Los Alamos, musim semi 1953. Di sebuah ruangan penuh kabel dan tabung vakum yang berdengung tanpa henti, lima orang ilmuwan sedang bergelut dengan sebuah mesin raksasa bernama MANIAC — singkatan dari Mathematical Analyzer, Numerical Integrator, and Computer. Mesin ini terdiri dari 1.024 tabung vakum dan memori yang hanya mampu menyimpan seribu “kata” data. Terdengar remeh untuk ukuran hari ini, tapi saat itu, MANIAC adalah salah satu otak elektronik paling canggih di dunia.
Dan di ruangan itulah, tanpa banyak orang menyadarinya, lahir sebuah algoritma yang kelak menjadi fondasi statistik modern — dari machine learning hingga riset genetika. Namanya: Algoritma Metropolis.
Lima Nama, Dua Pasangan, Satu Terobosan
Kalau kamu membaca daftar penulis makalah yang mengubah sejarah komputasi ini, kamu akan menemukan sesuatu yang tidak biasa: bukan satu jenius yang bekerja sendirian, melainkan lima nama yang saling terkait secara personal. Ada Nicholas Metropolis, kepala laboratorium komputer di Los Alamos. Ada pasangan suami-istri Marshall Rosenbluth dan Arianna Rosenbluth. Dan ada pasangan suami-istri lainnya, Edward Teller — sang “bapak bom hidrogen” yang kontroversial — bersama istrinya, Augusta Teller.
Makalah mereka berjudul “Equation of State Calculations by Fast Computing Machines”, terbit di Journal of Chemical Physics pada Juni 1953. Judulnya terdengar teknis dan membosankan, seperti kebanyakan makalah fisika. Tapi isinya menyimpan salah satu ide paling elegan dalam sejarah sains komputasi.
Awalnya, tim ini sedang mencoba memahami sesuatu yang sangat spesifik: bagaimana perilaku benda padat saat meleleh, dimodelkan sebagai ratusan “cakram” kecil dua dimensi yang saling bertabrakan dalam sebuah ruang tertutup bersuhu tertentu. Masalahnya sederhana untuk dibayangkan, tapi mustahil dihitung secara langsung — ada terlalu banyak kemungkinan posisi partikel untuk dihitung satu per satu.
Peran yang Terlupakan dari Seorang Wanita di Balik Layar
Di sinilah bagian cerita yang jarang diceritakan: sosok yang benar-benar mewujudkan algoritma ini ke dalam kode program justru sering terlupakan oleh sejarah. Arianna Rosenbluth adalah orang yang menulis kode untuk MANIAC — bukan dalam bahasa pemrograman modern yang nyaman seperti Python, melainkan dalam bahasa assembly, level yang nyaris berbicara langsung dengan sirkuit mesin. Ia bahkan harus melacak sendiri lokasi fisik setiap angka yang tersimpan di memori komputer untuk bisa menjalankan perhitungan.
Sebelum proyek ini, Arianna sudah terbiasa bekerja dengan mesin rumit — ia pernah memverifikasi perhitungan untuk uji coba bom hidrogen pertama pada 1952. Bertahun-tahun kemudian, seorang fisikawan bernama Adam Iaizzi bahkan mendedikasikan seluruh disertasi doktoralnya untuk mengungkap kembali kontribusi Arianna yang selama puluhan tahun tenggelam di bawah nama “Metropolis”.
Ironisnya, dalam sebuah wawancara di kemudian hari, Marshall Rosenbluth sendiri mengaku bingung soal siapa yang sebenarnya paling berjasa. Ia bahkan menyebut, “Metropolis adalah bos laboratorium komputer. Kami tidak pernah punya satu pun diskusi ilmiah dengannya.” Nama algoritma ini pun sempat disebut seharusnya lebih pantas dinamai “Metode Rosenbluth” — namun sejarah, seperti biasa, tidak selalu adil pada siapa yang paling berjasa di balik layar.
Ide di Balik Algoritma: Berjalan Secara Cerdas, Bukan Sembarangan
Lalu, apa sebenarnya yang membuat algoritma ini begitu revolusioner?
Bayangkan kamu diminta menjelajahi sebuah gunung raksasa dalam kabut tebal, dan tugasmu adalah menemukan area mana yang paling sering dikunjungi orang — tapi kamu tidak bisa melihat peta keseluruhan gunung itu. Cara paling bodoh adalah melompat ke titik acak di mana saja, lalu berharap beruntung. Cara yang jauh lebih cerdas adalah: dari posisimu sekarang, coba melangkah ke arah acak. Jika langkah itu membawamu ke tempat yang “lebih ramai” (lebih mungkin), langsung ikuti. Tapi jika membawamu ke tempat yang lebih sepi, jangan langsung menolak — terima langkah itu dengan peluang tertentu, tergantung seberapa besar perbedaannya.
Itulah inti dari algoritma Metropolis. Alih-alih mengambil sampel acak murni seperti metode Monte Carlo klasik ala Ulam, algoritma ini membangun sebuah rantai langkah demi langkah — di mana setiap langkah baru bergantung pada langkah sebelumnya. Dalam istilah matematika, ini disebut rantai Markov (Markov chain). Dan karena setiap langkah dipilih menggunakan prinsip Monte Carlo, gabungan keduanya melahirkan nama besar yang kini akrab di telinga banyak ilmuwan data: Markov Chain Monte Carlo, atau yang lebih dikenal dengan singkatan MCMC.
Dari Fisika Partikel ke Revolusi Statistik Bayesian
Selama hampir dua dekade setelah 1953, algoritma Metropolis lebih banyak “tidur” di dunia fisika dan kimia — digunakan untuk mensimulasikan perilaku molekul, gas, dan material. Baru pada 1970, seorang statistikawan bernama W.K. Hastings mengambil langkah penting: ia menggeneralisasi algoritma ini sehingga bisa digunakan pada distribusi probabilitas yang jauh lebih luas, tidak hanya kasus-kasus simetris seperti versi aslinya. Kombinasi keduanya kini dikenal sebagai algoritma Metropolis-Hastings, dan menjadi salah satu alat paling fundamental dalam statistik Bayesian modern.
Perlahan tapi pasti, teknik yang awalnya diciptakan untuk menghitung bagaimana benda padat meleleh ini merambat jauh melampaui fisika. Kini MCMC menjadi tulang punggung untuk:
- Statistik Bayesian, mengestimasi distribusi probabilitas kompleks yang mustahil dihitung secara analitis.
- Machine learning, khususnya dalam model probabilistik dan inferensi variabel laten.
- Genetika dan biologi komputasi, untuk merekonstruksi pohon evolusi dan menganalisis data genom.
- Ilmu iklim dan lingkungan, dalam memodelkan ketidakpastian sistem yang sangat kompleks.
Sungguh perjalanan panjang untuk sebuah ide yang lahir dari upaya memahami bagaimana cakram-cakram kecil bertabrakan di dalam sebuah mesin bertabung vakum di tengah gurun New Mexico.
Pelajaran di Balik Nama yang Terlupakan
Kisah algoritma Metropolis menyimpan pesan yang mungkin lebih relevan bagi mahasiswa dibanding rumus matematikanya sendiri. Terobosan besar jarang lahir dari kerja satu individu jenius yang bekerja sendirian di ruang gelap — ia lahir dari kolaborasi, dari pembagian kerja yang tidak selalu tercatat adil dalam sejarah. Arianna Rosenbluth menuliskan setiap baris kode yang membuat teori ini benar-benar “hidup” di dalam mesin, namun namanya nyaris tenggelam di balik nama laki-laki yang menjadi “boss” laboratorium.
Jadi, lain kali kamu mengerjakan proyek kelompok dan merasa kontribusimu di balik layar tidak terlihat sebesar rekan yang tampil di depan, ingatlah kisah ini. Sejarah sains penuh dengan kisah-kisah seperti Arianna — orang-orang yang pekerjaannya mengubah dunia, meski namanya baru diakui puluhan tahun kemudian.
Sumber & Referensi
- Journal of Chemical Physics — Equation of State Calculations by Fast Computing Machines
- American Physical Society — Arianna Rosenbluth and the Metropolis Monte Carlo Algorithm
- J.E. Gubernatis — Marshall Rosenbluth and the Metropolis Algorithm
- arXiv — A Short History of Markov Chain Monte Carlo
- Statistical Modeling, Causal Inference, and Social Science — Who Invented the Metropolis Algorithm?
- arXiv — Introduction to Monte Carlo Methods
