Social Network Analysis (Analisis Jejaring Sosial)

6 May 2012 at 17:55 | Posted in Uncategorized | 7 Comments

Mumpung ada discount 50%  dari oreilly.com,  dua hari yang lalu saya  beli ebook berjudul “Social Network Analysis for Startup”,  karya Tsvetova M.  Buku ini cocok dengan saya karena pengarangnya berasal dari computer science  (bukan orang sosial murni)  dan sekaligus praktisi di bidang social media analysis.  Buku ini membahas teori SNA tapi  juga bagaimana cara implementasinya secara komputasi menggunakan tools NetworkX.  Berikut adalah pembahasan isi buku tersebut:

Riset mengenai SNA (Social Network Analysis) sebenarnya sudah dimulai puluhan tahun yang lalu, jauh sebelum era Facebook dan Twitter dan sebenarnya tidak terbatas pada social media saja.

SNA  sendiri fokus pada relasi. Relasi ikut menentukan siapa kita dan bagaimana kita akan bertingkah laku.  Relasi dapat  berupa pertemanan, pengaruh, kepercayaan atau benci, konflik dan sebagainya.

Di dalam pengantar buku ini, dibahas contoh  tentang pentingnya “informal network”.  Informal network ini sering tidak terlihat  tetapi memiliki pengaruh besar.  Ditampilkan contoh sebuah  perusahan yang merubah struktur organisasi tapi  menjadi kacau karena mengabaikan informal network yang  ada.

Menggunakan contoh yang terjadi di Mesir, social media menjadi media yang powerfull karena memiliki kemampuan untuk menjaga dan memperkuat weak ties (keterhubungan lemah). Weak ties adalah: (1) hubungan  yang  sedikit atau tidak mengandung  kaitan emosi,  (2) orang yang terhubung tidak memiliki kemiripan dan (3) frekuensi komunikasinya rendah.   Mengapa weak ties powerfull?   Hubungan emosi yang rendah memungkinkan orang memiliki pendapat yang berbeda tanpa menimbulkan konflik; frekuensi komunikasi yang rendah memungkinkan kedua belah pihak menerima informasi yang berbeda dalam waktu yang berbeda (tidak-sinkron). Ketidaksinkronan ini  justru yang  dapat  memperkaya informasi.  Informasi baru yang berharga juga lebih mudah masuk dalam hubungan ini.

Menentukan individu yang paling penting dan berpengaruh di jejaring.

Bab 3 buku ini membahas kekuatan dan pengaruh individu (node) dalam jaringan. Beberapa ukuran yang dapat digunakan:

  • Degree centrality:  jumlah koneksi yang dimiliki sebuah node.
  • Closeness centrality: jarak rata-rata antara node dengan semua node yang lain di jaringan. Ukuran ini menggambarkan kedekatan node ini dengan node lain.  Semakin dekat, semakin terhubung orang tersebut dengan lainnya.   Analoginya adalah tipe orang “gaul” yang kenal dengan semua orang akan memiliki pengaruh yang lebih besar karena dapat menyebarkan informasi lebih cepat tanpa perlu perantara pihak ketiga. Untuk mengukur jarak terpendek antar node dapat digunakan algoritma Dijkstra.
  • Betweenness centrality:  ukuran ini memperlihatkan peran sebuah node menjadi bottleneck.  Node menjadi penting jika menjadi communication bottleneck. Analoginya, anggap persimpangan sebagai node. Semakin banyak jalan yang harus melewati persimpangan itu (misal tidak ada jalan alternatif), maka semakin penting arti persimpangan tersebut.  Jika  pada persimpangan tersebut lampu lalulintas mati, maka dapat berakibat fatal karena aliran mobil (informasi) akan terhambat.  Ukuran ini juga dapat digunakan untuk mengidentifikasi boundary spanners, yaitu orang atau node yang berperan sebagai penghubung (jembatan) antara dua komunitas.  Betweenness centrality sebuah node dihitung dengan menjumlahkan  semua shortest path yang mengandung node tersebut.
  • Eigenvector centrality: ukuran ini memberikan bobot yang lebih tinggi pada node yang terhubung dengan node yang juga memiliki keterhubungan tinggi. Dapat dikatakan versi rekursif dari degree centrality.
  • PageRank:  Ukuran  ini digunakan Google untuk menentukan kualitas suatu page. Dapat digunakan untuk jaringan yang berbentuk graph berarah. Prinsip yang digunakan adalah  semakin penting sebuah node, maka semakin banyak node tersebut direfer oleh node lain. Contohnya, situs seperti kompas.com punya peringkat yang tinggi karena banyak direfer di page lain. Dan misalkan blog ini direfer oleh kompas.com, maka peringkat blog ini juga akan naik.

Cliques (“geng”), cluster (kelompok ) dan komponen.
Jika sebelumnya dibahas dari sisi individu, berikutnya dibahas kelompok-kelompok yang terbentuk di jejaring.

Beberapa konsep untuk membagi jejaring adalah komponen dan ego network. Komponen adalah bagian dari jejaring yang tidak terhubung  dengan yang lain.  Sebuah komponen dapat dipecah menjadi komponen yang lebih kecil yang kemudian dianalisis secara terpisah. Sedangkan ego network adalah bagian dari network yang berpusat pada sebuah node (disebut ego).  Eksperimen Noah Friedkin[ref]  memperlihatkan bahwa dalam jejaring sosial, seseorang akan mengenal baik  teman di derajat pertama dengan tingkat kesalahan hanya 30%.  Tingkat kesalahan ini melonjak menjadi 70% pada derajat kedua (temannya teman) dan menjadi 100% pada derajat ketiga (temannya temannya teman).  Jadi umumnya radius dari egonetwork tidak lebih dari tiga.

Salah satu metric yang dapat digunakan dalam  kelompok adalah clustering coefficient yang menghitung proporsi keterhubungan node di dalam kelompok. Semakin kuat ikatan kelompok (semakin tinggi clustering coefficient) maka semakin terhubung satu sama lain node-node di dalam kelompok tersebut.

Dibahas juga hubungan yang disebut triad, yang merupakan hubungan antara 3 node.  Misalnya terdapat tiga node A, B, C. Jika A, B dan C saling terhubung, ini disebut closed triad. Contohnya keluarga dengan bapak, ibu dan anak. Penelitian Newcomb [ref] menunjukan struktur closed triad paling stabil karena orang ketiga dapat berperan sebagai penengah konflik dan penyeimbang (terburuk adalah hubungan asymetric, disusul symetric).  Analoginya di Twitter, hubungan symetric dimana hanya satu pihak memfollow yang lain adalah hubungan yang paling lemah. Hubungan yang lebih kuat terjadi jika keduabelah pihak saling follow. Tetapi yang terkuat adalah jika pihak ketiga yang  terhubung dengan semuanya.

Hubungan yang menarik adalah pada open triad. Pada open triad, A terhubung B, B terhubung C, tapi A tidak terhubung dengan C.  Open triad dapat terjadi karena memang disengaja. B sengaja membuat A dan C tidak terhubung.  Di satu sisi ini dapat membebani B, misalnya dalam kondisi  B menjadi teman curhat A dan C, tapi juga dapat menjadi  keuntungan saat B menjadi broker. Misalnya B membeli barang di A seharga X  lalu dijual kepada C dengan X+laba.  Open triad yang disengaja ini disebut juga forbidden triad, structural hole atau brokerage structure.   Penelitian Burt [ref] memperlihatkan bahwa pebisnis yang memiliki banyak structural hole lebih sukses dalam pasar yang kompetitif.  Structural holes juga menjadi jembatan antar komunitas (boundary spanners).

Selain close dan open triad, ada 14 kombinasi lainnya bagaimana tiga node dapat terhubung.  Analisis ke-16 bentuk triad dalam jaringan disebut dengan triad census.  Sebagai contoh node yang memiliki struktur triad dengan banyak outgoing link dan structural holes dapat diduga sebagai  sumber informasi dan group leader.

 

–bersambung–

7 Comments »

RSS feed for comments on this post. TrackBack URI

  1. salam😀 saya kebetulan juga tertarik dengan topik ini mas, ada saran, materi atau mungkin kajian yang bisa dishare? #terimakasih

    • Banyak sekali🙂 Banyak yang bisa diperoleh dari melihat struktur network organisasi atau seseorang. Bisa dimulai dari masalah dulu, misalnya bagaimana cara merekomendasikan teman (atau jodoh?) yang sesuai. Bagaimana mendeteksi karyawan bermasalah? Bagaimana cara menilai kredibilitas orang berdasarkan networknya? Apakah bisa mendapatkan demografi seseorang hanya berdasarkan networknya? dst. Kemungkinannya tidak terbatas, apalagi dengan adanya twitter/FB data relatif mudah diperoleh. Tidak harus menggunakan angket dan wawancara seperti dulu.

      • terima kasih mas, seperti saya harus mendalami literaturnya lebih dalam lagi untuk memperoleh metode yang mungkin diterapkan, karena kebetulan saya menggunakan topik ini sebagai tugas akhir. untuk ke depannya saya mungkin butuh sharing dan bertanya. terima kasih mas😀

  2. catatan yang menginspirasi.
    kebetulan saya lagi mengerjakan tugas akhir tentang Sosial network analisis dengan cara mencari betweenness centrality dari clique partition dari algoritma branch and bound.
    menurut bapak, apakah clique partition bisa dicari dengan algoritma brach and boud?
    dan apakah kira-kira tidak boros, kalau kita udah menemukan clique dari suatu graf, tapi setelah itu kita mencari betweenness nya?
    trimakasih banyak atas tanggapannya🙂

  3. ditunggu kelanjutannya mas. saya mau menanyakan tools untuk mengukur seseorang (node) itu bisa dikatakan sebagai information broker apa ya?

    terima kasih

  4. apakah ada pembahasan yg lebih lanjut lagi? Kebetulan saya sedang TA membahas SNA, tapi sedang mengalami kesulitan…
    terima kasih

  5. bisa bantu saya gan saya minta doc lain mengenai SNA itu sendiri karena saya sedang TA dengan pembahasan itu. terimakasih


Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

Create a free website or blog at WordPress.com.
Entries and comments feeds.

%d bloggers like this: