Awalnya aku mengira pertanyaan itu akan membawaku langsung ke pembahasan tentang bukti, prediksi, atau metode ilmiah. Ternyata sebelum sampai ke sana, aku justru tersandung oleh kata yang kupakai sendiri dan kata itu adalah “benar”.

Aku sadar bahwa sejak awal aku menggunakan kata “benar” untuk membicarakan nilai suatu informasi atau model.

Versi bahasa Inggrisnya tidak membuatku terlalu gelisah. Di sana aku menggunakan true, yang secara gramatikal merupakan adjective dari truth. Dalam pemahamanku, truth merujuk pada konsep abstrak atau faktanya sendiri, sedangkan true digunakan untuk melabeli pernyataan yang konsisten dengan fakta, atau proposisi yang diturunkan secara logis dari premis tertentu.

Di bahasa Indonesia, kata “benar” terasa terlalu ambigu, bisa digunakan untuk membicarakan kebenaran suatu pernyataan, bisa juga digunakan dalam konteks penilaian moral dan perilaku atau sesuatu yang dianggap pantas secara normatif.

Setelah mencari-cari, ternyata ada banyak padanan lain yang membawa nuansa berbeda: tepat, betul, sahih, valid, akurat, absah, dan istilah lainnya.

Sayangnya, saat menulis kemarin, kata “benar” adalah jalan pintas paling intuitif yang langsung muncul di kepala dan aku malas revisi. 😑.

Daripada sekedar revisi, aku langsung mau lanjutin catatan kemarin dari pertanyaan terakhirnya.

Model A dalam thought experiment kemarin menyatakan:

“Kecenderungan X meningkat ketika variabel Y meningkat.”

Model A mungkin sangat sederhana. Tetapi jika hubungan antara X dan Y memang dapat diamati dan diuji secara empiris, kesederhanaan model tersebut tidak dengan sendirinya membuat klaimnya menjadi less true dibandingkan model yang lebih kompleks.

Dan yang kumaksud dengan less true di sini bukanlah bahwa kebenaran memiliki skala seperti 50% atau 80%. Aku hanya ingin mengatakan bahwa kesederhanaan Model A tidak menjadi alasan untuk menganggap klaimnya lebih rendah nilai kebenarannya dibandingkan klaim dari model yang lebih kompleks.

Dengan kata lain, kompleksitas dan truth bukanlah satu skala yang sama.

Aku juga tidak sedang mencoba mengatakan bahwa truth selalu merupakan sesuatu yang dapat diamati atau diuji secara empiris. Itu akan menjadi klaim yang jauh lebih besar daripada yang ingin kubahas di sini. Dalam konteks thought experiment-ku, aku hanya menganggap bahwa Model A membuat sebuah klaim faktual tentang hubungan antara X dan Y, sehingga hubungan tersebut dapat dipertanyakan secara empiris.

Sebaliknya, Model B memiliki puluhan variabel dan interaksi yang terdengar genius, nerdy, elegante. 😭

Model B menjelaskan:

“Kecenderungan X muncul karena 24 faktor psikologis yang disebabkan oleh 50 faktor sosial, terdiri dari 30 faktor ekonomi dan politik, 20 faktor budaya yang dipengaruhi beberapa parameter ekologis seperti iklim yang memengaruhi temperatur, biodiversitas yang memengaruhi noise dari serangga dan burung di lingkungan, polusi udara, polusi suara, dan polusi visual dari kegiatan manusia di sekitarnya.”

Tetapi jika sebagian besar variabelnya tidak memiliki dasar empiris yang kuat, tidak dapat diuji, atau tidak membuat model lebih sesuai dengan pengamatan, kompleksitas tersebut tidak memberi kita alasan tambahan untuk mempercayainya.

Jadi, dalam konteks klaim empiris seperti yang digunakan dalam thought experiment ini, salah satu alasan untuk lebih mempercayai sebuah model adalah ketika model tersebut mampu menjelaskan atau memprediksi sesuatu yang memang terjadi, asumsi-asumsinya dapat diuji, dan hasilnya tetap sesuai dengan bukti yang tersedia.

Tetapi ini tidak berarti bahwa kemampuan untuk diuji secara empiris adalah syarat universal bagi segala sesuatu yang dapat dianggap benar. Thought experiment-ku sendiri memiliki batas karena sejak awal aku memilih contoh yang berupa klaim tentang fenomena empiris.

Ada banyak jenis pertanyaan lain yang tidak bekerja dengan cara yang sama.

Misalnya, ketika kita berbicara tentang angka, kita tidak biasanya melakukan eksperimen terhadap alam untuk menemukan apakah angka 2 benar-benar “ada” di suatu tempat karena tidak dapat diperlakukan dengan cara yang sama seperti klaim bahwa “X meningkat ketika Y meningkat”. Yang pertama membawa kita ke pertanyaan tentang konsep, definisi, logika, atau struktur matematika dan metafisika, bukan sekadar pengamatan empiris.

Ini membuatku sadar bahwa mungkin aku tadi terlalu cepat membawa satu metode penilaian ke semua jenis klaim.

Cara kita memperoleh alasan untuk mempercayai sesuatu mungkin bergantung pada jenis klaim yang sedang dibuat.

Dan kalau begitu, pertanyaan “apa yang membuat sebuah model layak dipercaya?” ternyata jauh lebih besar daripada yang awalnya kukira.

Kemudian aku bertanya-tanya: apa maksudnya sederhana? Apa itu kompleksitas? Apakah penjelasan yang lebih kompleks lebih benar?

Aku juga tidak tahu apakah ada indikator kompleksitas yang seluruh populasi manusia akan sepakati. Tapi secara intuitif, aku merasa sebuah jawaban atau penjelasan menjadi lebih kompleks ketika melibatkan banyak variabel sekaligus interaksi di antara variabel-variabelnya, sampai kita membutuhkan lebih banyak energi untuk memprosesnya.

Jika sederhana adalah kebalikan dari kompleks, maka model yang sederhana mungkin merupakan model yang membuang variabel yang dianggap tidak relevan untuk menjawab pertanyaan tertentu dan mungkin dapat dipahami secara intuitif oleh penanyanya.

Tapi aku masih belum mengerti. Jadi aku coba melakukan thought experiment.

Dua Model

Bayangkan ada dua model. Model A dan Model B mencoba menjawab pertanyaan yang sama.

Model A menjelaskan:

“Kecenderungan X meningkat ketika variabel Y meningkat.”

Sedangkan Model B menjelaskan:

“Kecenderungan X muncul karena 24 faktor psikologis yang disebabkan oleh 50 faktor sosial, terdiri dari 30 faktor ekonomi dan politik, 20 faktor budaya yang dipengaruhi beberapa parameter ekologis seperti iklim yang memengaruhi temperatur, biodiversitas yang memengaruhi noise dari serangga dan burung di lingkungan, polusi udara, polusi suara, dan polusi visual dari kegiatan manusia di sekitarnya.”

Model B terdengar jauh lebih keren. 😭

Menurutku, B jelas merupakan penjelasan yang lebih kompleks. Tapi kompleksitasnya belum memberi tahu kita apakah model salah atau benar.

Model B mempunyai semacam aesthetic of explanation terdengar ilmiah karena memiliki banyak variabel, banyak hubungan kausal, dan banyak detail. Dari sini aku bisa dengan mudah melakukan lompatan:

Tapi thought experiment ini justru memberikan masalah lain terhadap asumsiku: bahwa penjelasan yang kompleks mungkin lebih sulit dipahami secara intuitif.

Sebuah model bisa kompleks secara struktural tetapi ditulis dengan sangat elegan sehingga mudah dipahami. Sebaliknya, model yang sebenarnya sederhana bisa dijelaskan dengan bahasa isekai sampai pembaca merasa sedang membaca kitab mantra pemanggilan raja iblis.

Jadi, “sulit dipahami” bukan indikator yang aman untuk menentukan kompleksitas model.

Dan iya, di sini aku sedang menilai penjelasanku sendiri di Model B elegan. 😌

Apakah Semua Variabel Itu Diperlukan?

Model B terlihat lebih kompleks.

Tapi sekarang pertanyaannya :

Apakah semua 24 faktor psikologis itu benar-benar diperlukan?

Bagaiamana kalau beberapa di antaranya tidak punya definisi yang konsisten?

Bagaimana kalau 17 di antaranya tidak memiliki efek yang dapat direplikasi?

Bagaimana kalau 5 faktor sebenarnya merupakan konsekuensi dari Y, bukan penyebab independen?

Bagaimana kalau sebagian variabel hanya membuat model terlihat lebih lengkap, tetapi tidak meningkatkan kemampuan model untuk menjelaskan atau memprediksi apa pun?

Sebaliknya, bagaimana kalau Model A yang sangat sederhana ternyata memprediksi data dengan akurasi lebih tinggi?

Dan bagaimana kalau Model A memang terlalu sederhana sehingga gagal ketika kondisi berubah, sementara Model B mampu memprediksi fenomena yang tidak dapat dijelaskan oleh Model A?

Di sini aku mulai sadar bahwa pertanyaan tentang kompleksitas ternyata tidak bisa dipisahkan begitu saja dari pertanyaan tentang fungsi sebuah model.

Sebuah model tidak harus memasukkan segala sesuatu yang mungkin memengaruhi fenomena karena dibuat untuk menjawab pertanyaan tertentu. Karena itu, variabel yang tidak diperlukan untuk pertanyaan tersebut mungkin memang lebih baik diabaikan.

Tetapi mengabaikan variabel juga bisa menjadi masalah jika variabel tersebut ternyata penting untuk menjelaskan fenomena atau membuat prediksi model gagal ketika konteks berubah.

Lalu apa yang memberi kita alasan untuk mempercayai sebuah model?