Diagram Causal Loop merupakan alat penting untuk merepresentasikan struktur umpan balik sistem. Diagram ini sangat baik untuk
Konvensi untuk menggambar CLD sederhana, tetapi harus diikuti dengan saksama. Anggap CLD sebagai partitur musik: Awalnya, Anda mungkin kesulitan membuat dan menginterpretasikan diagram ini, tetapi dengan latihan, Anda akan segera dapat membaca diagram tersebut. Dalam artikel ini, saya menyajikan beberapa panduan penting yang dapat membantu Anda memastikan CLD Anda akurat dan efektif dalam menangkap dan mengomunikasikan struktur umpan balik dari sistem yang kompleks.
Terkadang orang berpendapat bahwa hubungan tertentu dalam CLD bisa positif atau negatif, tergantung pada parameter lain atau di mana sistem beroperasi. Misalnya, kita dapat menggambar diagram yang menghubungkan pendapatan perusahaan dengan harga produknya, lalu berpendapat bahwa hubungan antara harga dan pendapatan perusahaan bisa positif atau negatif, tergantung pada elastisitas permintaan (lihat "Ambiguitas Hubungan"). Harga yang lebih tinggi berarti pendapatan yang lebih rendah jika kenaikan harga sebesar 1 persen menyebabkan permintaan turun lebih dari 1 persen. Hubungan ini akan ditandai dengan tanda negatif. Namun, permintaan yang kurang elastis mungkin berarti kenaikan harga sebesar 1 persen menyebabkan permintaan turun kurang dari 1 persen, sehingga pendapatan akan meningkat, menghasilkan polaritas hubungan yang positif.
Ketika Anda kesulitan menetapkan tanda yang jelas dan tegas untuk suatu hubungan, biasanya itu berarti terdapat lebih dari satu jalur kausal yang menghubungkan kedua variabel tersebut. Anda harus membuat jalur-jalur yang berbeda ini secara eksplisit dalam diagram Anda. Diagram yang tepat untuk dampak harga terhadap pendapatan akan menunjukkan bahwa harga memiliki setidaknya dua efek terhadap pendapatan: (1) menentukan berapa banyak pendapatan yang dihasilkan per unit yang terjual (hubungan positif), dan (2) memengaruhi jumlah unit yang terjual (biasanya hubungan negatif).
Ada dua metode untuk menentukan apakah suatu loop bersifat memperkuat atau menyeimbangkan: cara cepat dan cara yang benar. Cara cepat, yang mungkin telah Anda pelajari saat pertama kali bekerja dengan CLD, adalah dengan menghitung jumlah tautan negatif—diwakili oleh "-" atau "o"—di dalam loop (lihat "'+' dan '-' vs. 's' dan 'o'"). Jika angkanya genap, loop tersebut bersifat memperkuat; jika angkanya ganjil, loop tersebut bersifat menyeimbangkan. Namun, metode ini terkadang bisa gagal, karena sangat mudah untuk salah memberi label polaritas tautan atau salah menghitung jumlah tautan negatif.
Cara yang tepat adalah dengan menelusuri efek perubahan kecil pada salah satu variabel di sekitar loop. Pilih variabel apa pun dalam loop. Sekarang bayangkan variabel tersebut telah berubah (bertambah atau berkurang), dan telusuri efek perubahan ini di sekitar loop. Jika perubahan tersebut memberikan umpan balik untuk memperkuat perubahan awal, maka loop tersebut merupakan loop penguat. Jika perubahan tersebut berlawanan dengan perubahan awal, maka loop tersebut merupakan loop penyeimbang. Metode ini berfungsi berapa pun jumlah variabel dalam satu loop dan dari mana pun Anda memulai.
Semua siklus penyeimbang memiliki tujuan, yang merupakan kondisi sistem yang diinginkan. Siklus penyeimbang berfungsi dengan membandingkan kondisi aktual dengan tujuan, kemudian memulai tindakan korektif sebagai respons terhadap perbedaan di antara keduanya. Seringkali bermanfaat untuk membuat tujuan siklus penyeimbang Anda eksplisit, biasanya dengan menambahkan variabel baru, seperti "kualitas produk yang diinginkan" (lihat Kualitas Produk yang Diinginkan di "Tujuan Eksplisit"). Diagram menunjukkan siklus penyeimbang yang memengaruhi kualitas produk perusahaan: Semakin rendah kualitasnya, semakin banyak program peningkatan kualitas yang diinisiasi perusahaan, yang, jika berhasil, akan memperbaiki kekurangan kualitas tersebut.
Menetapkan tujuan secara eksplisit mendorong orang untuk bertanya bagaimana tujuan tersebut terbentuk; misalnya, siapa yang menentukan kualitas produk yang diinginkan dan kriteria apa yang mereka gunakan untuk menentukannya? Hipotesis tentang jawaban atas pertanyaan-pertanyaan ini kemudian dapat diintegrasikan ke dalam diagram. Tujuan dapat bervariasi seiring waktu dan merespons tekanan lingkungan, seperti masukan pelanggan atau kualitas produk pesaing.
Menjelaskan tujuan dari siklus penyeimbangan secara eksplisit sangatlah penting ketika siklus tersebut menggambarkan perilaku manusia—menunjukkan tujuan tersebut mendorong refleksi dan diskusi tentang aspirasi dan motif para pelaku. Namun, seringkali penting untuk menyajikan tujuan secara eksplisit bahkan ketika siklus tersebut tidak melibatkan manusia sama sekali.
Setiap tautan dalam diagram Anda harus mewakili apa yang Anda dan rekan Anda yakini sebagai hubungan kausal antar variabel. Dalam hubungan kausal, satu variabel memiliki efek langsung terhadap variabel lain; misalnya, perubahan angka kelahiran mengubah total populasi. Anda harus berhati-hati untuk tidak memasukkan korelasi antar variabel dalam diagram Anda. Korelasi antar variabel mencerminkan perilaku masa lalu suatu sistem, bukan struktur dasarnya. Jika keadaan berubah, jika putaran umpan balik yang sebelumnya tidak aktif menjadi dominan, atau jika Anda bereksperimen dengan keputusan dan kebijakan baru, korelasi antar variabel yang sebelumnya andal dapat rusak.
Misalnya, meskipun penjualan es krim berkorelasi positif dengan tingkat pembunuhan, Anda mungkin tidak menyertakan hubungan antara penjualan es krim dengan pembunuhan dalam CLD Anda. Hubungan kausal semacam itu menunjukkan bahwa mengurangi konsumsi es krim akan memangkas tingkat pembunuhan dan memungkinkan masyarakat untuk memangkas anggaran polisi dan penjara. Tentu saja, ini tidak benar: Konsumsi es krim dan kejahatan kekerasan cenderung meningkat di cuaca panas. Namun, contoh ini menggambarkan bagaimana korelasi yang membingungkan dengan kausalitas dapat menyebabkan kesalahan penilaian dan kesalahan kebijakan yang fatal (lihat "Penjualan Es Krim dan Pembunuhan").
Meskipun hanya sedikit orang yang mungkin mengaitkan pembunuhan dengan kerucut ganda yang sesekali terjadi, banyak korelasi yang lebih halus, dan seringkali sulit untuk menentukan struktur kausal yang mendasarinya. Banyak penelitian ilmiah mencari jarum kausal dalam tumpukan besar korelasi: Bisakah mengonsumsi dedak gandum mengurangi kolesterol, dan jika ya, akankah risiko serangan jantung Anda menurun? Apakah pertumbuhan ekonomi menyebabkan angka kelahiran yang lebih rendah, atau apakah angka yang lebih rendah tersebut disebabkan oleh literasi, pendidikan bagi perempuan, dan meningkatnya biaya pengasuhan anak?
Apakah perusahaan dengan program peningkatan mutu yang serius menghasilkan laba yang lebih besar bagi para pemegang saham?
Para ilmuwan telah belajar dari pengalaman bahwa jawaban yang andal untuk pertanyaan-pertanyaan semacam itu sulit didapat dan membutuhkan dedikasi terhadap metode ilmiah—eksperimen terkontrol; uji coba acak tersamar ganda; sampel besar; studi lanjutan jangka panjang; replikasi; inferensi statistik; dan sebagainya. Dalam sistem sosial dan manusia, eksperimen semacam itu sulit, jarang, dan seringkali mustahil. Anda harus ekstra hati-hati untuk memastikan bahwa hubungan dalam CLD Anda bersifat kausal, betapa pun kuatnya korelasi tersebut.
Fine-Tuning Your Causal Loop Diagrams - Bagian I, John D. Sterman is the J. Spencer Standish Professor of Management at the Sloan School of Management of the Massachusetts Institute of Technology and director of MIT’s System Dynamics Group.
Daftar Isi