Muhammad Rifqi, profile picture
Uploaded byMuhammad Rifqi
PPTX, PDF3,053 views

Pengenalan Social Network ANalysis

Intro to Social Network Analysis merupakan dokumen yang menjelaskan analisis jaringan sosial sebagai alat kuantitatif untuk penelitian sosial. Dokumen tersebut menjelaskan konsep dasar analisis jaringan sosial, sejarahnya, aplikasi praktisnya dalam berbagai bidang, cara merepresentasikan jaringan, dan pengukuran-pengukuran kuantitatif untuk menganalisis jaringan dan aktor didalamnya.

Embed presentation

Downloaded 50 times
Intro to Social Network Analysis a quantitative tool for social research Muhammad Rifqi Ma’arif Pusat Studi & Layanan Analitik Data (PuSLAD) Fakultas Teknik & Teknologi Informasi Universitas Jenderal Achmad Yani Yogyakarta
Perkenalan • Muhammad Rifqi Ma’arif, S.T, M.Eng • Dosen Program Studi Teknik Industri Universitas Jend. A. Yani Yogyakarta • Kontak/Akses • IG : @rifqi_mrf • Email 1 : muhammad.rifqi@gmail.com • Email 2 : rifqi@unjaya.ac.id • Pendidikan • S1 Teknik Informatika, UIN Sunan Kalijaga Yogyakarta • S2 Industrial & Systems Engineering, Dongguk University • Interest • Data Analytics & Machine Learning • Natural Language Processing • Industrial Information Systems
Referensi
Introduction • Social Network Analysis • Analisis jaringan sosial adalah metode di mana seseorang dapat menganalisis koneksi antar individu dalam suatu kelompok/institusi/ organisasi dlsb. • Sangat baik untuk mendeskripsikan interaksi kompleks dan menjelaskan interkoneksi diantara entitas-entitas yang terlibat • Entitas bisa berupa apapun orang/manusia, benda atau bahkan hal abstrak seperti teks, gambar digital, dlsb
Background: Network Analysis • Inti dari SNA adalah Network Analysis, yang mana Network Analysis tersebut merupakan pengembangan dari teori graf (graph theory) • Graph G =(V,E) • V = {a, b, c, d} • E = {{a,b},{a,c},{b,c},{c,d}} • Teori graf menyediakan sekumpulan konsep abstrak dan metode untuk menganalisis suatu graf. • Dengan kombinasi dengan alat analisis lain dan metode yang dikembangkan secara khusus, teori tersebut kemudian digunakan untuk untuk visualisasi dan analisis jaringan sosial (dan jaringan lainnya).
Early History of Graph and Network • Contoh paling awal dari analisis jaringan berasal dari kota Königsberg (sekarang Kaliningrad). • Kota Königsberg di Prusia terletak di kedua sisi Sungai Pregel, dan termasuk dua pulau besar yang dihubungkan satu sama lain dan daratan dengan tujuh jembatan. • Kemudian muncul suatu challenge, bagaimana menemukan jalan mengelilingi kota dengan melintasi setiap jembatan hanya sekali saja. • Ahli matematika terkenal Leonard Euler menggunakan grafik untuk membuktikan bahwa tidak ada jalur yang melintasi setiap jembatan kota hanya sekali (Newman et al, 2006).
We Live in a Networks • Disadari atau tidak, kita hidup dalam “networked society” (organisasi, komunitas, tim/kelompok, dll) • Struktur dari sebuah network, menunjukkan sebenarnya bagaimana sebuah networked society tersebut bekerja. • Dengan memahami bagaimana struktur tersebut bekerja, kita akan mendapatkan perspektif yang lebih akurat untuk meningkatkan kinerjanya. • Network Analysis atau Social Network Analysis merupakan alat bantu (tools) untuk memahami sebuah struktur network
Network Perspective • Network adalah kumpulan entitas yang dihubungkan oleh sebuah relasi, misalnya • People to people (friendship, shared interest, etc) • Group to group (membership intersection) • Organization to organization (trading, alliance, etc) • Hashtag to hashtag (co-occurence within same post) • Strong network are correlated with health • People with stronger personal networks are more productive, happier,and better performers • Companies who know how to manage alliances are more flexible, adaptive and resilient • Our personal health and well-being is often tied to our social networks
Network Analysis in Social Science • Network Analysis memiliki sejarah panjang dalam ilmu sosial sehingga kemudian disebut Social Network Analysis (SNA), meskipun banyak pengembangan metodenya juga berasal dari ahli matematika, fisikawan, ahli biologi dan ilmuwan komputer. • Dalam ilmu sosial SNA adalah perspektif unik tentang bagaimana sebuah kelompok/komunitas/masyarakat berfungsi/bekerja. • Alih-alih berfokus pada individu dan atributnya, atau pada struktur sosial makroskopis, perspektif SNA berpusat pada hubungan antara individu, kelompok, atau institusi sosial. • Hal ini relevan dengan istilah “Networked Society” yang dicetuskan oleh Manuel Castells • Gambar disamping adalah gambaran awal dari apa yang disebut dengan jaringan 'ego’ (ego network). Grafik menggambarkan kekuatan relasi yang bervariasi melalui lingkaran konsentris dari sebuah komunitas yang berpusat pada seorang leader (Wellman, 1998)
Practical Application • Meskipun aplikasi utamanya adalah pada studi mengenai struktur relasi yang digenerate oleh manusia. SNA hingga saat ini telah diaplikasikan di berbagai domain di luar social science. • Contohnya, computer scientis menggunakan dan bahkan mengembangkan metode SNA (network analysis) untuk melakukan penelitian pada webpages, trafik internet, diseminasi informasi, dlsb. • Contoh lain pada bidang life science adalah penggunaan SNA untuk mempelajari rantai makanan pada berbagai jenis ekosistem • Di bidang matematika dan fisika teori saat ini salah satu trend risetnya adalah memproduksi new complex method untuk mengeksplorasi suatu network, termasuk SNA. Dan metode-metode tersebut dapat digunakan di berbagai domain dengan objek yang relevan Dalam contoh ini, para peneliti mengumpulkan data dalam jumlah yang sangat besar pada tautan antar halaman web dan menemukan bahwa Web terdiri dari inti halaman yang saling terkait secara padat, sementara sebagian besar halaman web lain memiliki tautan atau ditautkan dari inti tersebut. Itu adalah salah satu wawasan pertama ke dalam skala sangat besar yang dibuat oleh manusia (Broder et al, 2000).
Practical Application • Dalam organisasi bisnis SNA dapat digunakan untuk menganalisis dan meningkatkan efektifitas pola (flow) komunikasi baik secara internal, maupun eksternal organisasi Sumber: The Organizational Network Fieldbook, Rob Cross et al, Jossey-Bass 2010
Another Practical Applications • Platform jejaring sosial seperti Facebook menggunakan elemen-elemen dasar dari SNA untuk mengidentifikasi dan merekomendasikan potential friends dari jejaring pertemanan. • Operator jaringan telekomunikasi menggunakan metode berbasis SNA untuk mengoptimasi struktur dan kapasitas jaringan yang mereka miliki • Aparat penegak hukum dan militer menggunakan SNA untuk mengidentifikasi jejaring kriminal dan teroris dengan memetakan data komunikasi yang berhasil dikumpulkan kedalam suatu jaringan dan kemudian mengidentifikasi key player dalam jaringan tersebut.
Main Use Case of SNA • Ketika ingin memvisualisasikan data untuk menemukan pola tertentu dari suatu relasi atau interaksi • Misalnya untuk menginvestigasi suatu jejaring sosial baik online maupun offline dengan tujuan untuk memahami bagaimana cara meningkatkan efektifitas dari jejaring tersebut • Ketika ingin mengikuti/mengenali bagaiman suatu informasi/isu/ objek mengalir (propagate) dalam suatu jejaring • Misalnya untuk menganalisis Social Networking Service (SNS), Online Community dan media sosial secara umum misalnya untuk mengidentifikasi penyebab perpecahan dalam suatu komunitas/jaringan sosial, mendorong growth dari suatu komunitas online, dlsb
Network Representation • Merepresentasikan relasi dalam suatu jaringan (network) • Unit of interest dari network adalah kumpulan aktor dan relasinya yang digabungkan. • Aktor direpresentasikan dalam node dan dan relasi dalam garis/edge. • Edge dapat mewakili interaksi, arus informasi, persamaan, hubungan sosial, dlsn • Secara umum, suatu relasi dapat berupa binary atau weighted dan directed atau undirected
Network Representation Source & Copyright: Technaut Education (www.technaut.co)
Network Representation Source & Copyright: Technaut Education (www.technaut.co)
Network Representation Source & Copyright: Technaut Education (www.technaut.co)
Network Representation Source & Copyright: Technaut Education (www.technaut.co)
Network Representation Source & Copyright: Technaut Education (www.technaut.co)
Network Representation Source & Copyright: Technaut Education (www.technaut.co)
Network Representation • Directed Graph 1 2 3 4 Graph (directed) Edge list Adjacency matrix
Network Representation • Undirected Graph Adjacency matrix becomes symmetric 1 2 3 4 1 2 3 4 Undirected (who knows whom) Adjajcency list masih sama Directed (who contact whom)
Defining Weights of Edges Weights dapat berupa: • Frequency of interaction in period of observation • Number of items exchanged in period • Individual perceptions of strength of relationship • Costs in communication or exchange, e.g. distance
Edge Weights as Relationship Strength • Edge dapat mewakili interaksi, arus informasi atau barang, kesamaan/afiliasi, atau hubungan sosial • Khusus untuk hubungan sosial, sebuah “proxy” untuk kekuatan suatu ikatan dapat berupa: • frekuensi interaksi (komunikasi) • jumlah aliran (pertukaran) timbal balik dalam interaksi • jenis interaksi atau aliran antara dua pihak (mis., intens atau tidak) • atribut lain dari node atau ikatan (misalnya, hubungan kerabat) • struktur lingkungan node (mis. banyak 'teman' bersama) • Metode survei, observasi dan wawancara memungkinkan kita untuk menentukan kekuatan dari sebuah relasi secara lebih pasti/akurat.
Data Acquisition & Weight Formulation • Data Acquisition • Plaftorm Jejaring Sosial (Facebook, Instagram, Twitter, dll) • Friendships, Follows • Likes, Comments • Mention • Co-occurence Hashtags, etc • Shared interest • Survey, Observasi, dlsb • Weight Formulation. • Single (Satu relasi satu atribut) • Multiple (Satu relasi banyak atribut). Sangat tergantung dari hubungan antar masing-masing atribut relasi • Simple math (tambah, kurang, bagi, kali, jumlah, rerata) • Complex math model
Edges and Their Weight are the Key From Question: “I interact with this person somewhat frequently” From Question: “I understand this person’s knowledge and skills “ (Agree or Strongly Agree)”
Desain Riset Sosial dengan SNA 1 • Identifikasi Research Questions 2 • Petakan Aktor dan Jenis Relasi/Interaksi yang Sesuai 3 •Data Acquisition •Social Media •Survey •Observation •dll 4 •Network Formulation (Edge & Weight Experiment) 5 •Quantitave Measurement •Network Visualization 6 •Interpretation
Example: Organizational Network
Example: Supply Chain Network • Goal: Meningkatkan efisiensi jaringan distribusi untuk menjaga kualitas barang (daging sapi), menurunkan emisi karbon (penghematan BBM) • Objective: Mengidentifikasi jaringan distribusi yang highly connected (sub- network). Melakukan analisis pada sub- network. • Pengumpulan Data: Melakukan perekaman aliran data barang pada titik- titik tertentu di jalur distribusi serta fasilitas penyimpanan (keluar masuknya barang)
Example: Supply Chain Network • Memformulasikan edge dan weight, dengan menentukan faktor-faktor yang berpengaruh dalam jaringan distribusi (commodity flow sequence, type of nodes (supplier, distributor, dlsb)). • Visualisasi Data “Whole” Network • Eksplorasi dengan pengukuran- pengukuran kuantitatif • Results Interpretation.
Quantitatve Measure of SNA • Measuring individuals (Centrality Metrics) • Look at positions of individuals in the network • Measuring the networks (Structural Metrics) • Look at the whole network and its components
Measuring the Individual :: Centraility • Pengukuran untuk mengidentifikasi key player (vocal point) dalam suatu network dengan berbagai macam perspektif (ukuran). • Conceptually, centrality is straight forward: we want to identify which nodes are in the ‘center’ of the network. • In practice, identifying exactly what we mean by ‘center’ is somewhat complicated. • Measure of centrality: Degree centrality, Betweeness centrality, Closeness centrality, Eigenvector centrality
Degree Centrality • Degree centrality adalah jumlah link yang masuk (in-degree) atau keluar (out-degree) dari sebuah node • Dalam graf yang tidak berarah (undirected) in-degree dan out-degree identik • Sering digunakan sebagai ukuran tingkat keterhubungan sebuah node dengan immediate neighbours (popularitas, influence, dll). • Berguna dalam menilai node mana yang menjadi key player dalam penyebaran informasi dan mempengaruhi orang lain di lingkungan (neighborhood) sekitar mereka Node 3 dan 5 memiliki Degree centrality tertinggi (4)
Betweeness Centrality • Menunjukkan node mana yang berada di jalur komunikasi diantara dua atau lebih kelompok node (sub-graphs) yang secara struktur terpisah. • Edge dengan skor sentralitas beetweness tinggi berpotensi berada pada posisi yang sangat kuat dan titik di mana jaringan akan pecah • Cara menghitungnya: • Untuk node tertentu v, hitung jumlah jalur terpendek antara node i dan j yang melewati v, dan bagi dengan semua jalur terpendek antara node i dan j • Jumlahkan nilai di atas untuk semua pasangan node i, j • Memungkinkan untuk dilakukan dinormalisasi sehingga nilai tertinggi adalah 1 atau jumlah semua sentralitas antara dalam jaringan adalah 1
Closeness Centrality • Closeness centrality adalah ukuran jangkauan (reach), yaitu seberapa jauh suatu informasi yang berasal dari sebuah node dapat mencapai node lain dalam satu jaringan. • Bisa juga untuk mengukur seberapa cepat informasi dapat menyebar dari node asal ke node lainnya. • Cara menghitungnya • Hitung panjang rata-rata dari semua jalur terpendek dari satu node ke semua node lain dalam jaringan (yaitu, berapa banyak lompatan rata-rata yang diperlukan untuk mencapai setiap node lain) • Ambil kebalikan dari nilai di atas sehingga nilai yang lebih tinggi menjadi 'lebih baik' (menunjukkan kedekatan yang lebih tinggi) seperti dalam ukuran sentralitas lainnya
Paths and shortest paths • Jalur (path) antara dua node adalah urutan node yang tidak berulang yang menghubungkan dua node • Jalur terpendek (shortest path) antara dua node adalah jalur yang menghubungkan dua node dengan jumlah edge terpendek (disebut juga jarak antar node) • Pada contoh di sebelah kanan, antara node 1 dan 4 ada dua jalur terpendek dengan panjang 2: {1,2,4} dan {1,3,4} • Jalur lain yang lebih panjang antara dua node adalah {1,2,3,4}, {1,3,2,4}, {1,2,5,3,4} dan {1,3,5,2,4} (jalur terpanjang) • Jalur yang lebih pendek dibutuhkan ketika ingin mengetahui kecepatan maksimum yang dapat dicapai dari suatu komunikasi, penyebaran informasi, dlsb (misal. Penyebaran virus/penyakit menular)
Eigenvector Centrality • Eigenvector centrality berguna dalam menentukan node yang paling terkoneksi dengan node dengan eigenvector yang tinggi dalam suatu jaringan (versi lebih advance dari degree centrality) • Eigenvector centrality dari sebuah node adalah proporsi jumlah (proportion of sum) dari eigenvector centrality node-node lain yang terhubung dengannya. • Dengan kata lain, node dengan sentralitas vektor eigen tinggi dihubungkan ke node lain dengan sentralitas vektor eigen tinggi. • Hal ini mirip dengan cara Google memberi peringkat halaman web. Yakni ranking dari sebuah halaman web tergantung dari backlink yang diterima oleh halaman web tersebut.
Eigenvector Cent > PageRank Algorithm
Intepretation of Centrality (1) • Siapakah yang paling berperan/berpengaruh dalam penyebaran informasi? Degree Most friends, Most popular person Betweenness Power in the transmission of information Closeness Can quickly reach the whole group (directly or indirectly) Eigenvector Centrality Most connection to another influential nodes
Interpretation of Centrality (2) • Degree ⇒ Most friends ⇒ Most popular person • How many people can this person reach directly? • Closeness ⇒ Can quickly reach the whole group (directly or indirectly) • How fast can this person reach everyone in the network? • Betweenness ⇒ Power in the transmission of information • How likely is this person to be the most direct route between two people in the network? • Eigenvector Centrality ⇒ Most connection to another influential nodes • How well is this person connected to other well-connected people?
Interpretation of Centrality (3) • Degree ⇒ Most friends ⇒ Most popular person • In network of music collaborations: how many people has this person collaborated with? • Closeness ⇒ Can quickly reach the whole group (directly or indirectly) • In network of sexual relations: how fast will an STD spread from this person to the rest of the network? • Betweenness ⇒ Power in the transmission of information • In network of spies: who is the spy though whom most of the confidential information is likely to flow? • Eigenvector Centrality ⇒ Most connection to another influential nodes • In network of paper citations: who is the author that is most cited by other well-cited authors?
Interpretation of Centrality (4) • Degree ⇒ Most friends ⇒ Most popular person • Relevant if we want to quickly spread information in immediate time • Closeness ⇒ Can quickly reach the whole group (directly or indirectly) • Relevant if we want to quickly spread information in the network • Betweenness ⇒ Power in the transmission of information • Relevant if we want to influence communication between groups • Eigenvector Centrality ⇒ Most connection to another influential nodes • Relevant if we want to quickly spread information in immediate time
Comparing Centrality (1) • Different measures target different notions of importance • In a friendship network, degree and eigenvector centrality would correspond to who is the most popular/noticed kid. • Closeness centrality would correspond to who is closest to the rest of the group,. Useful for spreading information • Betweenness would tell us about graph “cut points”, edges whose deletion will cause multiple connected components
Comparing Centrality (2) • Dalam network di sebelah kanan, node 10 adalah yang paling sentral menurut degree centrality • Tetapi node 3 dan 5 sama-sama akan menjangkau lebih banyak node • Selain itu, ikatan di antara 3 dan 5 sangat penting; jika terputus, jaringan akan terbagi menjadi dua sub-jaringan yang terisolasi • Oleh karena itu node 3 dan 5 dianggap lebih 'kunci' untuk network tersebut daripada node 10
Network Flow Sumber: Borgatti, S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
Centrality and Network Flow Sumber: Borgatti, S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
Measuring The Network Network Density: Rasio jumlah relasi di dalam jaringan jumlah total kemungkinan relasi Reciprocity: Rasio hubungan/relasi timbal balik (dalam directed network) dengan jumlah total kemungkinan relasi Network Diameter: Jarak terjauh dua node dalam jaringan
Reciprocity (Degree of) • Reciprocity adalah indikator yang berguna untuk mengukur tingkat mutualitas atau hubungan timbal balik antar node dalam suatu jaringan berarah (directed graph/network). • Reciprocity dihitung dari rasio jumlah relasi yang antar node yang saling berimbal balik terhadap jumlah total relasi dalam jaringan • Dalam contoh di sebelah kanan ini adalah 2/5 = 0,4 (apakah ini dianggap tinggi atau rendah tergantung pada konteksnya)
Network Density • Network density adalah ukuran kepadatan. Mengindikasikan seberapa erat antar node dalam satu jaringan saling berelasi satu sama lain. • Network Density adalah indikator umum tentang seberapa baik koneksi jaringan (dengan kata lain, seberapa erat kaitannya) - jaringan yang terhubung sempurna disebut klik dan memiliki kepadatan = 1 • Network Density adalah rasio jumlah relasi/edge dalam jaringan terhadap jumlah total terelasi/edge pi yang mungkin antara semua pasang node (yaitu n (n-1) / 2), di mana n adalah jumlah node, untuk graf tidak berarah • Dalam contoh jaringan disamping kepadatan adalah 5/6 = 0.83 (yaitu jaringan yang cukup padat) • Grafik berarah akan memiliki setengah dari kepadatan network tidak terarahnya, karena ada dua kali lebih banyak sisi yang mungkin, yaitu n (n-1)
Network Diameter • Network Diameter adalah jalur (jarak) terpendek terpanjang antara dua node dalam jaringan disebut diameter jaringan • Rata-rata dari semua jalur terpendek dalam jaringan juga menarik karena ini menunjukkan seberapa jauh jarak rata-rata dua node (jarak rata-rata) • Network diameter adalah ukuran yang berguna untuk mengukur tingkat keterjangkauan dalam jaringan (reach) dibandingkan dengan hanya melihat jumlah total node atau edge. • Ini juga menunjukkan berapa lama waktu yang dibutuhkan suatu informasi/objek untuk mencapai node mana pun dari node asalnya di jaringan (jaringan yang lebih jarang umumnya akan memiliki diameter yang lebih besar) • Contoh diameter jaringan di sebelah kanan adalah 3.
Modularity • Modularitas adalah salah satu ukuran struktur jaringan atau grafik, sebagai indikator resiliensi dari suatu jaringan. • Resiliensi secara sederhana adalah ukuran seberapa mudah/sulit jaringan dipecah kedalam sub-network yang lebih kecil. • Jaringan dengan modularitas tinggi memiliki koneksi yang padat antara node dalam modul tetapi koneksi yang jarang antar node dalam modul yang berbeda.
Modularity Source & Copyright: Technaut Education (www.technaut.co)
Phenomenas of Social Network in Real World
Small World • Small World adalah jaringan yang terlihat hampir acak tetapi menunjukkan koefisien pengelompokan yang sangat tinggi (node cenderung mengelompokkan secara lokal) dan panjang jalur rata-rata yang relatif pendek (node dapat dicapai dalam beberapa langkah) • Small World adalah struktur yang sangat umum di jejaring sosial karena transitivitas dalam ikatan sosial yang kuat dan kemampuan ikatan yang lemah untuk menjangkau seluruh kelompok • Jaringan dengan banyak small world akan memiliki banyak cluster tetapi juga banyak jembatan antar cluster yang membantu memperpendek jarak rata- rata antar node
Preferential Attachment • Preferential attachment adalah proses distribusi resource/ informasi yang bergantung kepada centrality yang dimiliki oleh suatu node. • The more connected a node is, the more likely it is to receive new links. Nodes with a higher degree have a stronger ability to grab links added to the network. • Dalam evolusi jejaring sosial, hal tersebut menyebabkan adanya sentralitas yang tidak seimbang diantara node-node yang ada pada suatu jejaring sosial. Example of network with preferential attachment • The result is a network with few very highly connected nodes and many nodes with a low degree • Such networks are said to exhibit a long-tailed degree distribution • And they tend to have a small- world structure! (so, as it turns out, transitivity and strong/weak tie characteristics are not necessary to explain small world structures, but they are common and can also lead to such structures)
Reasons for Preferential Attachment Popularity We want to be associated with popular people, ideas, items, thus further increasing their popularity, irrespective of any objective, measurable characteristics Also known as ‘the rich get richer’ Quality We evaluate people and everything else based on objective quality criteria, so higher quality nodes will naturally attract more attention, faster Also known as ‘the good get better’ Mixed model Among nodes of similar attributes, those that reach critical mass first will become ‘stars’ with many friends and followers (‘halo effect’) May be impossible to predict who will become a star, even if quality matters
Core Periphery Structure • Metrik yang berguna dan relatif sederhana untuk mengukur sejauh mana suatu network itu terpusat di bagian-bagian tertentu atau terdesentralisasi secara lebih merata adalah ukuran centrality. • Selain centrality, pada network-network berukuran besar seperti komunitas online memiliki inti sekumpulan node yang terhubung secara padat (dense subgraph) yang sangat penting untuk menghubungkan pinggiran yang jauh lebih besar.
Level of Social Network Analysis • Nodal Level, fokus pada atribut-atribut dan fenomena-fenomena pada node secara individual • Network Level, fokus pada atribut-attribut dan fenomena-fenomena pada network secara keseluruhan. • Dyadic Level, fokus pada interaksi diantara dua node (dyad) • Triadic Level, fokus pada relasi sirkular antara tiga node (triad) • N-adic Level, fokus pada sub-graph dari N-nodes • Mixed, kombinasi dari cross-level.
Some Key Papers • Borgatti, S. P.; Mehra, A.; Brass, D. J.; Labianca, G. (2009). Network Analysis in the Social Sciences. Science 13 February 2009: 323 (5916), 892-895. • Tantipathananandh, C., Berger-Wolf, T., & Kempe, D. (2007). A framework for community identification in dynamic social networks. In Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 717-726). ACM. • Kempe, D., Kleinberg, J., & Tardos, É. (2003, August). Maximizing the spread of influence through a social network. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 137-146). ACM. • Fowler, J. H., & Christakis, N. A. (2008). Dynamic spread of happiness in a large social network: longitudinal analysis over 20 years in the Framingham Heart Study. Bmj, 337, a2338.
SNA Software Graphical Based • Gephi • Pajek • Social Networks • NodeXL • Sentinel • NetMiner • NetViz • Vizone Programming Based • Python • Igraph • NetworkX • R • Igraph • SNA
Intro to Gephi • Created in 2008 by 4 French computing engineers • Free java based open source software to analyse and visualize networks. • Gephi run over Java Runtime Environment (JRE)
Gephi Data Format Source Target Weight Source Target A B 3 A B B C 2 A B C D 1 A B B C B C C D Adjacency List
Gephi Demo
Matter of Experiments
ꦩ ꦩ ꦩꦩꦩ ꦩꦩ ꦩꦩ ꦩ

More Related Content

PDF
Social Network Analysis
byIsmail Fahmi
 
PDF
Teori Analisis Jaringan Sosial untuk Pembangunan Berkelanjutan
byCIFOR-ICRAF
 
PDF
Social Network Analysis using Gephi and Drone Emprit
byIsmail Fahmi
 
PDF
Membaca Peta di Media Sosial Melalui Analisa Teks dan Social Network Analysis
byIsmail Fahmi
 
PPTX
Mengenal Social Network Analysis - Episode 1
byMuhammad Ghufron
 
PDF
Drone Emprit: Konsep dan Teknologi
byIsmail Fahmi
 
PDF
Social Media Analytics dengan Drone Emprit
byIsmail Fahmi
 
PDF
Jeroan Drone Emprit: NLP, Sentiment, Emotion, Bot, dan Demography Analysis
byIsmail Fahmi
 
Social Network Analysis
byIsmail Fahmi
 
Teori Analisis Jaringan Sosial untuk Pembangunan Berkelanjutan
byCIFOR-ICRAF
 
Social Network Analysis using Gephi and Drone Emprit
byIsmail Fahmi
 
Membaca Peta di Media Sosial Melalui Analisa Teks dan Social Network Analysis
byIsmail Fahmi
 
Mengenal Social Network Analysis - Episode 1
byMuhammad Ghufron
 
Drone Emprit: Konsep dan Teknologi
byIsmail Fahmi
 
Social Media Analytics dengan Drone Emprit
byIsmail Fahmi
 
Jeroan Drone Emprit: NLP, Sentiment, Emotion, Bot, dan Demography Analysis
byIsmail Fahmi
 

What's hot

PDF
5. Social Network Analysis (SNA) (1).pdf
byBagasCandraAP2KA02
 
PDF
Etika Digital
byLinaLinawati
 
PPTX
Ppt big data dina nisrina rosandi 6018210043
byDinaNisrinaRosandi
 
PDF
Media Sosial: Manfaat dan Akibat
byDamar Juniarto
 
PDF
Literasi Digital - Menjadi Netizen Cerdas
byIndriyatno Banyumurti
 
PDF
Materi Pertemuan 5
byyapannizam
 
PDF
Literasi Digital - Melawan Hoaks
byIndriyatno Banyumurti
 
PDF
Materi 1 (TOT Literasi Digital): Internet, Media Sosial, dan Literasi Digital
byIndriyatno Banyumurti
 
PDF
Digital Culture for Digital Transformation
bySeta Wicaksana
 
PDF
Digital Transformation - Transformasi Digital
byUtuh Wibowo
 
PPTX
Ppt Penyebaran Berita Hoax Melalui Internet
byTiara Arianti
 
PDF
Literasi digital resika - etika dalam ruang digital
byResika Arthana
 
PPTX
Pertemuan 1 Sistem Basis Data.pptx
byRakhmi Khalida, M.M.S.I
 
PPTX
Pengantar Dan Konsep Keamanan Sistem Informasi
byIndri Sukmawati Rahayu
 
PDF
Materi 2 (TOT Literasi Digital): Hati-Hati di Dunia SIber
byIndriyatno Banyumurti
 
PDF
Bijak bersosmed - tips dan informasi gerakan
byliterasi digital
 
PPT
Digital Journalism dan Citizen Journalism
byiwan setiawan
 
PPT
BUDAYA DIGITAL.ppt
bySilviaEvelineErikasa
 
PPTX
Data dan informasi power point
byDeanfer99
 
PPTX
DIMENSI STRUKTUR ORGANISASI
bynurul khaiva
 
5. Social Network Analysis (SNA) (1).pdf
byBagasCandraAP2KA02
 
Etika Digital
byLinaLinawati
 
Ppt big data dina nisrina rosandi 6018210043
byDinaNisrinaRosandi
 
Media Sosial: Manfaat dan Akibat
byDamar Juniarto
 
Literasi Digital - Menjadi Netizen Cerdas
byIndriyatno Banyumurti
 
Materi Pertemuan 5
byyapannizam
 
Literasi Digital - Melawan Hoaks
byIndriyatno Banyumurti
 
Materi 1 (TOT Literasi Digital): Internet, Media Sosial, dan Literasi Digital
byIndriyatno Banyumurti
 
Digital Culture for Digital Transformation
bySeta Wicaksana
 
Digital Transformation - Transformasi Digital
byUtuh Wibowo
 
Ppt Penyebaran Berita Hoax Melalui Internet
byTiara Arianti
 
Literasi digital resika - etika dalam ruang digital
byResika Arthana
 
Pertemuan 1 Sistem Basis Data.pptx
byRakhmi Khalida, M.M.S.I
 
Pengantar Dan Konsep Keamanan Sistem Informasi
byIndri Sukmawati Rahayu
 
Materi 2 (TOT Literasi Digital): Hati-Hati di Dunia SIber
byIndriyatno Banyumurti
 
Bijak bersosmed - tips dan informasi gerakan
byliterasi digital
 
Digital Journalism dan Citizen Journalism
byiwan setiawan
 
BUDAYA DIGITAL.ppt
bySilviaEvelineErikasa
 
Data dan informasi power point
byDeanfer99
 
DIMENSI STRUKTUR ORGANISASI
bynurul khaiva
 

More from Muhammad Rifqi

PDF
Machine Learning dengan R
byMuhammad Rifqi
 
PDF
Visualisasi Data di R dengan ggplot2
byMuhammad Rifqi
 
PPTX
Social Media Analytics
byMuhammad Rifqi
 
PDF
Market Basket Analisis dengan R
byMuhammad Rifqi
 
PDF
Topic Modeling and Keyword Extraction - From statistical machine learning to ...
byMuhammad Rifqi
 
PPTX
Data Pribadi di Ruang Siber
byMuhammad Rifqi
 
PDF
Open source stak of big data techs open suse asia
byMuhammad Rifqi
 
Machine Learning dengan R
byMuhammad Rifqi
 
Visualisasi Data di R dengan ggplot2
byMuhammad Rifqi
 
Social Media Analytics
byMuhammad Rifqi
 
Market Basket Analisis dengan R
byMuhammad Rifqi
 
Topic Modeling and Keyword Extraction - From statistical machine learning to ...
byMuhammad Rifqi
 
Data Pribadi di Ruang Siber
byMuhammad Rifqi
 
Open source stak of big data techs open suse asia
byMuhammad Rifqi
 

Recently uploaded

PDF
PPT LISTRIK "LISTRIK DINAMIS" KELAS 9 SMP.pdf
byYessiTriRamadhani
 
PPTX
White and Purple Simple Research Proposal Presentation.pptx
byErickGobel
 
PPTX
tugas akhir filsafat kel 3 universitas 17 agustus 1945
byfmursyidarobby
 
PDF
Dukungan_Kemendesa_untuk_Program_Makan_Bergizi_Gratis (Materi Sosialisasi P2B...
byssuserf9bb88
 
PPTX
20251222 - Arah Penggunaan Dana Desa dalam Optimalisasi Pemberdayaan Masyarak...
byZubirst
 
PPTX
Rancang Kota Ruang Terbuka Hijau di Kota
byNitaMaharani4
 
PDF
PEDRO4D: Daftar Bandar Bola, Slot Demo, Toto 4D, dan Casino Online Resmi
byPedro 4D
 
PPT LISTRIK "LISTRIK DINAMIS" KELAS 9 SMP.pdf
byYessiTriRamadhani
 
White and Purple Simple Research Proposal Presentation.pptx
byErickGobel
 
tugas akhir filsafat kel 3 universitas 17 agustus 1945
byfmursyidarobby
 
Dukungan_Kemendesa_untuk_Program_Makan_Bergizi_Gratis (Materi Sosialisasi P2B...
byssuserf9bb88
 
20251222 - Arah Penggunaan Dana Desa dalam Optimalisasi Pemberdayaan Masyarak...
byZubirst
 
Rancang Kota Ruang Terbuka Hijau di Kota
byNitaMaharani4
 
PEDRO4D: Daftar Bandar Bola, Slot Demo, Toto 4D, dan Casino Online Resmi
byPedro 4D
 

Pengenalan Social Network ANalysis

  • 1.
    Intro to SocialNetwork Analysis a quantitative tool for social research Muhammad Rifqi Ma’arif Pusat Studi & Layanan Analitik Data (PuSLAD) Fakultas Teknik & Teknologi Informasi Universitas Jenderal Achmad Yani Yogyakarta
  • 2.
    Perkenalan • Muhammad RifqiMa’arif, S.T, M.Eng • Dosen Program Studi Teknik Industri Universitas Jend. A. Yani Yogyakarta • Kontak/Akses • IG : @rifqi_mrf • Email 1 : muhammad.rifqi@gmail.com • Email 2 : rifqi@unjaya.ac.id • Pendidikan • S1 Teknik Informatika, UIN Sunan Kalijaga Yogyakarta • S2 Industrial & Systems Engineering, Dongguk University • Interest • Data Analytics & Machine Learning • Natural Language Processing • Industrial Information Systems
  • 3.
  • 4.
    Introduction • Social NetworkAnalysis • Analisis jaringan sosial adalah metode di mana seseorang dapat menganalisis koneksi antar individu dalam suatu kelompok/institusi/ organisasi dlsb. • Sangat baik untuk mendeskripsikan interaksi kompleks dan menjelaskan interkoneksi diantara entitas-entitas yang terlibat • Entitas bisa berupa apapun orang/manusia, benda atau bahkan hal abstrak seperti teks, gambar digital, dlsb
  • 5.
    Background: Network Analysis •Inti dari SNA adalah Network Analysis, yang mana Network Analysis tersebut merupakan pengembangan dari teori graf (graph theory) • Graph G =(V,E) • V = {a, b, c, d} • E = {{a,b},{a,c},{b,c},{c,d}} • Teori graf menyediakan sekumpulan konsep abstrak dan metode untuk menganalisis suatu graf. • Dengan kombinasi dengan alat analisis lain dan metode yang dikembangkan secara khusus, teori tersebut kemudian digunakan untuk untuk visualisasi dan analisis jaringan sosial (dan jaringan lainnya).
  • 6.
    Early History ofGraph and Network • Contoh paling awal dari analisis jaringan berasal dari kota Königsberg (sekarang Kaliningrad). • Kota Königsberg di Prusia terletak di kedua sisi Sungai Pregel, dan termasuk dua pulau besar yang dihubungkan satu sama lain dan daratan dengan tujuh jembatan. • Kemudian muncul suatu challenge, bagaimana menemukan jalan mengelilingi kota dengan melintasi setiap jembatan hanya sekali saja. • Ahli matematika terkenal Leonard Euler menggunakan grafik untuk membuktikan bahwa tidak ada jalur yang melintasi setiap jembatan kota hanya sekali (Newman et al, 2006).
  • 7.
    We Live ina Networks • Disadari atau tidak, kita hidup dalam “networked society” (organisasi, komunitas, tim/kelompok, dll) • Struktur dari sebuah network, menunjukkan sebenarnya bagaimana sebuah networked society tersebut bekerja. • Dengan memahami bagaimana struktur tersebut bekerja, kita akan mendapatkan perspektif yang lebih akurat untuk meningkatkan kinerjanya. • Network Analysis atau Social Network Analysis merupakan alat bantu (tools) untuk memahami sebuah struktur network
  • 8.
    Network Perspective • Networkadalah kumpulan entitas yang dihubungkan oleh sebuah relasi, misalnya • People to people (friendship, shared interest, etc) • Group to group (membership intersection) • Organization to organization (trading, alliance, etc) • Hashtag to hashtag (co-occurence within same post) • Strong network are correlated with health • People with stronger personal networks are more productive, happier,and better performers • Companies who know how to manage alliances are more flexible, adaptive and resilient • Our personal health and well-being is often tied to our social networks
  • 9.
    Network Analysis inSocial Science • Network Analysis memiliki sejarah panjang dalam ilmu sosial sehingga kemudian disebut Social Network Analysis (SNA), meskipun banyak pengembangan metodenya juga berasal dari ahli matematika, fisikawan, ahli biologi dan ilmuwan komputer. • Dalam ilmu sosial SNA adalah perspektif unik tentang bagaimana sebuah kelompok/komunitas/masyarakat berfungsi/bekerja. • Alih-alih berfokus pada individu dan atributnya, atau pada struktur sosial makroskopis, perspektif SNA berpusat pada hubungan antara individu, kelompok, atau institusi sosial. • Hal ini relevan dengan istilah “Networked Society” yang dicetuskan oleh Manuel Castells • Gambar disamping adalah gambaran awal dari apa yang disebut dengan jaringan 'ego’ (ego network). Grafik menggambarkan kekuatan relasi yang bervariasi melalui lingkaran konsentris dari sebuah komunitas yang berpusat pada seorang leader (Wellman, 1998)
  • 10.
    Practical Application • Meskipunaplikasi utamanya adalah pada studi mengenai struktur relasi yang digenerate oleh manusia. SNA hingga saat ini telah diaplikasikan di berbagai domain di luar social science. • Contohnya, computer scientis menggunakan dan bahkan mengembangkan metode SNA (network analysis) untuk melakukan penelitian pada webpages, trafik internet, diseminasi informasi, dlsb. • Contoh lain pada bidang life science adalah penggunaan SNA untuk mempelajari rantai makanan pada berbagai jenis ekosistem • Di bidang matematika dan fisika teori saat ini salah satu trend risetnya adalah memproduksi new complex method untuk mengeksplorasi suatu network, termasuk SNA. Dan metode-metode tersebut dapat digunakan di berbagai domain dengan objek yang relevan Dalam contoh ini, para peneliti mengumpulkan data dalam jumlah yang sangat besar pada tautan antar halaman web dan menemukan bahwa Web terdiri dari inti halaman yang saling terkait secara padat, sementara sebagian besar halaman web lain memiliki tautan atau ditautkan dari inti tersebut. Itu adalah salah satu wawasan pertama ke dalam skala sangat besar yang dibuat oleh manusia (Broder et al, 2000).
  • 11.
    Practical Application • Dalamorganisasi bisnis SNA dapat digunakan untuk menganalisis dan meningkatkan efektifitas pola (flow) komunikasi baik secara internal, maupun eksternal organisasi Sumber: The Organizational Network Fieldbook, Rob Cross et al, Jossey-Bass 2010
  • 12.
    Another Practical Applications •Platform jejaring sosial seperti Facebook menggunakan elemen-elemen dasar dari SNA untuk mengidentifikasi dan merekomendasikan potential friends dari jejaring pertemanan. • Operator jaringan telekomunikasi menggunakan metode berbasis SNA untuk mengoptimasi struktur dan kapasitas jaringan yang mereka miliki • Aparat penegak hukum dan militer menggunakan SNA untuk mengidentifikasi jejaring kriminal dan teroris dengan memetakan data komunikasi yang berhasil dikumpulkan kedalam suatu jaringan dan kemudian mengidentifikasi key player dalam jaringan tersebut.
  • 13.
    Main Use Caseof SNA • Ketika ingin memvisualisasikan data untuk menemukan pola tertentu dari suatu relasi atau interaksi • Misalnya untuk menginvestigasi suatu jejaring sosial baik online maupun offline dengan tujuan untuk memahami bagaimana cara meningkatkan efektifitas dari jejaring tersebut • Ketika ingin mengikuti/mengenali bagaiman suatu informasi/isu/ objek mengalir (propagate) dalam suatu jejaring • Misalnya untuk menganalisis Social Networking Service (SNS), Online Community dan media sosial secara umum misalnya untuk mengidentifikasi penyebab perpecahan dalam suatu komunitas/jaringan sosial, mendorong growth dari suatu komunitas online, dlsb
  • 14.
    Network Representation • Merepresentasikanrelasi dalam suatu jaringan (network) • Unit of interest dari network adalah kumpulan aktor dan relasinya yang digabungkan. • Aktor direpresentasikan dalam node dan dan relasi dalam garis/edge. • Edge dapat mewakili interaksi, arus informasi, persamaan, hubungan sosial, dlsn • Secara umum, suatu relasi dapat berupa binary atau weighted dan directed atau undirected
  • 15.
    Network Representation Source &Copyright: Technaut Education (www.technaut.co)
  • 16.
    Network Representation Source &Copyright: Technaut Education (www.technaut.co)
  • 17.
    Network Representation Source &Copyright: Technaut Education (www.technaut.co)
  • 18.
    Network Representation Source &Copyright: Technaut Education (www.technaut.co)
  • 19.
    Network Representation Source &Copyright: Technaut Education (www.technaut.co)
  • 20.
    Network Representation Source &Copyright: Technaut Education (www.technaut.co)
  • 21.
    Network Representation • DirectedGraph 1 2 3 4 Graph (directed) Edge list Adjacency matrix
  • 22.
    Network Representation • UndirectedGraph Adjacency matrix becomes symmetric 1 2 3 4 1 2 3 4 Undirected (who knows whom) Adjajcency list masih sama Directed (who contact whom)
  • 23.
    Defining Weights ofEdges Weights dapat berupa: • Frequency of interaction in period of observation • Number of items exchanged in period • Individual perceptions of strength of relationship • Costs in communication or exchange, e.g. distance
  • 24.
    Edge Weights asRelationship Strength • Edge dapat mewakili interaksi, arus informasi atau barang, kesamaan/afiliasi, atau hubungan sosial • Khusus untuk hubungan sosial, sebuah “proxy” untuk kekuatan suatu ikatan dapat berupa: • frekuensi interaksi (komunikasi) • jumlah aliran (pertukaran) timbal balik dalam interaksi • jenis interaksi atau aliran antara dua pihak (mis., intens atau tidak) • atribut lain dari node atau ikatan (misalnya, hubungan kerabat) • struktur lingkungan node (mis. banyak 'teman' bersama) • Metode survei, observasi dan wawancara memungkinkan kita untuk menentukan kekuatan dari sebuah relasi secara lebih pasti/akurat.
  • 25.
    Data Acquisition &Weight Formulation • Data Acquisition • Plaftorm Jejaring Sosial (Facebook, Instagram, Twitter, dll) • Friendships, Follows • Likes, Comments • Mention • Co-occurence Hashtags, etc • Shared interest • Survey, Observasi, dlsb • Weight Formulation. • Single (Satu relasi satu atribut) • Multiple (Satu relasi banyak atribut). Sangat tergantung dari hubungan antar masing-masing atribut relasi • Simple math (tambah, kurang, bagi, kali, jumlah, rerata) • Complex math model
  • 26.
    Edges and TheirWeight are the Key From Question: “I interact with this person somewhat frequently” From Question: “I understand this person’s knowledge and skills “ (Agree or Strongly Agree)”
  • 27.
    Desain Riset Sosialdengan SNA 1 • Identifikasi Research Questions 2 • Petakan Aktor dan Jenis Relasi/Interaksi yang Sesuai 3 •Data Acquisition •Social Media •Survey •Observation •dll 4 •Network Formulation (Edge & Weight Experiment) 5 •Quantitave Measurement •Network Visualization 6 •Interpretation
  • 28.
  • 29.
    Example: Supply ChainNetwork • Goal: Meningkatkan efisiensi jaringan distribusi untuk menjaga kualitas barang (daging sapi), menurunkan emisi karbon (penghematan BBM) • Objective: Mengidentifikasi jaringan distribusi yang highly connected (sub- network). Melakukan analisis pada sub- network. • Pengumpulan Data: Melakukan perekaman aliran data barang pada titik- titik tertentu di jalur distribusi serta fasilitas penyimpanan (keluar masuknya barang)
  • 30.
    Example: Supply ChainNetwork • Memformulasikan edge dan weight, dengan menentukan faktor-faktor yang berpengaruh dalam jaringan distribusi (commodity flow sequence, type of nodes (supplier, distributor, dlsb)). • Visualisasi Data “Whole” Network • Eksplorasi dengan pengukuran- pengukuran kuantitatif • Results Interpretation.
  • 31.
    Quantitatve Measure ofSNA • Measuring individuals (Centrality Metrics) • Look at positions of individuals in the network • Measuring the networks (Structural Metrics) • Look at the whole network and its components
  • 32.
    Measuring the Individual:: Centraility • Pengukuran untuk mengidentifikasi key player (vocal point) dalam suatu network dengan berbagai macam perspektif (ukuran). • Conceptually, centrality is straight forward: we want to identify which nodes are in the ‘center’ of the network. • In practice, identifying exactly what we mean by ‘center’ is somewhat complicated. • Measure of centrality: Degree centrality, Betweeness centrality, Closeness centrality, Eigenvector centrality
  • 33.
    Degree Centrality • Degreecentrality adalah jumlah link yang masuk (in-degree) atau keluar (out-degree) dari sebuah node • Dalam graf yang tidak berarah (undirected) in-degree dan out-degree identik • Sering digunakan sebagai ukuran tingkat keterhubungan sebuah node dengan immediate neighbours (popularitas, influence, dll). • Berguna dalam menilai node mana yang menjadi key player dalam penyebaran informasi dan mempengaruhi orang lain di lingkungan (neighborhood) sekitar mereka Node 3 dan 5 memiliki Degree centrality tertinggi (4)
  • 34.
    Betweeness Centrality • Menunjukkannode mana yang berada di jalur komunikasi diantara dua atau lebih kelompok node (sub-graphs) yang secara struktur terpisah. • Edge dengan skor sentralitas beetweness tinggi berpotensi berada pada posisi yang sangat kuat dan titik di mana jaringan akan pecah • Cara menghitungnya: • Untuk node tertentu v, hitung jumlah jalur terpendek antara node i dan j yang melewati v, dan bagi dengan semua jalur terpendek antara node i dan j • Jumlahkan nilai di atas untuk semua pasangan node i, j • Memungkinkan untuk dilakukan dinormalisasi sehingga nilai tertinggi adalah 1 atau jumlah semua sentralitas antara dalam jaringan adalah 1
  • 35.
    Closeness Centrality • Closenesscentrality adalah ukuran jangkauan (reach), yaitu seberapa jauh suatu informasi yang berasal dari sebuah node dapat mencapai node lain dalam satu jaringan. • Bisa juga untuk mengukur seberapa cepat informasi dapat menyebar dari node asal ke node lainnya. • Cara menghitungnya • Hitung panjang rata-rata dari semua jalur terpendek dari satu node ke semua node lain dalam jaringan (yaitu, berapa banyak lompatan rata-rata yang diperlukan untuk mencapai setiap node lain) • Ambil kebalikan dari nilai di atas sehingga nilai yang lebih tinggi menjadi 'lebih baik' (menunjukkan kedekatan yang lebih tinggi) seperti dalam ukuran sentralitas lainnya
  • 36.
    Paths and shortestpaths • Jalur (path) antara dua node adalah urutan node yang tidak berulang yang menghubungkan dua node • Jalur terpendek (shortest path) antara dua node adalah jalur yang menghubungkan dua node dengan jumlah edge terpendek (disebut juga jarak antar node) • Pada contoh di sebelah kanan, antara node 1 dan 4 ada dua jalur terpendek dengan panjang 2: {1,2,4} dan {1,3,4} • Jalur lain yang lebih panjang antara dua node adalah {1,2,3,4}, {1,3,2,4}, {1,2,5,3,4} dan {1,3,5,2,4} (jalur terpanjang) • Jalur yang lebih pendek dibutuhkan ketika ingin mengetahui kecepatan maksimum yang dapat dicapai dari suatu komunikasi, penyebaran informasi, dlsb (misal. Penyebaran virus/penyakit menular)
  • 37.
    Eigenvector Centrality • Eigenvectorcentrality berguna dalam menentukan node yang paling terkoneksi dengan node dengan eigenvector yang tinggi dalam suatu jaringan (versi lebih advance dari degree centrality) • Eigenvector centrality dari sebuah node adalah proporsi jumlah (proportion of sum) dari eigenvector centrality node-node lain yang terhubung dengannya. • Dengan kata lain, node dengan sentralitas vektor eigen tinggi dihubungkan ke node lain dengan sentralitas vektor eigen tinggi. • Hal ini mirip dengan cara Google memberi peringkat halaman web. Yakni ranking dari sebuah halaman web tergantung dari backlink yang diterima oleh halaman web tersebut.
  • 38.
    Eigenvector Cent >PageRank Algorithm
  • 39.
    Intepretation of Centrality(1) • Siapakah yang paling berperan/berpengaruh dalam penyebaran informasi? Degree Most friends, Most popular person Betweenness Power in the transmission of information Closeness Can quickly reach the whole group (directly or indirectly) Eigenvector Centrality Most connection to another influential nodes
  • 40.
    Interpretation of Centrality(2) • Degree ⇒ Most friends ⇒ Most popular person • How many people can this person reach directly? • Closeness ⇒ Can quickly reach the whole group (directly or indirectly) • How fast can this person reach everyone in the network? • Betweenness ⇒ Power in the transmission of information • How likely is this person to be the most direct route between two people in the network? • Eigenvector Centrality ⇒ Most connection to another influential nodes • How well is this person connected to other well-connected people?
  • 41.
    Interpretation of Centrality(3) • Degree ⇒ Most friends ⇒ Most popular person • In network of music collaborations: how many people has this person collaborated with? • Closeness ⇒ Can quickly reach the whole group (directly or indirectly) • In network of sexual relations: how fast will an STD spread from this person to the rest of the network? • Betweenness ⇒ Power in the transmission of information • In network of spies: who is the spy though whom most of the confidential information is likely to flow? • Eigenvector Centrality ⇒ Most connection to another influential nodes • In network of paper citations: who is the author that is most cited by other well-cited authors?
  • 42.
    Interpretation of Centrality(4) • Degree ⇒ Most friends ⇒ Most popular person • Relevant if we want to quickly spread information in immediate time • Closeness ⇒ Can quickly reach the whole group (directly or indirectly) • Relevant if we want to quickly spread information in the network • Betweenness ⇒ Power in the transmission of information • Relevant if we want to influence communication between groups • Eigenvector Centrality ⇒ Most connection to another influential nodes • Relevant if we want to quickly spread information in immediate time
  • 43.
    Comparing Centrality (1) •Different measures target different notions of importance • In a friendship network, degree and eigenvector centrality would correspond to who is the most popular/noticed kid. • Closeness centrality would correspond to who is closest to the rest of the group,. Useful for spreading information • Betweenness would tell us about graph “cut points”, edges whose deletion will cause multiple connected components
  • 44.
    Comparing Centrality (2) •Dalam network di sebelah kanan, node 10 adalah yang paling sentral menurut degree centrality • Tetapi node 3 dan 5 sama-sama akan menjangkau lebih banyak node • Selain itu, ikatan di antara 3 dan 5 sangat penting; jika terputus, jaringan akan terbagi menjadi dua sub-jaringan yang terisolasi • Oleh karena itu node 3 dan 5 dianggap lebih 'kunci' untuk network tersebut daripada node 10
  • 45.
    Network Flow Sumber: Borgatti,S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
  • 46.
    Centrality and NetworkFlow Sumber: Borgatti, S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
  • 47.
    Measuring The Network NetworkDensity: Rasio jumlah relasi di dalam jaringan jumlah total kemungkinan relasi Reciprocity: Rasio hubungan/relasi timbal balik (dalam directed network) dengan jumlah total kemungkinan relasi Network Diameter: Jarak terjauh dua node dalam jaringan
  • 48.
    Reciprocity (Degree of) •Reciprocity adalah indikator yang berguna untuk mengukur tingkat mutualitas atau hubungan timbal balik antar node dalam suatu jaringan berarah (directed graph/network). • Reciprocity dihitung dari rasio jumlah relasi yang antar node yang saling berimbal balik terhadap jumlah total relasi dalam jaringan • Dalam contoh di sebelah kanan ini adalah 2/5 = 0,4 (apakah ini dianggap tinggi atau rendah tergantung pada konteksnya)
  • 49.
    Network Density • Networkdensity adalah ukuran kepadatan. Mengindikasikan seberapa erat antar node dalam satu jaringan saling berelasi satu sama lain. • Network Density adalah indikator umum tentang seberapa baik koneksi jaringan (dengan kata lain, seberapa erat kaitannya) - jaringan yang terhubung sempurna disebut klik dan memiliki kepadatan = 1 • Network Density adalah rasio jumlah relasi/edge dalam jaringan terhadap jumlah total terelasi/edge pi yang mungkin antara semua pasang node (yaitu n (n-1) / 2), di mana n adalah jumlah node, untuk graf tidak berarah • Dalam contoh jaringan disamping kepadatan adalah 5/6 = 0.83 (yaitu jaringan yang cukup padat) • Grafik berarah akan memiliki setengah dari kepadatan network tidak terarahnya, karena ada dua kali lebih banyak sisi yang mungkin, yaitu n (n-1)
  • 50.
    Network Diameter • NetworkDiameter adalah jalur (jarak) terpendek terpanjang antara dua node dalam jaringan disebut diameter jaringan • Rata-rata dari semua jalur terpendek dalam jaringan juga menarik karena ini menunjukkan seberapa jauh jarak rata-rata dua node (jarak rata-rata) • Network diameter adalah ukuran yang berguna untuk mengukur tingkat keterjangkauan dalam jaringan (reach) dibandingkan dengan hanya melihat jumlah total node atau edge. • Ini juga menunjukkan berapa lama waktu yang dibutuhkan suatu informasi/objek untuk mencapai node mana pun dari node asalnya di jaringan (jaringan yang lebih jarang umumnya akan memiliki diameter yang lebih besar) • Contoh diameter jaringan di sebelah kanan adalah 3.
  • 51.
    Modularity • Modularitas adalahsalah satu ukuran struktur jaringan atau grafik, sebagai indikator resiliensi dari suatu jaringan. • Resiliensi secara sederhana adalah ukuran seberapa mudah/sulit jaringan dipecah kedalam sub-network yang lebih kecil. • Jaringan dengan modularitas tinggi memiliki koneksi yang padat antara node dalam modul tetapi koneksi yang jarang antar node dalam modul yang berbeda.
  • 52.
    Modularity Source & Copyright:Technaut Education (www.technaut.co)
  • 53.
  • 54.
    Small World • SmallWorld adalah jaringan yang terlihat hampir acak tetapi menunjukkan koefisien pengelompokan yang sangat tinggi (node cenderung mengelompokkan secara lokal) dan panjang jalur rata-rata yang relatif pendek (node dapat dicapai dalam beberapa langkah) • Small World adalah struktur yang sangat umum di jejaring sosial karena transitivitas dalam ikatan sosial yang kuat dan kemampuan ikatan yang lemah untuk menjangkau seluruh kelompok • Jaringan dengan banyak small world akan memiliki banyak cluster tetapi juga banyak jembatan antar cluster yang membantu memperpendek jarak rata- rata antar node
  • 55.
    Preferential Attachment • Preferentialattachment adalah proses distribusi resource/ informasi yang bergantung kepada centrality yang dimiliki oleh suatu node. • The more connected a node is, the more likely it is to receive new links. Nodes with a higher degree have a stronger ability to grab links added to the network. • Dalam evolusi jejaring sosial, hal tersebut menyebabkan adanya sentralitas yang tidak seimbang diantara node-node yang ada pada suatu jejaring sosial. Example of network with preferential attachment • The result is a network with few very highly connected nodes and many nodes with a low degree • Such networks are said to exhibit a long-tailed degree distribution • And they tend to have a small- world structure! (so, as it turns out, transitivity and strong/weak tie characteristics are not necessary to explain small world structures, but they are common and can also lead to such structures)
  • 56.
    Reasons for PreferentialAttachment Popularity We want to be associated with popular people, ideas, items, thus further increasing their popularity, irrespective of any objective, measurable characteristics Also known as ‘the rich get richer’ Quality We evaluate people and everything else based on objective quality criteria, so higher quality nodes will naturally attract more attention, faster Also known as ‘the good get better’ Mixed model Among nodes of similar attributes, those that reach critical mass first will become ‘stars’ with many friends and followers (‘halo effect’) May be impossible to predict who will become a star, even if quality matters
  • 57.
    Core Periphery Structure •Metrik yang berguna dan relatif sederhana untuk mengukur sejauh mana suatu network itu terpusat di bagian-bagian tertentu atau terdesentralisasi secara lebih merata adalah ukuran centrality. • Selain centrality, pada network-network berukuran besar seperti komunitas online memiliki inti sekumpulan node yang terhubung secara padat (dense subgraph) yang sangat penting untuk menghubungkan pinggiran yang jauh lebih besar.
  • 58.
    Level of SocialNetwork Analysis • Nodal Level, fokus pada atribut-atribut dan fenomena-fenomena pada node secara individual • Network Level, fokus pada atribut-attribut dan fenomena-fenomena pada network secara keseluruhan. • Dyadic Level, fokus pada interaksi diantara dua node (dyad) • Triadic Level, fokus pada relasi sirkular antara tiga node (triad) • N-adic Level, fokus pada sub-graph dari N-nodes • Mixed, kombinasi dari cross-level.
  • 59.
    Some Key Papers •Borgatti, S. P.; Mehra, A.; Brass, D. J.; Labianca, G. (2009). Network Analysis in the Social Sciences. Science 13 February 2009: 323 (5916), 892-895. • Tantipathananandh, C., Berger-Wolf, T., & Kempe, D. (2007). A framework for community identification in dynamic social networks. In Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 717-726). ACM. • Kempe, D., Kleinberg, J., & Tardos, É. (2003, August). Maximizing the spread of influence through a social network. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 137-146). ACM. • Fowler, J. H., & Christakis, N. A. (2008). Dynamic spread of happiness in a large social network: longitudinal analysis over 20 years in the Framingham Heart Study. Bmj, 337, a2338.
  • 60.
    SNA Software Graphical Based •Gephi • Pajek • Social Networks • NodeXL • Sentinel • NetMiner • NetViz • Vizone Programming Based • Python • Igraph • NetworkX • R • Igraph • SNA
  • 61.
    Intro to Gephi •Created in 2008 by 4 French computing engineers • Free java based open source software to analyse and visualize networks. • Gephi run over Java Runtime Environment (JRE)
  • 62.
    Gephi Data Format SourceTarget Weight Source Target A B 3 A B B C 2 A B C D 1 A B B C B C C D Adjacency List
  • 63.
  • 64.
  • 65.
    ꦩ ꦩ ꦩꦩꦩꦩꦩ ꦩꦩ ꦩ