Metodologi v0.1.0.0

Tujuan model

Antisipasi Pejabat memisahkan empat pertanyaan yang sering dicampur:

1. Apakah kondisi agregat mendukung terjadinya aksi?
2. Jika aksi terjadi, apakah isu punya potensi menyebar?
3. Seberapa tinggi risiko eskalasi/intervensi?
4. Seberapa besar tekanan kebijakan yang dihasilkan? Tidak satu pun skor tersebut dimaksudkan untuk memprediksi perilaku individu.

Model likelihood

Likelihood adalah weighted heuristic dengan baseline kecil. Faktor positif:

• grievance 14%
• trigger 13%
• salience 10%
• online momentum 8%
• coalition 8%
• organization 7%
• economic stress 7%
• institutional distrust 8%
• incident shock 8%
• recent precedent 4%
• media attention 5%
• public support 5%
• regional relevance 3% Faktor mitigasi yang dikurangkan:
• kualitas komunikasi pemerintah 6%
• responsivitas/dialog 8% Bobot sengaja eksplisit di prolog/ap_model.pl agar dapat diaudit. Bobot bukan koefisien hasil regresi dan bukan klaim kausal.

Spread

Spread memberi bobot besar pada momentum daring, relevansi lintas wilayah, koalisi, salience, dukungan publik, media, dan preseden. Scope memberi adjustment kecil.

Eskalasi

Eskalasi memodelkan grievance, incident shock, intervention pressure, distrust, trigger, durasi, rendahnya organizer control, dan rendahnya responsivitas kebijakan.

Hubungan ini digunakan sebagai risk stress-test; tool tidak memberi panduan bagaimana melakukan intervensi.

Crowd bucket

Output tidak mencoba mengarang angka peserta presisi. Ia memakai lima bucket yang kompatibel dengan metodologi crowd-size ACLED per Juli 2026:

• very small: <20
• small: 20–99
• medium: 100–999
• large: 1.000–9.999
• massive: 10.000+ Antisipasi Pejabat memetakan turnout index internal ke bucket tersebut. Itu bukan model BERT ACLED dan tidak boleh disebut sebagai estimasi ACLED.

State

Terminologi state mengambil inspirasi dari klasifikasi demonstrasi ACLED:

• peaceful protest
• protest with intervention
• excessive force against protesters Untuk state dengan risiko tinggi, output juga mengingatkan bahwa violent demonstration merupakan klasifikasi berbeda. Simulator hanya memberi risk label, tidak menyatakan bahwa kekerasan pasti terjadi.

Confidence

Karena v0.1 belum memiliki dataset kalibrasi resmi, confidence dibatasi 20–68. Ini mencegah UI menghasilkan kesan kepastian tinggi hanya karena angka input lengkap.

Evaluasi

prolog/ap_calibration.pl menyediakan evaluation harness CSV: accuracy dan Brier score. Modul tidak otomatis melatih ulang bobot. Pengguna riset dapat membandingkan model dengan baseline sederhana dan baru mengubah koefisien setelah evaluasi out-of-sample.

Keterbatasan

• Heuristik, bukan model kausal.
• Tidak memakai data real-time otomatis.
• Tidak memakai demografi sensitif.
• Tidak mengestimasi rute, titik kumpul, jaringan individu, atau identitas penyelenggara.
• Peristiwa politik memiliki non-stationarity; hubungan masa lalu dapat berubah.
• Laporan media dan crowd size dapat bias/ambigu.
• Variabel yang saling berkorelasi dapat membuat skor tampak lebih tegas daripada realitas.

Rekomendasi riset v0.2

1. Dataset event-level 2019+ dengan label demonstrasi yang konsisten.
2. Split temporal train/validation/test, bukan random split saja.
3. Calibration curve dan Brier decomposition.
4. Baseline model (prevalence-only dan logistic regression) sebagai pembanding.
5. Ablation study tiap kelompok fitur.
6. Fairness/error audit lintas wilayah tanpa membuat "provinsi rawan" sebagai stigma permanen.
7. Data provenance dan versioning.
8. Model card setiap release.