) ini berkaitan dengan sesuatu yang disebut Lyapunov exponent.

Jika nilainya positif, itu merupakan salah satu tanda penting bahwa sistem menunjukkan perilaku chaotic.

Butterfly Effect: kepakan kecil, konsekuensi besar

Gagasan tentang sensitivitas kondisi awal inilah yang kemudian melahirkan istilah populer butterfly effect.

Meteorolog Edward Lorenz merupakan salah satu tokoh penting dalam sejarah teori chaos.

Dalam penelitiannya terhadap model atmosfer, Lorenz menemukan bahwa perubahan sangat kecil pada kondisi awal simulasi dapat menghasilkan jalur perkembangan yang sangat berbeda.

Dari sinilah muncul gambaran terkenal tentang seekor kupu-kupu.

Konsep populernya sering diringkas menjadi:

kepakan sayap kupu-kupu di satu tempat dapat berhubungan dengan munculnya tornado di tempat lain.

Tentu saja ini bukan klaim bahwa satu kupu-kupu secara literal menciptakan tornado.

Yang ingin dijelaskan adalah sesuatu yang jauh lebih fundamental:

dalam sistem yang sensitif, perubahan kecil dapat diperbesar oleh dinamika sistem.

Itulah sebabnya cuaca punya batas prediksi

Atmosfer bumi adalah sistem yang sangat kompleks.

Ada suhu, tekanan, kelembapan, angin, awan, laut, daratan, radiasi matahari, dan berbagai proses fisika yang terus berinteraksi.

Sedikit perubahan pada satu bagian dapat memengaruhi bagian lain.

Kemudian bagian lain tersebut memengaruhi bagian berikutnya.

Terjadi rangkaian umpan balik.

Masalahnya, kita tidak pernah dapat mengukur kondisi atmosfer dengan ketelitian sempurna.

Selalu ada kesalahan pengukuran.

Selalu ada informasi yang tidak diketahui.

Dalam sistem chaotic, kesalahan kecil tersebut dapat berkembang.

Karena itu, persoalan prediksi cuaca bukan sekadar:

“Apakah komputer kita cukup canggih?”

Ada persoalan yang lebih mendasar:

Seberapa tepat kita mengetahui keadaan atmosfer pada saat awal?

Bahkan komputer yang sangat kuat tetap bekerja berdasarkan data awal yang memiliki keterbatasan.

Deterministik tidak sama dengan dapat diprediksi

Di sinilah chaos theory mengguncang cara berpikir sederhana tentang hubungan sebab-akibat.

Kita mungkin berpikir:

Jika alam mengikuti hukum fisika, masa depan seharusnya bisa dihitung.

Chaos menunjukkan bahwa kesimpulan tersebut tidak selalu benar.

Sebuah sistem dapat bersifat:

deterministik

sekaligus:

sulit diprediksi dalam jangka panjang.

Bayangkan sebuah bola yang dilempar.

Jika kita mengetahui posisi, kecepatan, dan kondisi awalnya secara sangat akurat, kita dapat menghitung lintasannya.

Tetapi dalam sistem chaotic, kesalahan sekecil apa pun pada kondisi awal dapat terus berkembang.

Dengan demikian:

[\boxed{\text{Determinisme}\neq\text{Prediktabilitas}}]

Sesuatu dapat ditentukan oleh aturan tertentu tanpa berarti manusia mampu menghitung masa depannya secara sempurna.

Kekacauan ternyata memiliki pola

Ada hal lain yang lebih mengejutkan.

Jika chaos benar-benar acak, kita mungkin mengharapkan grafiknya terlihat seperti kumpulan titik tanpa bentuk.

Namun sistem chaotic justru dapat memperlihatkan struktur.

Salah satu contoh terkenal adalah Lorenz attractor.

Ketika lintasan sistem Lorenz digambarkan dalam ruang matematis, muncul bentuk yang menyerupai dua sayap kupu-kupu.

Lintasannya tidak mengulang secara sederhana.

Tetapi ia juga tidak bergerak ke mana-mana.

Ada wilayah tertentu yang menjadi tempat lintasan tersebut berputar.

Struktur itu disebut strange attractor.

Sebuah kekacauan yang ternyata memiliki bentuk.

Dari chaos menuju fraktal

Di sinilah kita bertemu dengan dunia fraktal.

Fraktal adalah struktur yang memiliki kompleksitas geometris dan sering menunjukkan kemiripan pola pada berbagai skala.

Salah satu contoh paling terkenal adalah Mandelbrot Set.

Persamaannya sederhana:

[z_{n+1}=z_n^2+c]

Namun ketika persamaan itu dihitung berulang kali dan hasilnya divisualisasikan, muncul bentuk yang sangat rumit.

Semakin diperbesar, kita menemukan detail baru.

Bentuk yang sangat kompleks muncul dari aturan yang sangat sederhana.

Sekali lagi, kita bertemu dengan pola yang sama:

aturan sederhana dapat menghasilkan kompleksitas luar biasa.

Ada angka aneh di balik kekacauan

Perjalanan Logistic Map menuju chaos juga menyimpan sebuah kejutan matematis lain.

Ketika sistem mengalami penggandaan periode:

[1\rightarrow2\rightarrow4\rightarrow8\rightarrow16\rightarrow\cdots]

jarak antara titik-titik bifurkasi mengikuti pola tertentu.

Rasio tersebut mendekati:

[4,669201609\ldots]

Angka ini disebut Feigenbaum constant.

Yang menarik bukan sekadar nilai angkanya.

Konstanta tersebut muncul pada berbagai sistem nonlinear yang mengalami jalur penggandaan periode menuju chaos.

Dengan kata lain, sistem yang berbeda dapat memiliki pola transisi menuju chaos yang secara matematis mirip.

Fenomena ini dikenal sebagai universality.

Seolah-olah ada sidik jari matematis tertentu yang muncul ketika berbagai sistem bergerak dari keteraturan menuju kekacauan.

Chaos ada di mana-mana?

Tidak semua sistem kompleks adalah chaotic.

Tetapi gagasan tentang sistem dinamis, nonlinearitas, feedback, dan sensitivitas kondisi awal membantu ilmuwan memahami banyak fenomena alam.

Mulai dari:

atmosfer,

turbulensi fluida,

dinamika populasi,

ekosistem,

sistem biologis,

hingga berbagai persoalan fisika dan matematika.

Chaos theory juga mengingatkan kita untuk berhati-hati ketika berhadapan dengan prediksi.

Tidak semua masa depan dapat dihitung hanya dengan menambahkan lebih banyak data dan komputer yang lebih cepat.

Terkadang ada batas yang berasal dari sifat sistem itu sendiri.

Dari kekacauan, kita belajar tentang keteraturan

Pada akhirnya, mungkin justru istilah chaos yang sedikit menyesatkan.

Chaos bukan berarti tidak ada aturan.

Chaos bukan pula sekadar ketidakteraturan.

Chaos adalah perilaku kompleks yang dapat muncul dari sistem deterministik ketika terdapat nonlinearitas dan sensitivitas terhadap kondisi awal.

Semuanya dapat dimulai dari persamaan sesederhana:

[x_{n+1}=rx_n(1-x_n)]

Dari sana muncul stabilitas.

Kemudian osilasi.

Lalu bifurkasi.

Kemudian penggandaan periode.

Lalu chaos.

Dan ketika kita mengamati chaos lebih dekat, kita menemukan struktur.

Kita menemukan strange attractor.

Kita menemukan fraktal.

Kita bahkan menemukan konstanta matematika yang muncul dalam berbagai sistem.

Seolah-olah kekacauan yang kita lihat dari kejauhan ternyata memiliki keteraturan ketika diamati lebih dekat.

Mungkin itulah salah satu pelajaran paling menarik dari teori chaos:

Dunia tidak selalu terbagi sederhana menjadi teratur dan kacau. Di antara keduanya terdapat wilayah yang jauh lebih menarik: keteraturan yang menghasilkan kompleksitas.

Dan dari sebuah persamaan kecil tentang populasi, kita akhirnya sampai pada pertanyaan besar tentang alam:

Jika aturan yang sederhana dapat menghasilkan perilaku yang begitu kompleks, seberapa jauh sebenarnya kemampuan manusia untuk memahami dan memprediksi masa depan?

Pertanyaan itu membuat chaos bukan hanya menarik bagi matematikawan.

Ia juga menjadi jendela untuk melihat keterbatasan sekaligus keindahan pengetahuan manusia.