<![CDATA[Perangkat lunak sumber terbuka (open-source software) menjadi bagian penting dalam pemodelan fisika karena memungkinkan penyusunan model, komputasi numerik, analisis simbolik, visualisasi, dan dokumentasi komputasi secara lebih terbuka. Artikel ini merupakan tinjauan singkat naratif-terstruktur yang meninjau beberapa perangkat komputasi sumber terbuka yang relevan untuk pemodelan fisika, yaitu Python beserta pustaka ilmiahnya, Julia, GNU Octave, Scilab, Maxima, SageMath, dan Jupyter Notebook. Kajian dilakukan melalui telaah literatur primer, dokumentasi resmi, dan artikel perangkat lunak ilmiah yang banyak dirujuk. Aspek yang dibandingkan meliputi kemampuan numerik, simbolik, visualisasi, penyelesaian persamaan diferensial, analisis data, performa komputasi, dan dukungan terhadap reproduksibilitas. Hasil tinjauan menunjukkan bahwa Python merupakan ekosistem paling serbaguna untuk pemodelan fisika umum, Julia kuat untuk komputasi numerik berkinerja tinggi, GNU Octave dan Scilab relevan untuk komputasi matriks dan simulasi teknik, sedangkan Maxima, SageMath, dan SymPy lebih sesuai untuk tahap analisis simbolik. Jupyter Notebook memperkuat dokumentasi proses, tetapi tetap memerlukan manajemen versi, pencatatan dependensi, dan struktur kode yang tertib. Kajian ini menegaskan bahwa pemilihan perangkat sebaiknya mengikuti karakter masalah fisika, kebutuhan numerik, kebutuhan simbolik, skala komputasi, dan standar reproduksibilitas. Open-source software has become an important component of physics modeling because it supports model formulation, numerical computation, symbolic analysis, visualization, and computational documentation in a more transparent environment. This paper presents a structured narrative short review of selected open-source computational tools relevant to physics modeling, namely Python and its scientific libraries, Julia, GNU Octave, Scilab, Maxima, SageMath, and Jupyter Notebook. The review draws on primary software papers, official documentation, and widely cited scientific-computing references. The compared aspects include numerical computation, symbolic computation, visualization, differential equation solving, data analysis, computational performance, and support for reproducibility. The review indicates that Python offers the most versatile ecosystem for general physics modeling, Julia is strong for high-performance numerical computation, GNU Octave and Scilab remain relevant for matrix-oriented computation and engineering simulation, whereas Maxima, SageMath, and SymPy are more suitable for symbolic analysis. Jupyter Notebook improves computational documentation but still requires version control, dependency recording, and careful code organization. This review emphasizes that tool selection should be guided by the type of physical problem, numerical requirements, symbolic needs, computational scale, and reproducibility standards.]]>
Copyrights © 2026
