PENDAHULUAN
1.1
Latar Belakang
Studi ilmu jaringan telah dilakukan oleh para ilmuwan selama beberapa
tahun terakhir. Salah satu hasil penelitian yang hingga kini masih banyak
dilakukan adalah sebuah penemuan fenomena small-world.
Pada tahun 1960-an, seorang psikolog bernama Stanley Milgram membuat
sebuah percobaan dengan mengirimkan paket kepada 160 orang yang tinggal di
Omaha, Nebraska, di mana pada paket tersebut tertulis nama seorang pialang
saham yang tinggal di Boston. Orang yang menerima paket diminta
mencantumkan namanya, kemudian mengirimkan paket tersebut kepada
kenalannya yang dianggap lebih dekat dengan si pialang saham. Milgram
kemudian mencatat jumlah perpindahan paket, dan menemukan bahwa dari
seluruh paket yang sampai ke tujuan, rata-rata hanya dibutuhkan enam kali
pengiriman. Dari eksperimen ini Milgram mengambil kesimpulan bahwa semua
orang di dunia hanya terpisah sejauh enam tingkat (six degrees of separation),
sehingga dunia seolah menjadi kecil (small-world) [1].
Meskipun small-world telah lama ditemukan, tetapi minat penelitian
terhadap fenomena ini masih ada sampai saat ini. Sistem dinamik yang
menggunakan struktur small-world menunjukkan performa dan kecepatan transfer
sinyal yang lebih baik. Penyebaran suatu epidemi, misalnya penyakit menular,
1.2
Tujuan Pembahasan
Tesis ini bertujuan untuk menganalisis penggunaan algoritma Christakis
dalam sebuah jaringan small-world. Algoritma ini akan dijalankan dengan sebuah
metode pencarian yang bernama blind method yang dikembangkan oleh penulis..
Metode ini nantinya akan menggunakan konsep paradoks pertemanan seperti yang
telah diungkapkan oleh Christakis sebagai algoritma yang digunakan untuk
melihat karakteristik jaringan. Metode ini akan memilih sampel node parent
secara acak dan node yang terpilih ini nantinya akan mendefinisikan jumlah
koneksi yang dimiliki oleh node child. Child dari node parent yang memiliki
jumlah koneksi terbesarlah yang akan dipilih untuk melanjutkan pencarian hingga
tidak ditemukan kembali node dengan jumlah koneksi yang lebih besar di dalam
sebuah jaringan small-world. Pemilihan node sampel juga akan dimodifikasi
menurut beberapa kondisi berdasarkan nomor node, dan jumlah koneksi awal.
Penelitian juga akan melihat seberapa besar kemungkinan keberhasilan sebuah
node untuk mencapai ke node hotspot atau node dengan nilai centrality yang lebih
besar. Nilai centrality ini didapatkan dari perhitungan rata-rata jumlah koneksi
node dalam suatu jaringan pada setiap iterasi yang terbentuk.
Jaringan small-world akan dibentuk dengan menggunakan program
simulator OMNeT++ [4] yang sebelumnya telah dikembangkan [5]. Setelah
jaringan terbentuk, dilakukan pengujian terhadap hasil keluaran yang terbentuk
dengan memanfaatkan sebuah program yang dikembangkan menggunakan Eclipse
Indigo yang berbasiskan JAVA. Program ini nantinya akan memberikan keluaran
berupa koneksi-koneksi yang terjadi antar node yang terbentuk di jaringan smallworld. Koneksi-koneksi yang terbentuk ini nantinya akan diteliti dengan
menggunakan algoritma Christakis.
1.3
Batasan Masalah
Pada tesis ini, batasan penelitian yang digunakan adalah:
1)
2)
3)
1.4
Metode Penelitian
Metode Penelitian dilakukan dengan melakukan studi pustaka terlebih
dahulu untuk mengumpulkan data yang dibutuhkan dan sesudah itu dilakukan
pembentukan jaringan small-world, menjalankan algoritma Christakis dalam
bentuk blind method dan menganalisis hasil keluaran blind method.
1.5
Sistematika Penulisan
Tesis ini disusun dalam lima bab dengan sistematika penulisan sebagai
berikut: Bab I berisi latar belakang masalah, tujuan pembahasan, batasan masalah,
metode penelitian, serta sistematika penulisan. Bab II berisi landasan teori untuk
pembahasan masalah, yaitu small-world menurut Watts-Strogatz; hubungan antara
Small-world dan penyebaran epidemi; dan simulator OMNeT++. Bab III berisi
metodologi yang digunakan dalam penelitian yang terdiri atas pembentukan
Jaringan small-world; perhitungan iterasi pencarian node hotspot; serta metode
pengambilan data. Bab IV berisi hasil analisis data yang terdiri atas jaringan
small-world; beberapa perhitungan iterasi dengan kondisi-kondisi yang berbeda;
serta analisis tentang nilai centrality dari penggunaan metode untuk perhitungan
iterasi. Bab V berisi kesimpulan penelitian serta saran yang dapat dipergunakan
untuk pengembangan lebih lanjut.
BAB II
LANDASAN TEORI
2.1.
oleh Stanley Milgram melalui percobaan yang dilakukan pada tahun 1967. Hingga
saat ini ada banyak sekali penelitian tentang hipotesis Milgram yang terkenal
dengan Six degrees of separation. Salah satu penelitian yang menarik minat
penulis untuk memahami small-world lebih lanjut adalah penelitian yang
dilakukan oleh Duncan J. Watts dan Steven Strogatz atau lebih dikenal dengan
Watts Strogatz.
Dalam papernya [2], Watts dan Strogatz, beragumen lebih lanjut tentang
parameter small-world. Beberapa konsep yang dikemukakan adalah,
1.
2.
Dua bentuk jaringan ini dapat direprentasikan dengan nama order dan
randomness. Order adalah one-dimensional lattice, dengan setiap node
terkoneksi dengan beberapa tetangga terdekatnya sebanyak k. Sedangkan
randomness adalah kemungkinan sebesar p dari sebuah node untuk
membentuk suatu hubungan dengan node lain secara acak. Hal ini dapat
dilihat pada Gambar 2.1a. Terlihat bahwa small-world terbentuk pada saat
0<p<1.
3.
4.
5.
Gambar 2. 1 (a) Sistematik dari model Watts-Strogatz. (b) Grafik koefisien clustering (C) dan
average path length (L) sebagai fungsi dari nilai randomness (p) untuk model Watts-Strogatz
dengan n= 1000, dan k = 10. [1]
2.2.
Gambar 2. 2 Contoh bentuk jaringan sosial yang diteliti oleh Christakis [3]
Pada Gambar 2.2 dapat dilihat node A dan node B yang sama-sama memiliki 6
buah koneksi. Yang membedakan antara node A dan node B adalah lokasi di
dalam jaringan sosial. Menurut Christakis, jika ada penularan virus yang
mematikan, maka setiap node pasti ingin berada di lokasi yang sama dengan node
B sehingga tidak cepat tertular virus. Tetapi jika ada gosip hangat yang sangat
menarik untuk diketahui publik, maka setiap node pasti akan lebih memilih berada
di lokasi node A yang bisa dikatakan memiliki lokasi yang terpusat [3]. Dari
pendapat ini dapat disimpulkan jika kita memilih beberapa node secara acak
dengan karakteristik yang sama dengan node A dari sisi lokasi, maka informasi
mengenai penyebaran epidemi akan lebih mudah dan cepat didapatkan dibanding
jika kita memilih node acak yang memiliki karakteristik seperti node B.
Di dalam bukunya [6], Christakis menyatakan bahwa jejaring sosial
mempengaruhi hubungan antar node dengan 2 cara penting, yaitu :
10
Gambar 2. 3 Ilustrasi jaringan sosial dari 105 siswa Harvard University [6]
11
kehidupan
nyata,
memahami
jejaring
sosial
juga
dapat
memunculkan strategi lain yang inovatif dan tak langsung jelas. Mengimunisasi
orang secara acak dalam satu populasi untuk mencegah penyebaran infeksi
biasanya mensyaratkan bahwa 80 hingga 100 persen populasi diimunisasi. Untuk
mencegah wabah campak, 95 persen populasi harus diimunisasi. Alternatif yang
lebih ampuh adalah mengincar node-node jejaring, yaitu orang-orang di tengah
jejaring atau mereka yang punya paling banyak hubungan. Tapi seringkali sulit
mencari ikatan-ikatan jejaring terlebih dahulu dalam populasi ketika mencoba
mencari tahu cara terbaik imunisasi. Alternatif yang kreatif adalah mengimunisasi
kenalan orang-orang yang dipilih secara acak. Strategi itu memungkinkan kita
memanfaatkan sifat jejaring biarpun tidak bisa melihat keseluruhan struktur.
Kenalan memiliki lebih banyak hubungan dan akan lebih sentral di dalam jejaring
dibandingkan dengan orang-orang hasil pilihan acak. Alasannya adalah orang
12
13
tepat
untuk
mengurangi
kegemukan
dalam
masyarakat.
Dengan
memanfaatkan konsep jejaring sosial, didapatkan sebuah strategi yang baik untuk
dapat mengurangi kegemukan, yaitu dengan mengundang teman-teman untuk
makan malam lalu meminta mereka untuk memperkenalkan teman-teman mereka
dan mengajak orang-orang tersebut untuk join di klub lari. Jika hal tersebut dapat
dilakukan, akan tercipta sebuah kekuatan sosial yang dapat mendesak orang-orang
tersebut untuk menurunkan berat badan dan kita akan dikelilingi oleh orang-orang
yang memperbaiki perilaku terkait kesehatan mereka [6].
2.3
Simulator OMNeT++
GUI (Graphical User Interface) merupakan nilai yang memberikan daya
tarik tambahan bagi para pengguna karena fasilitas ini memberikan kemudahan
14
merupakan
simulator
kejadian
diskrit
(discrete-event
simulator) yang dibuat oleh Andrs Varga dari Technical University of Budapest,
Department of Telecommunications (BME-HIT). Program OMNeT++ dalam
penelitian ini adalah versi 4.0. Awalnya OMNeT++ dibuat untuk sistem operasi
Unix. Namun, karena sistem operasi dalam penelitian adalah Windows,
diperlukan tambahan emulator Cygwin atau MinGW (penelitian ini menggunakan
MinGW).
Pemrograman simulasi untuk OMNeT++ memanfaatkan bahasa NED
(Network Editor), yaitu bahasa pemrograman untuk mendeskripsikan topologi
jaringan. Dengan NED, deskripsi jaringan dapat berisi komponen penyusun
jaringan yang bersifat moduler. Pengembangan model dilakukan dengan objek
dan bahasa pemrograman C++. Pada simulator ini dimungkinkan pula
penggunaan Java.
Pemrograman antar muka OMNeT++ dilakukan menggunakan Eclipse.
Basis antar muka grafis juga tersedia untuk memprogram NED. Pengguna Eclipse
dapat memilih pemrograman secara tekstual atau grafis (dapat berpindah antara
basis teks dan grafis). OMNeT++ juga menyediakan contoh algoritma tertentu
untuk pengiriman data antar node.
15
BAB III
METODOLOGI PENELITIAN
3.1
yang sebelumnya telah ada. Topologi dasar jaringan dalam simulasi adalah model
Watts dan Strogatz seperti dijelaskan pada BAB II. Berikut adalah langkahlangkah pembentukan jaringan yang akan digunakan di dalam penelitian:
1) Jaringan yang akan dibentuk tersusun atas beberapa parameter, yaitu :
jumlah node yang akan digunakan (n), jumlah koneksi antar node yang
nantinya akan terbentuk (k), banyaknya jalan pintas (shortcut) yang
terbentuk secara acak (q) dan nilai probabilitas terjadinya keacakan pada
jaringan (p).
2) Penelitian Watts dan Strogatz menemukan bahwa nilai keacakan yang
paling memenuhi syarat untuk membentuk sebuah jaringan small-world
adalah berkisar di antara 0,01 hingga 0,1. Dari hasil inilah akhirnya
ditentukan nilai keacakan yang akan digunakan untuk pembentukan
jaringan small-world adalah di 0,05.
3) Penentuan nilai parameter lainnya mengikuti standar program yang telah
dibuat sebelumnya yaitu jumlah koneksi (k) = 4 dan jumlah node (n) =
1000.
4) Penentuan besarnya nilai q berbanding lurus dengan p. Semakin besar q,
semakin banyak jalan pintas yang terbentuk. Pembuatan koneksi jalan
16
akan ada 10% koneksi jaringan teratur yang diputus yaitu sebanyak 10% x
2000 koneksi = 200 koneksi. Untuk mendapatkan koneksi jalan pintas
sebanyak 200 koneksi, maka terbentuklah persamaan [5] :
Jumlah koneksi terputus = Jumlah koneksi jalan pintas
p (jumlah koneksi awal) = q (jumlah pengecekan koneksi baru)
( )(
2
1)
+ (
2
1)
p n k = q (n k + k) (n k 1)
=
Pada Gambar 3.1 ditunjukkan bentuk jaringan Watts dan Strogatz dengan
50 buah node dan setiap node memiliki tepat 4 buah koneksi sedangkan
nilai parameter p adalah 0. Jaringan yang terbentuk ini adalah jaringan
yang sangat teratur karena belum ada koneksi yang diputus dan
pembentukan koneksi jalan pintas.
17
18
Alur cara kerja program OMNeT++ 4.0 yang digunakan untuk membentuk
jaringan small-world dapat dilihat pada Gambar 3.3 dan Gambar 3.4 [5].
19
Lanjutan
20
Gambar 3. 4 Diagram alir pembentukan jaringan small-world dengan 2 blok iterasi kedua [5]
21
node tersebut. Koneksi yang terbentuk pada blok pertama dan kedua
memperlengkapi koneksi yang terbentuk pada blok pertama untuk pembentukan
jaringan dengan koneksi yang teratur yaitu tiap node tepat memiliki 4 buah
koneksi awal. Pembetukan random connection terjadi pada blok ke-empat dan kelima seperti yang tampak pada Gambar 3.4. Pada dua blok terakhir ini terciptalah
koneksi jalan pintas sesuai dengan nilai randomness (p) yang telah di masukkan.
Blok iterasi kelima melengkapi koneksi yang tidak tercakup dalam blok keempat.
Pada blok iterasi pertama sampai dengan ketiga, diberikan batas (1-p) untuk
menentukan terputusnya koneksi. Contoh untuk p = 0,1, koneksi akan terbentuk
apabila bilangan acak uniform lebih kecil dari 0,9. Blok iterasi keempat dan
kelima menggunakan batas q = k * p / (n-k-1) = 4,02.10-4, maka koneksi jalan
pintas terbentuk apabila nilai bilangan acak lebih kecil dari nilai q. [5]
3.2
world dan penyebaran epidemi bahwa untuk dapat dilakukan pendeteksian dini
penyebaran epidemi haruslah diketahui node yang berperan sebagai hotspot di
dalam suatu jejaring sosial. Jikalau dikaitkan dengan jaringan small-world yang
sebelumnya telah terbentuk, maka node hotspot itu sendiri dapat diartikan sebagai
node yang memiliki jumlah koneksi terbanyak.
22
Pada Gambar 3.5 dapat dilihat bahwa ada sebuah node yang dapat
dikatakan sebagai node hotspot. Node tersebut adalah node{6} yang memiliki 8
buah koneksi.
Metode yang akan digunakan untuk melakukan proses analisis adalah
Blind Method dan Real Method. Blind Method atau disebut juga metode buta
adalah sebuah proses pencarian node hotspot dari node-node sampel yang
diciptakan oleh penulis berdasarkan algoritma Christakis dengan menggunakan
aturan-aturan tertentu agar menyerupai kondisi asli jaringan sosial manusia.
Aturan yang digunakan dalam metode ini sesuai dengan konsep paradoks
pertemanan yang disampaikan oleh Christakis [3]. Aturan tersebut tampak dalam
23
Gambar 3.6 dalam bentuk flow chart. Penjelasan dari Gambar 3.6 adalah sebagai
berikut :
1. Pilih sebuah node sampel secara acak sebagai parent
2. Cek setiap child level 2 yang dimiliki oleh node child level 1 dari node
parent lalu bandingkan jumlah node child level 2 yang dimiliki node
child level 1 dengan jumlah node child level 1 yang dimiliki oleh node
parent.
3. Pada pencarian di iterasi pertama, jika jumlah node child level 2 yang
dimiliki oleh node child level 1 lebih banyak atau sama dengan jumlah
node child level 1 yang dimiliki oleh node parent maka nilai iterasi
akan bertambah 1 dan pencarian akan dilanjutkan dengan mengulang
kembali langkah ke 2. Pada iterasi kedua dan seterusnya, jumlah
node child level 2 yang dimiliki oleh node child level 1 haruslah lebih
banyak daripada jumlah node child level 1 yang dimiliki oleh node
parent.
4. Jika jumlah node child level 1 yang dimiliki oleh node parent ternyata
lebih besar dibandingkan jumlah node child level 2 yang dimiliki oleh
node child level 1, maka pencarian dihentikan.
Blind method mengadaptasi kejadian real di dalam dunia jejaring sosial
manusia, di mana seseorang akan sulit untuk mendeteksi jumlah teman yang
dimiliki oleh teman dari orang tersebut.
24
25
26
27
Metode yang kedua adalah real method. Metode ini akan melakukan
perhitungan iterasi yang akan dilakukan adalah menghitung jarak suatu node yang
dipilih secara acak atau memiliki kriteria tertentu ke node hotspot. Misalkan
dipilih sebuah node secara acak, yaitu node{17} dan akan dilakukan perhitungan
jumlah iterasi untuk mencapai ke node hotspot yaitu node{6}. Berikut adalah
langkah-langkah perhitungannya :
1.
2.
28
Node{17}
Node{15}
Node{14}
Node{16}
Node{18}
Node{1}
Node{0}
Node{8}
Node{2}
Node{10}
Node{6}
Node{12}
Node{13}
Node{11}
Node{7}
29
3.3
Pada Gambar 3.12 dapat dilihat bahwa ada 20 node yang terbentuk pada
jaringan small-world. Pada Gambar tersebut juga tampak semua koneksi tujuan
dari tiap node. Contohnya :
1. Node{1} memiliki koneksi ke node{0}, node{2}, node{6} dan
node{17}
2. Node{2} memiliki koneksi ke node{0}, node{1} dan node{3}
30
yang
31
BAB IV
ANALISIS DATA
4.1
Jaringan Small-world
Jaringan small-world yang digunakan sebagai objek penelitian memiliki
Sesuai dengan Gambar 4.1 di atas dapat dilihat bahwa jaringan smallworld terbentuk saat nilai C tertinggi dan nilai L terendah dan kondisi tersebut
didapatkan pada saat nilai probabilitas (p) terletak di antara 0,01 hingga 0,1.
32
Berdasarkan teori tersebut maka digunakan nilai 0,05 yang masih terletak di
antara 0,01 dan 0,1 untuk variabel p yang digunakan di dalam penelitian.
Jumlah Nodus
591
J
u
m
l
a
h
600
500
400
300
N 200
o
d 100
e
0
219
134
0
1
36
15
2
5
7
Jumlah Koneksi
33
Di dalam penelitian ini akan dilihat jarak suatu node ke salah satu node
hotspot. Semakin sedikit iterasi yang dibutuhkan untuk dapat mencapai node
hotspot, maka akan semakin cepat penanganan ataupun penyebaran sebuah
epidemi di dalam jaringan sosial.
4.2
Perhitungan Iterasi
Dalam suatu jaringan, idealnya perhitungan iterasi pencapaian suatu node
34
Langkah-langkah perhitungan iterasi yang akan diterapkan pada masingmasing node sampel dengan blind method adalah :
1. Pilih sejumlah node sampel sesuai dengan kondisi yang ada.
2. Pada setiap node yang dipilih, lihat jumlah koneksi dari semua node yang
terkoneksi dengan node tersebut
3. Cek apakah jumlah koneksi dari semua node yang terkoneksi lebih besar
dibandingkan dengan koneksi dari node sampel. Tampilkan semua node
yang memiliki koneksi lebih besar dibandingkan node parent dan
lanjutkan dengan langkah nomor 5.
4. Jika tidak ditemukan lagi koneksi node yang lebih besar dari koneksi node
sampel maka pencarian dihentikan.
5. Lanjutkan iterasi mulai dari langkah no. 2 pada node yang tersisa
Langkah-langkah perhitungan iterasi yang akan diterapkan pada masingmasing node sampel dengan real method adalah :
1. Pilih sejumlah node sampel sesuai dengan kondisi yang ada.
2. Lihat path terpendek dari 4 hops ke depan untuk menuju ke real hotspot.
35
4.3
Simulasi dengan Sampel yang Memiliki Selisih 100 pada Nomor Node
Simulasi pencarian hotspot dengan kondisi yang pertama ini akan menggunakan
10 node sampel dengan karakteristik memiliki nomor dengan kelipatan 100.
Sampel node yang di pilih adalah
Nomor Node
10
110
210
310
410
510
610
710
810
910
Jumlah Koneksi
Node Akhir Iterasi
Iterasi
4
13
2
3
108
1
3
208
1
5
480
1
4
964
3
4
512
1
4
921
3
4
709
1
4
809
1
4
913
2
Total Iterasi
16 iterasi
Rata-rata Iterasi
1,6 iterasi
Tabel 4. 1 Rata-rata iterasi dengan blind method untuk node sampel yang memiliki nomor
node dengan selisih 100
36
Hasil perhitungan iterasi untuk node sampel yang memiliki selisih 100 pada
nomor node-nya dengan menggunakan real method adalah sebagai berikut :
No
1
2
3
4
5
6
7
8
9
10
Nomor Node
Jumlah Koneksi
Node Hotspot
Iterasi
10
4
13
3
110
3
529
5
210
3
529
5
310
5
296
2
410
4
13
5
510
4
517
3
610
4
529
7
710
4
296
5
810
4
529
4
910
4
517
4
Total Iterasi
42 iterasi
Rata-rata Iterasi
4,2 iterasi
Tabel 4. 2 Rata-rata iterasi dengan real method untuk node sampel yang memiliki nomor node
dengan selisih 100
50
45
I
t
e
r
a
s
i
40
35
30
25
Real
20
Blind
15
10
5
0
10
110
210
310
410
510
610
710
810
910
Gambar 4. 3 Perbandingan jumlah iterasi node sampel dengan selisih 100 pada nomor node
37
1.
2.
4.4
sampel semua node yang memiliki tepat 2 buah koneksi, yaitu : node{52},
node{71},
node{478},
node{286},
node{488},
node{299},
node{420},
node{421},
node{448},
node{496},
node{625},
node{659},
node{695},
node{888}, dan node{951}. Simulasi ini bertujuan untuk melihat seberapa besar
iterasi yang dibutuhkan sebuah node untuk mencapai node hotspot dengan jumlah
koneksi awal yang sangat minim.
Hasil perhitungan untuk sampel node dengan koneksi awal 2 dengan
menggunakan blind method adalah sebagai berikut :
38
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Nomor Node
52
71
286
299
420
421
448
478
488
496
625
659
695
888
951
Jumlah Koneksi
Node Akhir Iterasi
Iterasi
2
50
1
2
76
3
2
284
1
2
301
1
2
417
2
2
227
3
2
445
2
2
480
1
2
487
1
2
941
3
2
25
3
2
657
1
2
698
2
2
885
2
2
13
2
Total Iterasi
28 iterasi
Rata-rata Iterasi
1,866 iterasi
Tabel 4. 3 Rata-rata iterasi node sampel dengan koneksi awal 2 menggunakan blind method
Nomor Node
52
71
286
299
420
421
448
478
488
496
625
659
695
888
951
Jumlah Koneksi
Node Hotspot
Iterasi
2
296
8
2
325
7
2
296
5
2
296
2
2
13
4
2
13
4
2
517
5
2
296
5
2
517
6
2
529
9
2
296
6
2
13
10
2
529
9
2
517
8
2
13
2
Total Iterasi
90 iterasi
Rata-rata Iterasi
6 iterasi
Tabel 4. 4 Rata-rata iterasi node sampel dengan koneksi awal 2 menggunakan real method
39
50
45
I
t
e
r
a
s
i
40
35
30
25
Blind
20
Real
15
10
5
0
0
200
400
600
800
1000
Gambar 4. 4 Perbandingan jumlah iterasi node sampel dengan koneksi awal 2 antara blind
4.5
dibutuhkan oleh node untuk dapat sampai ke hotspot berdasarkan jumlah koneksi
yang dimiliki oleh node parent. Jumlah koneksi yang akan dibandingkan adalah
semua node yang memiliki jumlah koneksi 2, jumlah koneksi 3, jumlah koneksi 4,
40
jumlah koneksi 5 dan jumlah koneksi 6. Untuk node dengan jumlah koneksi 7
tidak akan ikut dibandingkan karena hasilnya pasti 0 untuk rata-rata iterasinya.
Simulasi ini hanya akan dilakukan dengan blind method karena
keterbatasan kemampuan tools pembantu yang digunakan untuk dapat mencari
rata-rata iterasi dengan real method. Hasil perhitungan rata-rata iterasi dengan
blind method dapat dilihat pada Tabel 4.5 di bawah ini :
Jumlah Koneksi
2
3
4
5
6
Jumlah Node
15
134
591
219
36
Rata-rata Iterasi
1,866666667
1,447761194
1,531302876
1,219178082
0,611111111
Tabel 4. 5 Rata-rata iterasi berdasarkan jumlah koneksi awal dengan blind method
Rata-rata Iterasi
2
1,8
R
a
t
a
R
a
t
a
1,6
I
t
e
r
a
s
i
1,4
1,2
1
0,8
0,6
0,4
0,2
0
2
4
Jumlah Koneksi Awal
41
Dengan melihat Gambar 4.5, dapat diambil sebuah kesimpulan bahwa dengan
menggunakan blind method akan lebih mudah mencapai ke posisi sentral jikalau
sampel node yang dipilih memiliki jumlah koneksi yang banyak.
4.6
didapatkan dengan jumlah sampel node yang dipilih secara acak. Pemilihan
sampel hanya dilakukan sekali saja untuk tiap jumlah sampel dan hasilnya
langsung dimasukkan ke dalam Tabel 4.6.
Jumlah sampel
Rata-rata Iterasi
0,8
10
20
1,25
50
1,06
100
1,11
200
1,2
300
1,26
400
1,29
500
1,35
600
1,42
700
1,47
800
1,5
900
1,57
1000
1,71
42
2
I
t 1,5
e
1
r
a 0,5
s
i 0
0
100
200
300
400
500
600
Jumlah Sampel Acak
700
800
900
1000
Gambar 4. 6 Perbandingan rata-rata iterasi dengan jumlah node acak dengan menggunakan
blind method
4.7
salah satu dari 5 real hotspot yang telah dibahas. Ini lebih disebabkan oleh aturan
43
yang telah ditetapkan yang telah dibahas di BAB 3, di mana jika node tidak dapat
menemukan node child yang memiliki jumlah koneksi lebih besar dari dirinya
maka program akan berhenti atau kondisi hotspot = true terpenuhi. Untuk
nomor node yang berhasil menuju ke real hotspot dapat dilihat pada lampiran.
Jumlah node yang berhasil menuju ke real hotspot dapat dilihat pada Tabel 4.7
berikut,
Jumlah iterasi
0
1
2
3
4
Total
Jumlah node
5
35
69
30
5
144
80
70
60
50
40
30
20
N
o 10
d 0
0
e
Jumlah Iterasi
Gambar 4. 7 Jumlah node yang berhasil menuju ke real hotspot dengan blind method
44
Gambar 4.7 tersusun atas sumbu x yang mewakili jumlah iterasi yang
dibutuhkan oleh node untuk mencapai ke real hotspot, dan sumbu y yang
mewakili banyaknya node yang berhasil menuju je real hotspot. Dari hasil yang
telah didapatkan dapat terlihat bahwa hanya sekitar 14.4% (144 buah) node yang
berhasil menuju ke node real hotspot dengan menggunakan blind method.
Dengan menggunakan real method semua node pasti akan mencapai ke
real hotspot dikarenakan semua node di dalam jejaring sosial yang terbentuk
saling berhubungan. Dengan adanya keterbatasan program TreeNode yang
digunakan maka hanya dapat dilihat semua node yang membutuhkan maksimum 4
buah iterasi untuk dapat sampai ke real hotspot. Data hasil perhitungan dapat
dilihat pada Tabel 4.8 berikut,
35
85
116
158
601
Tabel 4. 8 Jumlah node yang berhasil menuju ke real hotspot dengan menggunakan real
method
45
J
u
m
l
a
h
Jumlah Iterasi
Gambar 4. 8 Jumlah node yang berhasil menuju ke real hotspot dengan real method
Dari Gambar 4.8 di atas dapat terlihat bahwa dengan real method pasti
akan didapatkan jumlah node yang lebih banyak kemungkinannya untuk sampai
ke real hotspot jika dibandingkan dengan blind method. Hal ini sesuai dengan
penjelasan yang terdapat di Sub Bab 4.2. Yang membedakan dengan blind method
adalah real method tidak mewakili kondisi jejaring sosial dalam kehidupan nyata
sehingga tidak bisa digunakan sebagai cara untuk menghitung iterasi rata-rata,
sedangkan blind method mewakili kondisi nyata di dalam jejaring sosial manusia
di mana setiapnode di dalamnya tidak tahu menahu tentang koneksi yang dimiliki
oleh node lainnya.
4.8
Centrality
Pada Sub Bab 4.7 dapat terlihat bahwa dengan menggunakan blind method
maka kemungkinan node yang dapat mencapai real hotspot adalah 14.4 % dari
46
1000 buah node yang terbentuk di dalam sebuah jaringan. Secara kasat mata
tampak sangat kecil kemungkinannya untuk dapat mencapai real hotspot, tetapi
Christakis menyatakan dengan cara yang berbeda yaitu melalui centrality.
Menurut Christakis, centrality sebuah node ditentukan melalui letak node di
dalam struktur jaringan sosial [3]. Seperti yang telah dijelaskan pada Bab 3, node
dikatakan memiliki centrality yang tinggi jika letaknya semakin terpusat ke
jaringan dan memiliki jumlah teman yang lebih banyak.
Nilai centrality dapat dicari dengan menghitung rata-rata jumlah koneksi
yang dimiliki oleh node, baik centrality untuk node parent (node sampel),
centrality untuk node pada iterasi pertama, centrality untuk node pada iterasi
kedua, centrality untuk node pada iterasi ketiga, dan centrality untuk node pada
iterasi keempat (iterasi paling akhir pada blind method). Setiap nilai centrality
yang didapatkan akan dibandingkan antara centrality parent, centrality iterasi
pertama, centrality iterasi kedua, centrality iterasi ketiga, dan centrality iterasi
keempat. Iterasi akan dihentikan jika kenaikan nilai centrality pada iterasi
berikutnya tidak lebih besar dari 15%. Saat kenaikan nilai centrality pada sebuah
iterasi tidak mencapai 15% maka penulis menganggap bahwa kenaikan tersebut
tidak signifikan sehingga pencarian nilai centrality bisa dihentikan. Perhitungan
centrality untuk jumlah node parent = 1000 buah dapat dilihat pada Tabel 4.9
berikut,
47
Node
Jumlah Node
Centrality
Parent
1000
4,142142
Iterasi 1
967
5,049638
Iterasi 2
379
5,91029
Iterasi 3
64
6,453125
Iterasi 4
Tabel 4. 9 Tabel centrality dari 1000 node dengan menggunakan blind method
Dalam Tabel 4.9 dapat disimpulkan bahwa kenaikan nilai centrality yang
signifikan terjadi pada iterasi pertama dan kedua. Hal ini dapat dilihat pada
kenaikan nilai centrality di iterasi ke-tiga dan ke-empat yang tidak mencapai 15%.
Perhitungan nilai centrality juga akan diterapkan pada beberapa kondisi
analisis yang telah diterapkan di dalam beberapa Sub Bab di Bab 4. Hasil
perhitungan nilai centrality dapat dilihat pada Tabel 4.10 dan Tabel 4.11 berikut,
10
Jumlah Koneksi
pada Parent
4
Jumlah Koneksi
Iterasi 1
4
110
210
310
410
510
610
710
810
910
Centrality
3,9
4,6
5,5
Jumlah Koneksi
Iterasi 2
7
5
5
48
Jumlah Koneksi
pada Parent
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Jumlah Koneksi
Iterasi 1
4
3
6
4
4
4
4
5
4
4
4
4
4
4
5
4,2
Jumlah Koneksi
Iterasi 2
Jumah Koneksi
Iterasi 3
5
5
6
5
5
6
6
5
5
7
5,22
5,75
Dari Tabel 4.10 dan 4.11 dapat disimpulkan bahwa dengan menggunakan
blind method akan didapatkan nilai centrality yang selalu meningkat di setiap
iterasi yang dihasilkan. Lompatan nilai centrality yang lebih dari 15% pada setiap
kondisi yang diteliti terjadi hingga iterasi kedua.
Perbedaan yang mendasar yang dapat dilihat dari kedua kondisi di atas
adalah penentuan sampel, di mana kondisi A menentukan sampel secara acak
dengan aturan selisih 100 pada tiap nodenya, sedangkan kondisi B menentukan
sampel semua node di dalam jaringan yang memiliki jumlah koneksi 2. Dari nilai
centrality yang didapatkan dari kedua jenis kondisi ini juga dapat disimpulkan
bahwa dengan menggunakan sampel yang beragam jumlah koneksi dan lebih
besar dari 2 (jumlah minimal koneksi yang dihasilkan di jaringan) di parent-nya
akan menghasilkan nilai centrality yang lebih besar jika dibandingkan dengan
49
sampel yang memiliki jumlah koneksi paling minimal. Hasil ini berbanding lurus
dengan paradoks pertemanan yang disampaikan oleh Christakis di Bab 3 [3].
50
BAB V
KESIMPULAN DAN SARAN
5.1
Kesimpulan
Dari hasil analisis dan pembahasan simulasi yang dilakukan dapat diambil
2)
Jumlah koneksi yang minim akan membuat jumlah iterasi yang dibutuhkan
untuk mencapai node hotspot lebih besar jika dibandingkan dengan node
yang memiliki koneksi yang lebih banyak. Hal ini akan sangat berguna saat
penentuan sampel di dalam jaringan sosial nyata.
3)
51
4)
Jumlah koneksi yang minim (jumlah koneksi = 2) pada sampel node akan
membuat nilai centrality yang diperoleh tidak akan sebesar jikalau
pemilihan sampel node dilakukan secara acak dengan jumlah koneksi lebih
besar dari 2. Dengan didapatkannya nilai centrality yang semakin besar,
maka semakin besar kemungkinan untuk bisa mencapai real hotspot dan hal
ini akan berdampak positif pada monitoring terjadinya penyebaran epidemi
dalam jaringan sosial.
5)
Manfaat dari penelitian ini akan terlihat jika dikolaborasikan dengan bidangbidang keilmuan yang lain seperti :
52
5.2
Saran
Analisis blind method ini masih dapat dikembangkan lebih lanjut untuk
meneliti karakteristik jaringan sosial nyata yang ada dalam kehidupan manusia.
Program analisis ini dikembangkan dengan menggunakan 2 buah software, yaitu
JAVA dan Microsoft Excel.
2)
53
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
[7]