Mengubah satu parameter kecil pada model digital terkadang menghasilkan perubahan keluaran yang besar. Analisis sensitivitas membantu memeriksa parameter mana yang paling berpengaruh dan mana yang dampaknya relatif terbatas.

Metode ini penting saat pengamat membandingkan skenario permainan berbasis peluang. Namun, hasil analisis tetap merupakan konsekuensi dari model yang dipakai, bukan otomatis cerminan sistem nyata.

Menentukan Parameter yang Akan Diuji

Sebuah model dapat memuat bobot simbol, frekuensi kejadian khusus, atau aturan pengali. Analisis sensitivitas dimulai dengan memilih satu ukuran keluaran, misalnya frekuensi kategori hasil atau nilai harapan.

Setelah itu, parameter diubah dalam rentang yang masuk akal. Tanpa definisi keluaran yang jelas, perubahan angka sulit diartikan karena tidak diketahui aspek apa yang sedang dibandingkan.

Mengubah Satu Variabel untuk Melihat Dampaknya

Pendekatan sederhana mengubah satu parameter sambil mempertahankan parameter lain. Cara ini membantu mengisolasi pengaruh lokal, misalnya bagaimana perubahan bobot satu simbol mengubah frekuensi kemunculan yang diperkirakan.

Namun, parameter sering saling terkait. Jika jumlah seluruh peluang harus tetap seratus persen, menaikkan bobot satu kategori berarti ada penyesuaian pada kategori lain. Mengabaikan batasan tersebut dapat membuat model tidak valid.

Interaksi Parameter Dapat Mengubah Gambaran

Dalam model yang lebih kompleks, dua perubahan kecil dapat saling memperkuat atau justru mengurangi pengaruh masing-masing. Pengujian beberapa parameter bersama-sama membantu menemukan interaksi semacam ini.

Rentang pengujian juga penting. Model yang tampak stabil untuk perubahan satu persen belum tentu stabil ketika parameter berubah jauh lebih besar. Hasil sebaiknya dilaporkan bersama batas skenario yang diuji.

Memahami Keterbatasan Model Digital

Analisis sensitivitas tidak bisa membuktikan bobot internal permainan yang tidak dipublikasikan. Ia hanya menunjukkan apa yang terjadi jika asumsi tertentu diubah. Perbedaan antara eksperimen model dan audit sistem nyata harus dijaga.

Dengan batasan yang jelas, metode ini membantu menjelaskan mengapa keluaran suatu model peka terhadap parameter tertentu. Manfaatnya adalah transparansi asumsi, bukan janji bahwa pengguna bisa mengendalikan hasil acak.