Mengenal Konsep Social Network Analysis (SNA)
Data dan Manusia
Pemahaman akan data adalah kunci untuk memahami informasi atau pengetahuan tentang aktivitas manusia. Proses pemahaman data terdiri dari sekumpulan kegiatan untuk memeriksa, membersihkan, memodelkan, dan mentransformasi data. Data dibagi menjadi dua yaitu data terstruktur dan data tidak terstruktur.
Data terstruktur adalah data dengan tingkat pengaturan data atau model data yang baik, sehingga data bisa dengan mudah dicari dengan menggunakan algoritma pencarian sederhana dan langsung. Data tidak terstruktur adalah data yang tidak mempunyai struktur organisasi yang baik, sehingga proses pengaturan dan pencarian data menghabiskan waktu dan tenaga
Dalam penerapannya, layanan jejaring sosial online seperti Facebook, Twitter, LinkedIn, Youtube, dan lain-lain menyumbang produksi data dalam skala besar. Karakteristik umum dari data tersebut adalah berbentuk data tidak terstruktur.
Pengenalan Jaringan
Jaringan adalah sekumpulan titik yang saling terkoneksi oleh garis. Dalam istilah SNA, titik disebut node, dan garis disebut edge
Bentuk Jaringan
Jaringan dikategorikan menjadi tiga bagian, yaitu jaringan fisik, jaringan non-fisik, dan jaringan sosial. Contoh jaringan fisik adalah jaringan internet, jaringan listrik, dan jaringan internet. Contoh jaringan non-fisik adalah jaringan penyebaran informasi (misal jaringan peluncuran produk smartphone, Jejaring sitasi, dsb). Contoh jaringan sosial adalah jejaring afiliasi, jejaring pertemanan, jejaring interaksi hewan, jejaring sosial modern, eksperimen small world.
Metode Umum Pembentukan Jejaring Sosial
Terdapat beberapa metode umum yang digunakan untuk membentuk suatu jaringan. Dalam artian, data jejaring sosial bisa didapatkan melalui beberapa metode yaitu; Observasi Kualitatif, Wawancara dan Kuesioner, Observasi Langsung, dan Data dari Arsip.
Karakteristik Jejaring Sosial
Informasi terpenting yang dibutuhkan ketika ingin memahami suatu sistem kompleks yaitu bagaimana komponen-komponen di dalam sistem tersebut saling berinteraksi satu sama lain. Seperti yang telah diketahui, berbagai sistem kompleks dalam dunia nyata dapat direpresentasikan sebagai suatu jaringa. Jejaring sosial adalah salah satu bentuk jaringan dunia nyata yang berbentuk sangat kompleks.
Setelah kita mengetahui suatu bentuk jaringan, yang dapat kita lakukan adalah menceritakan bentuk dan sifat-sifat jaringan berdasarkan beberapa pendekatan untuk mewakili masalah praktis yang sedang diteliti.
1. Network Density
Network Density dengan kata lain kerapatan jaringan merupakan perbandingan antara jumlah hubungan yang ada pada suatu jaringan dibandingkan dengan total keseluruhan hubungan yang mungkin terjadi pada jejaring tersebut. Network Density memiliki nilai diantara 0 dan 1. Semakin mendekati nol maka hubungan semakin renggang.
Secara matematis, network density diukur melalui persamaan berikut
2. Path Length
Path Length dapat dianalogikan seperti berikut “berapakah jarak antara si A dan si B untuk dapat saling berkenalan?”. Pada konteks ini, jarak fisik tidak relevan. Dua individu yang berada di satu bangunan secara fisik dikatakan dekat, namun mungkin tidak saling mengenal.
Metrik Jejaring Sosial : Centrality
Berbagai studi telah dilakukan untuk menjawab pertanyaan “siapakah yang paling berperan penting dalam suatu jejaring sosial?”. Berbagai pendekatan telah dilakukan untuk menentukan nodes terpenting dalam suatu jejaring.
Dalam menentukan pemeran penting di suatu jejaring sosial, peneliti biasanya menggunakan lebih dari satu jenis pengukuran centrality. Beberapa pengukuran centrality yang populer digunakan dalam analisis jejaring sosial yaitu degree centrality, betweenness centrality, closeness centrality, eigenvector centrality, pagerank centrality, serta hub & authority.
1. Degree Centrality
Degree Centrality merupakan ukuran centrality yang paling mudah untuk dihitung. Besaran degree suatu node didefinisikan sebagai jumlah edges yang terhubung langsung dengan node tersebut. Ukuran inilah yang kemudian disebut sebagai nilai degree centrality. Pada jejaring yang memiliki arah, perhitungan degree centrality dapat dilakukan dengan dua cara yaitu melalui perhitungan in-degree dan out-degree. Keduanya memiliki makna berbeda. Misalnya, aliran donasi pemerintahan ke masyarakat atau sebaliknya.
2. Betweenness Centrality
Didefinisikan sebagai ukuran tingkat kepentingan seseorang berdasarkan kemampuannya dalam menghubungkan banyak orang lain di dalam jejaring sosialnya. Intinya nodes yang tinggi betweenness Centrality memiliki andil dan peranan besar bagi terhubungnya jaringan. Berikut merupakan formula perhitungan Betweenness Centrality
3. Closeness Centrality
Didefinisikan sebagai ukuran tingkat kepentingan seseorang berdasarkan jarak rata-rata menuju seluruh orang lainnya di dalam jejaring sosial. Closeness Centrality masih berkaitan dengan prinsip pemilihan jalur pada jejaring sosial, jalur yang paling sering dipilih untuk menghubungkan dua nodes merupakan jalur yang tersingkat atau shortest path. Seseorang dengan nilai closeness centrality tertinggi adalah seseorang yang memiliki total shortest path terkecil untuk mencapai seluruh orang lainnya dalam jejaring sosial.
4. Eigenvector Centrality
Didefinisikan sebagai ukuran tingkat kepentingan seseorang berdasarkan akumulasi tingkat kepentingan orang-orang yang berada disekitarnya. Pada perhitungan eigenvector, setiap kali seseorang terhubung dengan orang lainnya, maka kenaikan nilai centrality yang dimiliki orang tersebut proporsional dengan nilai centrality node yang terhubung dengannya. Misalnya seseorang dianggap orang penting karena memiliki kedekatan personal dengan pemeran-pemeran penting lainnya.
5. Pagerank Centrality
Sebagai contoh, Google merupakan situs pencari populer (centrality yang tinggi). Apakah Google juga mencantumkan link menuju situs web kita? tentunya tidak. Nilai centrality Google yang disalurkan kepada situs web kita melemah karena telah dibagikan kepada jutaan situs web lainnya. Dengan demikian, situs web kita tidak melebihi kepopuleran Google. Berdasar informasi ini, pengukuran centrality kemudian didefinisi ulang. Centrality diukur dengan pertimbangan nilai centrality yang diteruskan oleh suatu node merupakan nilai centrality yang proporsional dengan jumlah edges keluarannya. Jadi, suatu node dengan centrality hanya meneruskan centrality yang kecil kepada banyak nodes lainnya. Semakin banyak nodes yang dituju, maka proporsi kontribusi nilai centrality yang diteruskan semakin kecil.
6. Hub & Authority
Pada jejaring sitasi, artikel kesehatan A memuat informasi mengenai penyakit demam berdarah. Dalam artikel ini, kondisi jumlah trombosit, hematokrit, dan hemoglobin penderita dijelaskan secara umum. Jika pembaca ingin mengetahui dasar-dasar ilmu tentang trombosit secara lebih spesifik, artikel ini mereferensikan artikel mana yang perlu untuk diulas. Hub merupakan node yang mengandung informasi secara umum, jika butuh informasi spesifik, hub mereferensikan node mana yang perlu ditinjau. Node ini disebut sebagai authority
Metrik Jejaring Sosial: Modularity
Mayoritas jaringan di dunia nyata dan sebagainya ditemukan terbagi secara alamiah menjadi beberapa kelompok, komunitas, atau modul. Hal ini didasari oleh fakta berikut “semakin banyak waktu yang dihabiskan oleh dua individu bersama, semakin besar kemungkinan keduanya memiliki teman yang sama, dan pada akhirnya semakin besar pula kemungkinan keduanya tergabung dalam kelompok/komunitas yang sama. Nilai modularity digunakan untuk melihat kualitas struktur jaringan dan juga melihat berapa banyak jumlah partisi kelompok untuk memperoleh struktur komunitas terbaik atau optimal. Nilai modularity berada diantara 0 sampai dengan 1. “Nilai modularity tinggi menunjukkan partisi yang lebih optimum”. Nilai modularity nol mengindikasikan tidak ada partisi komunitas yang terjadi, atau seluruh jejaring dianggap satu komunitas. Jika negatif, masing-masing node dipartisi menjadi komunitas yang berbada atau tidak teridentifikasi.
Referensi
Alamsyah, A, Ramadhani, D. P. (2020). Pengenalan Social Network Analysis: Konsep dan Praktis. Bandung.
Matei, S. (2011). Analyzing Social Media Networks with NodeXL: Insights from a Connected World by Derek Hansen, Ben Shneiderman, and Marc A. Smith: Burlington, MA: Morgan Kauffman, 2011. 284 pages. ISBN: 978–0–12–382229–1.
Smith, M. A., Shneiderman, B., Milic-Frayling, N., Mendes Rodrigues, E., Barash, V., Dunne, C., … & Gleave, E. (2009, June). Analyzing (social media) networks with NodeXL. In Proceedings of the fourth international conference on Communities and technologies (pp. 255–264).
