Hukum Pangkat: Pola di Balik Kejadian Ekstrem

Pernah bertanya-tanya mengapa segelintir situs web mendapatkan sebagian besar lalu lintas internet? Atau mengapa sebagian kecil individu menguasai mayoritas kekayaan dunia? Jawabannya terletak pada fenomena statistik yang menarik yang dikenal sebagai hukum pangkat. 

Hukum pangkat mengatur banyak sistem alami dan buatan manusia. Distribusi ini istimewa karena tidak berubah terhadap skala dan berekor tebal. Sifat-sifat ini membuatnya sempurna untuk memodelkan data di mana peristiwa kecil sering terjadi, tetapi peristiwa besar dan penting, meskipun jarang, tidak bisa diabaikan.

Tutorial ini akan memberikan gambaran komprehensif tentang hukum pangkat, mencakup teori, matematika, penerapan, dan cara mengestimasinya. Kita akan melihat bagaimana sifat bebas skala bekerja dan mengapa hukum ini muncul di berbagai bidang seperti geofisika, keuangan, biologi, dan internet.

Sifat-Sifat Distribusi Hukum Pangkat

Mari mulai dengan apa yang membuat hukum pangkat istimewa—dan di mana ia berbeda dari distribusi yang mungkin sudah Anda gunakan hingga kini. 

Ciri-ciri Hukum Pangkat. Sumber: Napkin AI

Invarian skala dan kemiripaan-diri

Secara sederhana, invariansi skala menyiratkan bahwa jika Anda memperbesar atau memperkecil, pola dalam distribusi tetap sama. 

Dalam istilah statistik, distribusi hukum pangkat memiliki bentuk fungsional yang sama apa pun skala yang Anda gunakan untuk melihatnya. Jika suatu variabel mengikuti hukum pangkat, mengalikannya dengan konstanta tidak mengubah cara variabel tersebut terdistribusi; hanya mengubah skalanya.

Secara matematis, ini berarti:

Ini sangat berbeda dari distribusi umum lainnya, seperti distribusi normal, di mana bentuknya ditentukan berdasarkan parameter kunci seperti mean dan simpangan baku.

Sifat ini juga mirip dengan kemiripaan-diri, yang merupakan atribut kunci fraktal. Fraktal adalah struktur yang terlihat sama seberapa pun Anda memperbesarnya. Misalnya, jika Anda memperbesar bagian mana pun dari kepingan salju, daun pakis, atau cabang pohon, Anda akan melihat versi yang lebih kecil dari keseluruhannya. 

Garis pantai terlihat sama dari jarak 10 meter maupun 10 kilometer. 

Hukum pangkat sangat baik dalam menunjukkan struktur yang berulang ini. Itulah sebabnya hukum ini membantu ketika menelaah sistem di mana ukuran, frekuensi, atau intensitas berubah banyak tetapi selalu mengikuti pola yang sama.

Ekor tebal dan ketiadaan skala karakteristik

Kebanyakan distribusi klasik (seperti Gaussian atau eksponensial) mengecil cepat pada bagian ekornya. Tidak demikian dengan hukum pangkat. Distribusi ini memiliki ekor tebal, artinya probabilitas kejadian ekstrem lebih tinggi.

Dalam kehidupan nyata, gempa besar, cuitan viral, dan miliarder adalah contoh peristiwa langka yang tetap memiliki peluang terjadi. Bahkan, untuk beberapa nilai alfa, momen seperti mean atau varians mungkin tidak terdefinisi, dan itulah mengapa kita mengatakan bahwa distribusi hukum pangkat tidak memiliki skala. 

Universalitas dan ketidaklengkapan statistik

Salah satu hal menakjubkan tentang hukum pangkat adalah sifatnya yang universal; hukum ini dapat ditemukan pada sistem yang tampaknya tidak memiliki keterkaitan satu sama lain. Beberapa contohnya termasuk: magnitudo gempa, lonjakan aktivitas saraf, ukuran perusahaan, dan frekuensi kata. 

Sebaliknya, hukum ini juga secara statistik tidak lengkap. Artinya, meskipun kita dapat memodelkan perilaku ekor, sulit untuk mengestimasi serangkaian statistik ringkas secara penuh, terutama dari sampel data kecil. 

Landasan Matematika Hukum Pangkat

Mari selami lebih dalam matematika yang membuat hukum pangkat sekaligus kuat dan rumit.

Bentuk fungsional dan sifat penskalaan

Bentuk standar hukum pangkat adalah:

Di mana:

• alfa adalah eksponen penskalaan
• C adalah konstanta normalisasi
• x_min​ adalah ambang batas di atas mana hukum pangkat berlaku

Saat alfa meningkat, ekor menjadi lebih tipis. Alfa kecil berarti kejadian lebih ekstrem. Eksponen penskalaan ini mengatur segala hal mulai dari ketimpangan hingga ukuran ekosistem.

Distribusi probabilitas hukum pangkat dan plot logaritmik

Langkah pertama adalah menggunakan plot log-log untuk mendeteksi hukum pangkat pada dataset nyata.

Jika data benar-benar mengikuti hukum pangkat, ini akan memberi Anda garis lurus dengan kemiringan −α. Namun berhati-hatilah karena banyak distribusi terlihat linear pada plot log-log. 

Keterkaitan dengan distribusi lain

Ada beberapa distribusi statistik penting yang mirip dengan hukum pangkat.

• Distribusi Pareto, yang sering digunakan dalam ekonomi, menunjukkan distribusi kekayaan dan pendapatan di mana sejumlah kecil orang memiliki sebagian besar sumber daya. Ini adalah contoh awal dan klasik dari hukum pangkat yang bekerja.
• Hukum Zipf menjelaskan bagaimana frekuensi kata dalam bahasa alami mengikuti pola hukum pangkat. Misalnya, kata yang paling sering kedua muncul sekitar setengah dari kata yang paling sering, yang ketiga sekitar sepertiganya, dan seterusnya.
• Distribusi zeta adalah versi diskret dari hukum pangkat yang sering digunakan untuk memodelkan hal-hal yang sering terjadi, seperti kunjungan situs web atau penjualan buku.

Terkadang, data dunia nyata tidak mengikuti hukum pangkat "murni" selamanya. Dalam situasi ini, kita melihat cutoff eksponensial (di mana nilai yang sangat besar menjadi kurang mungkin), hukum pangkat melengkung, atau ekor log-normal. Ini lebih baik untuk memodelkan sistem dengan batas fisik atau praktis. Hibrida ini mengakui bahwa invariansi skala mungkin berlaku untuk sebagian rentang, tetapi pada akhirnya akan berhenti berlaku.

Manifestasi Empiris di Berbagai Disiplin

Hukum pangkat bukan hanya gagasan dalam matematika; hukum ini muncul di dunia nyata dan membantu kita memahami sistem yang awalnya tampak acak atau kacau.

Sistem alami dan geofisika

Hukum pangkat membantu kita memahami kejadian ekstrem di alam. Misalnya, hukum Gutenberg-Richter menyatakan bahwa magnitudo gempa mengikuti distribusi hukum pangkat. Artinya, getaran kecil sering terjadi, tetapi saat magnitudo gempa membesar, jumlah gempa menurun dengan cepat. Itulah sebabnya gempa 2,0 bisa terjadi setiap hari, tetapi gempa 7,0 mungkin tidak terjadi selama bertahun-tahun. Keduanya bagian dari kisah statistik yang sama. 

Demikian pula, jaringan sungai, garis pantai, dan bahkan sambaran petir menunjukkan pola fraktal yang mirip diri yang mengikuti penskalaan hukum pangkat pada ukuran segmennya.

Hukum pangkat juga berlaku untuk alam semesta. Dalam astrofisika, kita melihat bahwa ukuran bintang, distribusi lubang hitam, dan bahkan gugus galaksi semuanya berekor tebal. Ada miliaran bintang kecil, tetapi hanya sedikit yang sangat besar menonjol di galaksi. Ini mungkin tampak tidak merata secara acak, tetapi begitu kita memahami hukum pangkat yang mendasarinya, kita dapat melihat bahwa semuanya mengikuti kaidah statistik tertentu.

Sistem sosioekonomi dan biologis

Saat menelaah ketimpangan dan skala dalam masyarakat manusia, hukum pangkat sangat berguna. Kita sudah membahas distribusi Pareto pada bagian sebelumnya, yang bukan hanya teori tentang ekonomi; Anda dapat melihatnya dalam catatan pajak, laba perusahaan, dan pola donasi. 

1% teratas orang dengan kekayaan mengikuti hukum Pareto, bukan rata-rata Gaussian. Distribusi ini tidak pas ke dalam kurva lonceng yang rapi; alih-alih, ia memanjang jauh ke kanan, menunjukkan beberapa nilai ekstrem (seperti miliarder) yang menggeser rata-rata.

Hukum pangkat juga mengungkap pola tersembunyi dalam biologi. Misalnya, hukum Kleiber menyatakan bahwa laju metabolisme hewan meningkat seiring massa tubuhnya berpangkat 3/4, bukan garis lurus. Ini membantu kita memahami mengapa gajah tidak makan seribu kali lebih banyak daripada kelinci, meskipun bobotnya seribu kali lipat. 

Hukum pangkat juga berlaku untuk populasi kota, laju pertumbuhan perusahaan, perilaku memilih, dan bahkan kematian dalam konflik, di mana beberapa hal atau peristiwa besar berdampak sangat besar.

Teknologi dan bisnis

Hukum pangkat menopang dan menggerakkan dunia digital. Pikirkan bagaimana lalu lintas internet bekerja: hanya beberapa situs (seperti Google, Facebook, dan YouTube) yang mendapatkan sebagian besar kunjungan, sementara jutaan halaman lainnya sebagian besar luput dari perhatian. Ini adalah perilaku ekor panjang yang khas, dan sangat penting di area seperti SEO, mesin rekomendasi, dan pemasaran digital.

Dalam AI, ukuran dan kinerja model cenderung sejalan. Ada beberapa model besar, seperti GPT-4, yang memimpin bidangnya, tetapi ratusan model yang lebih kecil tidak mampu mengejar. Konsentrasi ini sebagian disebabkan oleh loop umpan balik: model yang lebih baik mendapatkan lebih banyak pengguna, data, dan pendanaan, yang membuatnya semakin kuat. 

Estimasi dan Validasi Statistik

Jadi, tampaknya dataset Anda mengikuti hukum pangkat. Histogram mungkin memiliki ekor panjang, atau plot log-log mungkin menunjukkan garis yang sebagian besar lurus. Itu awal yang baik, tetapi melihat saja tidak cukup karena mudah tertipu oleh hukum pangkat. Itulah mengapa kita memerlukan alat statistik yang baik untuk menaksir parameter dan menguji kecocokan.

Metode estimasi parameter

Eksponen penskalaan, yang biasanya ditulis sebagai 𝛼, adalah hal pertama yang Anda perlukan untuk memodelkan distribusi hukum pangkat dengan benar. 

Maximum Likelihood Estimation (MLE) adalah salah satu cara paling umum untuk mendapatkan taksiran 𝛼. Ini adalah cara untuk menemukan nilai parameter yang membuat data teramati paling mungkin dalam seluruh statistik.

Untuk data kontinu dengan nilai minimum 𝑥min yang diketahui, prosesnya sebagai berikut:

• 𝑥𝑖 adalah nilai yang Anda amati, dan semuanya lebih besar atau sama dengan 𝑥𝑚𝑖𝑛.
• 𝑛 adalah jumlah observasi.

Namun inilah bagian sulitnya: memilih 𝑥 min yang tepat sangat penting. Jika terlalu rendah, model Anda memuat data yang sebenarnya tidak mengikuti hukum pangkat. Dan jika terlalu tinggi, Anda akan membuang terlalu banyak data. Juga, saat ukuran sampel kecil, estimasi MLE bisa tidak andal.

Uji kecocokan (goodness-of-fit)

Setelah Anda mengestimasi eksponen, pertanyaan berikutnya adalah: seberapa baik kecocokannya? Anda tidak bisa hanya berkata, "Sepertinya ini hukum pangkat." Anda memerlukan bukti statistik bahwa hukum pangkat menjelaskan data Anda lebih baik daripada distribusi lain yang mungkin. Di sinilah uji Kolmogorov–Smirnov (KS) berperan. Uji ini mencari kesenjangan terbesar antara fungsi distribusi kumulatif (CDF) dari data teramati dan model hukum pangkat teoretis. 

Semakin dekat angka ini ke nol, semakin baik kecocokan model Anda terhadap data. Uji KS tidak menggunakan pengelompokan (binning) atau histogram seperti banyak uji lainnya. Sebagai gantinya, uji ini bekerja langsung dengan data mentah, yang membuatnya sangat berguna untuk distribusi berekor tebal.Namun terkadang, hukum pangkat bukan satu-satunya penjelasan yang masuk akal. Distribusi log-normal atau eksponensial juga mungkin dapat memodelkan data Anda. Di sinilah uji rasio likelihood berguna. Idenya sederhana: gunakan MLE untuk memasangkan kedua model pada data yang sama, temukan likelihood-nya, lalu bandingkan. Anda memiliki dukungan statistik untuk model hukum pangkat jika likelihood-nya jauh lebih tinggi. 

Kerangka kerja Clauset-Shalizi-Newman (2009) adalah salah satu dari banyak alat yang menggabungkan MLE, uji KS, dan uji rasio likelihood menjadi cara yang kuat untuk menelaah perilaku hukum pangkat.

Mekanisme Teoretis dan Model Generatif

Sekarang setelah kita tahu di mana hukum pangkat muncul di dunia nyata dan cara menemukannya secara statistik, pertanyaan berikutnya adalah: mengapa distribusi ini muncul sejak awal? Mari lihat bagaimana hukum pangkat bisa muncul dari dinamika sistem.

Keterlekatan preferensial dan proses Yule

Model Barabási–Albert (1999) memperkenalkan keterlekatan preferensial, yang sering diringkas sebagai fenomena "yang kaya makin kaya". Ini adalah salah satu cara kerja hukum pangkat yang paling dikenal dan mudah dipahami. 

Bayangkan membuat jaringan, seperti internet atau situs media sosial. Ketika pengguna baru bergabung, mereka lebih mungkin terhubung ke simpul populer seperti Facebook atau Google karena simpul-simpul itu sudah terkenal. 

Seiring waktu, ini menciptakan loop umpan balik: simpul populer mendapatkan lebih banyak koneksi, sementara simpul yang lebih baru atau kurang terhubung tetap kecil. Ini menghasilkan jaringan bebas skala di mana derajat simpul mengikuti hukum pangkat.

Demikian pula, proses Yule yang memodelkan pertumbuhan genera biologis merupakan perluasan dari gagasan ini. Dalam model ini, spesies yang sudah memiliki lebih banyak anggota lebih mungkin melahirkan spesies baru. Ini menghasilkan distribusi yang miring di mana beberapa genera mendominasi.

Model pertumbuhan acak, hukum Gibrat, dan proses Markov

Proses pertumbuhan acak adalah cara lain hukum pangkat dapat muncul. Gagasan utamanya adalah bahwa sesuatu bertambah besar dari waktu ke waktu dengan mengalikan jumlah acak alih-alih menambahkannya. 

Hukum Gibrat menyatakan bahwa laju pertumbuhan independen dari ukuran. Sebagian besar hal tetap kecil, tetapi beberapa tumbuh sangat cepat dan menjadi sangat besar, membentuk ekor tebal dari hukum pangkat. 

Proses Markov, terutama yang melibatkan derau multiplikatif, juga dapat konvergen ke distribusi stasioner mirip hukum pangkat—terutama di bawah batas reflektif.

Ada juga sisi probabilistiknya. Proses Markov juga dapat menunjukkan perilaku hukum pangkat dalam beberapa situasi. Proses ini memodelkan sistem di mana keadaan berikutnya hanya bergantung pada keadaan saat ini, bukan masa lalu. Ini telah digunakan untuk memodelkan hal-hal seperti pergerakan orang dalam suatu populasi dan bagaimana antrean bekerja.

Model-model ini bukan sekadar gagasan menarik. Model tersebut membantu kita memahami bagaimana sistem kompleks berubah dari waktu ke waktu, mengapa ketimpangan bertahan, dan bagaimana efek jaringan memengaruhi segala hal dari biologi hingga blockchain. Kita tidak hanya dapat menggunakan hukum pangkat untuk mendeskripsikan dunia, tetapi juga untuk menjelaskannya.

Implikasi, Keterbatasan, dan Penerapan

Memahami dinamika hukum pangkat sangat krusial dan dapat sangat memengaruhi prediksi dan keputusan Anda, baik saat Anda membuat model risiko keuangan, menjalankan infrastruktur internet, maupun mempelajari perilaku sosial. 

Pertimbangan praktis

Model hukum pangkat bermanfaat untuk sistem di mana kejadian langka tetapi penting terjadi. Misalnya, dalam keuangan, harga mungkin berubah pada laju yang wajar di sebagian besar hari, tetapi "angsa hitam"—jatuh atau melonjak langka—dapat memiliki dampak terbesar. 

Model hukum pangkat dapat menangkap risiko ekor ini dengan lebih baik daripada model tradisional, yang sering meremehkan kemungkinan kejadian-kejadian tersebut. Untuk manajemen risiko, asuransi, keamanan siber, dan perencanaan bencana, ini sangat penting.

Ada juga manfaat memahami pertumbuhan nonlinier dan efek penggandaan. Hukum pangkat membantu menjelaskan mengapa beberapa orang, perusahaan, atau simpul dalam jaringan dapat menjadi yang paling kuat seiring waktu dan mengapa situasi "pemenang-menguasai-sebagian besar" ini bukan hanya hal yang tidak biasa, melainkan normal dalam jenis sistem tersebut.

Namun ada beberapa kompromi dengan model hukum pangkat. Salah satu masalahnya adalah ia menentang intuisi—karena tidak selalu memiliki rata-rata atau varians yang jelas, yang membuat sulit menurunkan metrik umum seperti "nilai harapan" atau "simpangan baku".

Model ini biasanya hanya bekerja pada ekor distribusi, sehingga mungkin tidak cocok dengan sebagian besar data atau bahkan tidak sama sekali. Ini bisa menjadi masalah jika Anda tidak berhati-hati menentukan di mana perilaku hukum pangkat sebenarnya mulai berlaku.

Keterbatasan dan kritik

Tidak semua dataset berekor panjang mengikuti hukum pangkat sejati. Beberapa distribusi, seperti log-normal atau eksponensial teregang, dapat tampak seperti perilaku hukum pangkat pada rentang kecil, terutama pada plot log-log. Ini sering menyebabkan positif palsu, di mana kita menganggapnya sebagai hukum pangkat hanya karena plotnya "terlihat linear".Generalisasi berlebihan adalah masalah lain. Orang sering mengira hukum pangkat menjelaskan segala sesuatu tentang sebuah sistem, padahal mungkin hanya menjelaskan sebagian kecilnya, biasanya bagian paling ekstrem. Misalnya, 1% teratas orang mungkin memiliki distribusi pendapatan yang mengikuti hukum pangkat, tetapi sisanya mungkin memiliki distribusi yang sangat berbeda.

Hukum hasil berkurang (diminishing returns) adalah masalah lain yang dihadapi sistem dunia nyata. Hukum pangkat menyatakan bahwa hasil ekstrem mungkin terjadi, tetapi di beberapa ranah, seperti batas fisik atau lingkungan regulasi, ada batas-batas di luar mana model tidak lagi berlaku. Jika Anda mengira perilaku ekor berlangsung selamanya, Anda mungkin melebihkan risiko atau imbal hasil, terutama dalam sistem yang memiliki batasan.

Kesimpulan

Hukum pangkat membantu kita memahami sistem di mana sejumlah kecil kejadian atau entitas ekstrem memiliki dampak besar, seperti gempa bumi, lalu lintas internet, atau cara pendapatan tersebar. Dalam tutorial ini, kita mempelajari apa yang membuat hukum pangkat berbeda, sifat matematis dan jejak empirisnya, cara menemukan dan memeriksanya, serta di mana ia ditemukan di dunia nyata.

Analisis hukum pangkat akan memiliki penggunaan menarik di masa depan dalam bidang seperti AI, ekonomi, sains jaringan, dan manajemen risiko. Dengan alat dan pengetahuan yang tepat, kita dapat menggunakannya untuk lebih memahami dunia yang kompleks dan nonlinier.

Saat Anda menyelami data dunia nyata, selalu ajukan pertanyaan: apakah yang langka benar-benar langka—atau hanya terdistribusi secara kuat?

Jika Anda ingin mempelajari lebih lanjut tentang beberapa konsep, silakan lihat sumber berikut:

• Lembar Contekan Pengantar Kaidah Probabilitas
• Panduan Notasi Big O dan Kompleksitas Waktu
• Generalized Linear Models in Python