STUDI WORLD WIDE WEB SEBAGAI SEBUAH GRAF BERARAH

Indah Kuntum Khairina – NIM : 13505088

Program Studi Teknik Informatika, Institut Teknologi Bandung
Jl. Ganesha 10, Bandung
E-mail : if115088@students.if.itb.ac.id

Abstrak

Makalah ini membahas tentang studi world wide web sebagai sebuah graf berarah. Di sini, sebuah halaman
situs kita anggap sebagai simpul dan hyperlink adalah sisi yang menghubungkan simpul-simpul tersebut.
Graf semacam ini dikenal dengan istilah web graph.

Struktur dari web-graph sangat berguna untuk mengembangkan algoritma-algoritma pencarian web. Pada
makalah ini, dibahas dua jenis algoritma pencarian, yaitu: algoritma HITS dan algoritma trawling. Pada
proses pencarian web dengan memasukkan sebuah kata kunci/topik ke dalam search engine ditemukan
sebuah fenomena bahwa situs-situs hasil pencarian dapat dibagi dalam dua jenis, yaitu (1) authorities
(situs-situs yang isi/topiknya memang berkaitan dengan kata kunci), dan (2) hubs (situs-situs yang
mengenumerasi/mengumpulkan authorities). Algoritma HITS sangat berguna untuk mencari authorities,
sementara algoritma trawling dapat digunakan untuk mencari upagraf-upagraf terhubung dari web graph,
yang nantinya dapat digunakan untuk mencari hub dari sebuah komunitas maya (yaitu, terdiri dari
kumpulan situs-situs dengan topik yang serupa). Namun demikian, algoritma trawling memiliki banyak
kelemahan yang disebabkan oleh tak-terhingganya besar ruang pencarian di dalam world wide web.

Dalam makalah ini juga dibahas mengenai sifat-sifat struktural yang didapat melalui pengamatan dari
proses pencarian web dalam search engine. Selain itu, makalah ini juga membahas mengenai model dari
web graph.

Kata kunci: graf berarah, web graph, pencarian web, search engine, algoritma HITS, trawling, enumerasi,
graf lingkaran bipartit, random graph.

1. Pendahuluan dengan bermiliar-miliar hyperlinks. Jumlah ini

masih akan terus bertambah setiap tahun.
Sejak beberapa tahun terakhir, teknologi
informasi, khususnya internet (world wide web),
Pembahasan dalam makalah ini difokuskan pada
tidak lagi hanya menjadi konsumsi orang-orang
studi graf berarah yang dihasilkan oleh
yang bekerja di bidang IT saja, tapi juga menjadi
hyperlinks sebagai penghubung antar situs;
konsumsi hampir setiap orang. Hal ini terjadi
dikenal dengan istilah web graph. Untuk tujuan
karena world wide web memang menjanjikan
tersebut, sebuah halaman situs kita anggap
penghematan waktu dan kemudahan dalam
sebagai sebuah simpul dan hyperlink sebagai sisi
melakukan berbagai hal, seperti transaksi
penghubung situs-situs tersebut. Sebagai contoh,
perbankan, belanja online, bertukar kabar serta
pada gambar graf berarah di bawah ini,
informasi melalui e-mail, dan sebagainya. Oleh
himpunan simpul V = {x1,...,xN} adalah halaman-
karena itu, berbagai perusahaan membuat situs
halaman situs dan xi
xj jika xi mengandung
resmi sebagai pelayanan penunjang untuk
pelanggan mereka. Situs-situs komunitas dan sebuah hyperlink ke xj.
pribadi juga banyak bermunculan, terutama sejak
teknologi weblog menjadi populer. Setiap situs
dapat mengacu/menunjuk halaman situs lain
melalui sebuah hyperlink. Berdasarkan
pengamatan, rata-rata sebuah situs memiliki
tujuh hyperlinks. Dengan demikian, dapat
dipastikan saat ini telah ada berjuta-juta situs
 x2 x3
x4
x1 x5
x6
x7
Gambar 1 Web Graph sebagai Graf Berarah
Studi mengenai web graph ini menjadi menarik
karena beberapa hal berikut. Pertama, struktur
dari web graph telah banyak digunakan untuk
meningkatkan kualitas pencarian web (misalnya
dalam search engine) dan juga digunakan untuk
menemukan algoritma topic-classification yang
lebih akurat. Kedua, banyak informasi menarik
lain yang dapat kita temukan dalam sebuah web
graph, misalnya informasi mengenai ukuran dari
web graph itu sendiri (derajat sebuah situs, jarak
antara dua situs, dan lain-lain) atau bahkan
informasi mengenai situs apa saja yang paling
diminati user saat ini.
2. Algoritma
Algoritma yang dibahas dalam makalah ini
adalah algoritma yang berhubungan dengan
pencarian web. Berdasarkan pengamatan saat
melakukan pencarian topik-topik tertentu dalam
search engine, ditemukan bahwa untuk setiap
topik yang dicari didapatkan dua jenis situs hasil
pencarian, yaitu:
1. Authoritative pages (authorities)
Situs-situs yang memang memiliki
topik serupa dengan topik yang sedang
kita cari.
2. Hub pages (hubs)
Situs-situs yang berisi hyperlinks ke
authoritative pages.
Selanjutnya, hasil pengamatan tersebut
memotivasi pengembangan dua jenis algoritma
yang akan dibahas kemudian. Pertama, algoritma
pencarian yang menyaring situs-situs yang
memang berkaitan dengan topik yang dicari
(authorities), dibahas dalam upabab 2.1. Kedua,
algoritma untuk mengenumerasi topik-topik dari
authorities untuk kemudian dikumpulkan dalam
sebuah hub, dibahas dalam upabab 2.2.
2.1 Algoritma HITS
Algoritma Hyperlink Induced Topic Search
(HITS) Kleinberg memberikan gagasan baru
tentang hubungan antara hubs dan authorities.
Dalam algoritma HITS, setiap simpul (situs) p
diberi bobot hub (xp) dan bobot authority (yp)
melalui operasi
xp = ∑ yq
q, q
p
dan
yp = ∑ xq
q, p
q
yang dalam hal ini nilai xp diperoleh dari jumlah
seluruh nilai yq di mana q adalah situs-situs yang
menunjuk (mengandung hyperlink) ke situs p
(notasi q
p menunjukkan bahwa q menunjuk
ke p). Sementara nilai yp diperoleh dari jumlah
seluruh nilai xq. Dari operasi tersebut, dapat
dilihat bahwa antara hubs dan authorities
terdapat sebuah hubungan yang saling
memperkuat satu sama lain, yaitu: sebuah hub
yang bagus menunjuk ke banyak authorities
yang juga bagus, sementara sebuah authority
yang bagus ditunjuk oleh banyak hubs yang juga
bagus.
Untuk melakukan update secara berkala dari
nilai-nilai tersebut, terdapat cara yang lebih
singkat dibanding dengan melakukan
perhitungan ulang dari rumus yang telah dibahas
sebelumnya. Pertama-tama, nomori situs-situs
hasil pencarian dengan angka {1,2,...,n} dan
tentukan matriks ketetanggaan A yang berukuran
n x n dari situs-situs tersebut. Lalu, himpun
seluruh nilai x dalam sebuah vektor x =
(x1,x2,...,xn) , lakukan hal yang serupa pada
seluruh nilai y. Selanjutnya, update nilai x dan y
dapat dilakukan melalui operasi
x  ATy  ATAx = (ATA)x
dan
y  ATx  ATAy = (AAT)y
Di bawah ini adalah gambaran keseluruhan dari
algoritma HITS.

langkah 1: Kumpulkan sejumlah r situs hasil
pencarian sebuah topik yang terletak paling atas
(highest-ranked) dari sebuah search engine.
Sejumlah r situs ini dikumpulkan dalam sebuah
himpunan akar (root) R.
langkah 2: Buatlah sebuah himpunan basis
(base) S yang berukuran n, dengan cara
memperbesar himpunan R (yaitu, menambah
anggota himpunan dengan semua situs yang
ditunjuk oleh situs-situs di R dan paling banyak
sejumlah d situs tambahan tersebut menunjuk ke
situs-situs di R).
langkah 3: Buatlah graf G[S] yang dihasilkan
oleh situs-situs pada himpunan S sebagai simpul.
Terdapat dua jenis links dalam graf G[S] ini, yaitu:
transverse links (links antara situs-situs yang
alamat domainnya berbeda) dan intrinsic links
(links antara situs-situs yang berdomain sama).
Semua sisi yang terbentuk dari intrinsic links
dihapus dari graf G[S], sehingga yang tersisa
hanyalah sisi-sisi dari transverse links.
langkah 4: Buat matriks ketetanggaan A yang
berukuran n x n dan juga matriks transposnya AT.
Normalisasikan vektor eigen ε1 dari ATA yang
bersesuaian dengan nilai eigen λ1 terbesar.
langkah 5: Temukan elemen-elemen dengan
nilai absolut dari hasil normalisasi vektor eigen
yang besar. Kemudian, definisikan elemen-elemen
tersebut sebagain authorities.
Gambar 2 Algoritma HITS
Pada akhirnya, algoritma HITS ini menghasilkan
sebuah daftar singkat yang terdiri dari situs-situs
dengan bobot hub terbesar serta situs-situs
dengan bobot authority terbesar. Yang menarik
dari algoritma HITS adalah: setelah
memanfaatkan kata kunci (topik yang dicari)
untuk membuat himpunan akar (root) R,
algoritma ini selanjutnya sama sekali tidak
mempedulikan isi tekstual dari situs-situs hasil
pencarian tersebut. Dengan kata lain, HITS
murni merupakan sebuah algoritma berbasis link
setelah himpunan akar terbentuk. Walaupun
demikian, secara mengejutkan HITS memberikan
hasil pencarian yang baik untuk banyak kata
kunci. Sebagai contoh, ketika dites dengan kata
kunci ”search engine”, lima authorities terbaik
yang dihasilkan oleh algoritma HITS adalah
Yahoo!, Lycos, AltaVista, Magellan, dan Excite
− padahal tidak satupun dari situs-situs tersebut
mengandung kata ”search engine”.
2.2 Algoritma Trawling (Penjaringan)
Pada upabab ini, kita beralih ke algoritma kedua
yang digunakan dalam pencarian web. Berbeda
dengan HITS, yang merupakan sebuah algoritma
pencarian yang dirancang untuk menemukan
situs-situs dengan topik tertentu, algoritma
trawling mengenumerasi semua topik dan
kemudian memproses keseluruhan web graph.
Misalkan Ki,j adalah sebuah graf bipartit lengkap,
yaitu setiap simpul pada himpunan i terhubung
langsung dengan setiap simpul pada himpunan j.
Kemudian, buatlah sebuah graf lingkaran bipartit
Ci,j (yaitu, graf dengan himpunan simpul i + j
yang mengandung paling sedikit sebuah Ki,j
sebagai upagraf). Gambaran tersebut
menjelaskan bahwa pada pencarian setiap topik
dalam world wide web, akan dihasilkan sebuah
graf lingkaran bipartit dalam web graph-nya.
Gambar di bawah ini mengilustrasikan sebuah
contoh graf C4,3 di mana keempat situs di sebelah
kiri memiliki hyperlinks ke tiga situs perusahaan
besar yang bergerak di bidang penerbangan
(terletak di sebelah kanan).
www.boeing.com
www.airbus.com
www.embrair.com
Gambar 3 Graf Lingkaran Bipartit
Upagraf K4,3 dari web graph di atas dapat disebut
sebagai sebuah ”komunitas maya” yang terdiri
dari perusahaan-perusahaan penerbangan
komersial yang kemudian menghasilkan hubs,
yaitu keempat situs di sisi kiri. Situs-situs ini
menunjuk pada authorities yang terletak di sisi
kanan.
Katakanlah, sebuah komunitas maya muncul
dalam ketika banyak hubs menunjuk ke banyak
authorities yang sama. Dalam banyak kasus,
hubs dari komunitas-komunitas tersebut tidak
menunjuk ke semua authorities yang
bersesuaian. Alamat dan jumlah authorities yang
ditunjuk oleh hubs sangat mungkin berbeda satu
sama lain. Dengan mengetahui fakta ini, dapat
kita nyatakan sebuah hipotesis (yang lemah)
sebagai berikut: setiap komunitas maya akan
mengandung sebuah graf lingkaran bipartit Ci,j
dengan nilai-nilai i dan j yang non-trivial.
Hipotesis ini juga berarti bahwa untuk setiap
nilai i (jumlah hubs) terdapat banyak graf
lingkaran bipartit Ci,j dengan nilai j (jumlah
authorities) yang berbeda-beda; hal ini juga
berlaku untuk setiap nilai j. Untuk menindak-
lanjuti hipotesis tersebut, kita dapat berusaha
untuk menemukan sebuah komunitas maya yang
lebih besar dengan cara menyatukan (melalui
enumerasi) semua graf lingkaran bipartit
tersebut; proses seperti ini disebut sebagai
trawling.
Berdasarkan percobaan mengenumerasi Ci,j
untuk nilai i = 3, akan diperoleh rentang nilai j
antara 3 sampai 20. Sementara, untuk nilai j = 3,
akan diperoleh rentang nilai i antara 3 sampai 9.
Hasil semacam ini memberi kesan bahwa (1)
sebuah web graph memiliki ribuan graf
lingkaran bipartit, dan (2) hanya sebagian kecil
yang tepat − biasanya dicapai jika menggunakan
kata kunci/topik yang sangat jelas dan fokus.
Pada paragraf berikutnya, akan diberikan
penjelasan singkat tentang percobaan ini, diikuti
dengan beberapa penemuan penting dari
percobaan tersebut.
Dilihat dari sisi algoritmik, algoritma pencarian
untuk mengenumerasi tersebut menyebabkan dua
masalah yang fatal. Pertama, ukuran dari ruang
pencarian menjadi sangat amat besar − dengan
menggunakan algoritma ini untuk
mengenumerasi semua graf lingkaran bipartit
dari dua situs yang menunjuk ke tiga situs
dibutuhkan pemeriksaan kira-kira 1040 graf
dengan 108 simpul. Kedua, algoritma ini
membutuhkan akses ke sisi-sisi pada web graph
secara acak, yang menyebabkan banyak bagian
dari graf harus diletakkan di memory utama
untuk menghindari pencarian pada disk yang
memakan waktu lama dan memory yang lebih
banyak setiap kali sebuah sisi diakses.
Dalam percobaan ini, digunakan sebuah
paradigma elimination-generation. Algoritma
yang menggunakan paradigma ini akan melewati
sejumlah lintasan sekuensial pada web graph,
yang kemudian disimpan sebagai relasi biner.
Selama melewati tiap-tiap lintasan, algoritma
tersebut menuliskan data-data pada web graph
tersebut yang telah dimodifikasi/di-update ke
dalam disk. Selain itu, algoritma tersebut juga
menuliskan beberapa metadata yang terletak di
memory utama yang berguna untuk melewati
lintasan selanjutnya. Proses melewati lintasan-
lintasan ini diselingi oleh operasi sort, yang
berguna untuk mengubah urutan ketika data di-
scan, dan merupakan bagian terbesar dari proses
tersebut. Operasi sort ini dapat dipandang
sebagai operasi pengurutan sisi-sisi berarah dari
simpul asal ke simpul tujuan (atau sebaliknya)
berdasarkan jumlah derajat masuk dan derajat
keluar setiap simpul. Selama melewati tiap
lintasan, juga dilakukan proses elimination filter
dan generation filter, yang selanjutnya akan
dibahas.
Elimination Filter. Ada beberapa persyaratan
sederhana yang harus dipenuhi oleh sebuah
simpul agar dapat menjadi bagian dari upagraf
yang bersesuaian. Bayangkan sebuah graf
lingkaran bipartit C4,4. Semua simpul yang hanya
memiliki derajat masuk kurang dari 4 tidak dapat
menjadi bagian dari sisi sebelah kanan pada graf
C4,4 tersebut. Dengan demikian, sisi-sisi yang
mengarah ke simpul tersebut dapat dibuang dari
graf. Sebaliknya, semua simpul dengan derajat
keluar kurang dari 4 tidak dapat menjadi bagian
dari sisi sebelah kiri.
Generation Filter. Proses ini merupakan lanjutan
dari elimination filter. Di sini, simpul-simpul
yang diperoleh dari elimination filter (yaitu,
simpul-simpul yang hampir memenuhi syarat
untuk menjadi bagian dari upagraf yang
bersesuaian) dapat ditentukan apakah bisa
menjadi bagian dari upagraf tersebut atau tidak.
Bayangkan kembali sebuah graf lingkaran
bipartit C4,4. Anggap u adalah sebuah simpul
yang memiliki derajat masuk tepat 4 (atau lebih
sedikit dari 4). Selanjutnya, u dapat menjadi
bagian dari C4,4 jika dan hanya jika keempat
simpul yang menunjuk ke u memiliki tetangga
paling sedikit 4. Generation filter merupakan
sebuah prosedur untuk menentukan simpul-
simpul yang memenuhi syarat, dan setiap simpul
dapat menghasilkan sebuah graf lingkaran atau
membuktikan bahwa sebuah graf lingkaran
tertentu tidak eksis.
Setelah proses elimination-generation selesai,
akan tersisa simpul-simpul yang memiliki
jumlah tetangga yang lebih sedikit. Kita dapat
melanjutkan proses ini sampai tidak ada
kemajuan berarti yang dapat dihasilkan lagi.
Proses elimination-generation ini dapat
menyebabkan terjadinya salah satu dari dua hal
berikut: (1) simpul-simpul pada graf dibuang
terus-menerus sampai tidak ada yang tersisa, atau
(2) setelah melewati beberapa lintasan, simpul-
simpul yang dibuang pada setiap proses menjadi
semakin dan semakin sedikit. Dari percobaan
yang telah banyak dilakukan, fenomena kedua
lebih sering terjadi.
Dalam [8] dilaporkan sebuah hasil trawling dari
sebuah web graph. Percobaan ini
mengenumerasi graf lingkaran bipartit sebanyak
100,000 lebih. Perhatikan bahwa karena graf-
graf tersebut adalah hasil dari enumerasi (bukan
hasil dari mencocokkan kata kunci), hasil
pencarian dengan algoritma trawling ternyata
hanya mengandung sedikit sekali situs yang
isi/topiknya bersesuaian dengan kata kunci. Satu-
satunya cara untuk menentukan apakah sebuah
graf lingkaran yang dihasilkan itu benar atau
cuma kebetulan adalah dengan melakukan
pengecekan manual, yang lebih lengkapnya
dijelaskan dalam [8].
3. Struktur
Sebuah web graph dapat mengandung beberapa
struktur lokal. Salah satu contoh struktur lokal
yang menarik dalam web graph dapat dilihat
pada graf lingkaran bipartit yang telah dibahas
pada bab sebelumnya.
3.1 Keterhubungan dari upagraf-upagraf
lokal
Dalam upabab ini akan dibahas mengenai hal-hal
yang berkaitan dengan keterhubungan dari
upagraf-upagraf lokal pada web graph.
Sebelumnya, bentuklah sebuah himpunan
upagraf-upagraf lokal (yaitu, himpunan basis S
yang diperoleh dari algoritma HITS pada upabab
2.1). Kemudian, kita akan memandang G sebagai
sebuah graf berarah, namun kita juga akan
mendefinisikan sebuah graf tidak-berarah Gu
yang diperoleh dari mengabaikan arah dari
semua simpul pada graf berarah. Dari hasil
percobaan dengan limapuluh contoh kata kunci,
diperoleh bahwa graf-graf yang terbentuk dengan
cara ini menunjukkan sejumlah sifat structural
yang konsisten; beberapa dari sifat-sifat ini
selanjutnya akan kita bahas dari segi kualitatif.
Rentang keterhubungan. Dari hasil percobaan,
dapat dilihat bahwa graf tidak-berarah Gu tidak
terhubung. Komponen-komponen dari himpunan
akar R biasanya hanya mengandung sedikit
sekali sisi; dan sementara perbesaran dari
himpunan akar R menjadi himpunan basis S
dimaksudkan untuk menghubungan banyak
simpul dalam himpunan tersebut, beberapa
simpul lainnya tetap terisolasi. Graf Gu seperti
ini hanya mengandung sebuah komponen besar
(yaitu, simpul-simpul terhubung yang
merupakan bagian paling penting di antara
semua simpul). Untuk memperoleh
keterhubungan yang lebih kuat, gunakan prinsip
keterhubungan-ganda. Katakanlah dua simpul u
dan v terhubung-ganda. Graf tak-berarah seperti
ini juga hanya mengandung sebuah komponen
besar yang terhubung-ganda dengan beberapa
komponen lain tetap terisolasi. Pada algoritma
HITS, komponen-komponen terhubung-ganda ini
biasanya merupakan hubs dan authorities
terbaik.
Keterhubungan Bolak-Balik. Keterhubungan-
ganda menghasilkan sebuah komponen
besar/utama; keterhubungan-kuat memecah
sebuah graf menjadi komponen-komponen kecil.
Keterhubungan bolak-balik adalah sebuah
keterhubungan alami (bukan buatan) yang
membutuhkan arah dari sisi-sisi penghubung
antar simpul. Berikut ini akan dijelaskan
mengenai keterhubungan bolak-balik, serta
kesulitannya untuk menemukan komponen
utama.
Jika u dan v adalah simpul, dapat dikatakan
bahwa himpunan sisi-sisi P dari graf berarah G
adalah sebuah lintasan bolak-balik dari u ke v
jika (1) P juga merupakan sebuah lintasan pada
graf tak-berarah Gu yang titik akhirnya berada
pada simpul u maupun v, dan (2) arah dari sisi-
sisi dalam himpunan P pada graf G harus bolak-
balik. Dengan demikian, untuk mencapai situs v
dari situs u melalui sejumlah links (situs-situs
lain) dapat digunakan lintasan maju atau lintasan
mundur. Hal ini berkaitan erat dengan algoritma
HITS. Ketepatan hubungan bolak-balik dari sisi-
sisi dalam himpunan P berkaitan dengan bobot
yang dimiliki oleh tiap-tiap simpul. Ketepatan
hubungan bolak-balik ini yang kemudian dapat
digunakan untuk menentukan kemiripan di
antara situs-situs [9,10,11].
4. Model
Pada bagian ini akan dibahas mengenai beberapa
graf model yang diharapkan dapat membantu
pemahaman mengenai studi struktural pada web
graph. Terdapat beberapa alasan untuk
memahami model-model tersebut:
1. Memudahkan kita untuk memodelkan
berbagai struktur dari web graph.
 2. Memudahkan kita untuk memprediksi
perilaku-perilaku dari algoritma-
algoritma yang dipakai dalam web
graph.
3. Memudahkan kita untuk mempelajari
sifat-sifat struktural pada word wide
web, sehingga selanjutnya kita dapat
mengambil manfaat dari hal-hal
tersebut.
4. Memudahkan kita untuk memprediksi
bentuk dari web graph di masa yang
akan datang.
4.1 Model Random Graph
Awalnya, web graph dianggap serupa dengan
sebuah random graph. Model random graph ini
digunakan untuk menunjukkan bahwa selalu ada
lintasan terpendek di antara sepasang situs.
Dalam memodelkan sebuah web graph,
digunakan graf yang berbeda dari random graph
biasa. Penjelasan mengenai random graph biasa
dapat dilihat pada [12], sementara penjelasan
mengenai random graph yang digunakan untuk
memodelkan sebuah web graph dapat dilihat
pada [1].
5. Kesimpulan
Kesimpulan yang dapat dimbil dari studi world
wide web sebagai sebuah graf berarah ini
adalah:
1. World wide web dapat dipandang
sebagai sebuah graf berarah, di mana
situs-situs adalah himpunan simpul dan
hyperlinks adalah sisi-sisi penghubung
simpul-simpul tersebut; disebut sebagai
web graph.
2. Struktur web graph dapat digunakan
untuk mengembangkan algoritma-
algoritma pencarian web, misalnya :
algoritma HITS dan algoritma trawling.
3. Kesulitan dalam pengembangan
algoritma-algoritma dalam web graph
disebabkan oleh terlalu besarnya ruang
pencarian web.
4. Pemahaman mengenai struktur web
graph memberikan banyak informasi
dan manfaat, misalnya dalam
pembuatan situs agregator yang
mengumpulkan situs-situs dengan topik
yang relevan/serupa, prediksi mengenai
situs-situs yang paling diminati oleh
user, dan sebagainya.
DAFTAR PUSTAKA
[1] Kleinberg, Jon M., Ravi Kumar, Prabhakar
Raghavan, Sidhar Rajagopalan, & Andrew
S. Tomkins. (2007). The Web as A Graph:
Measurements, Models, and Methods.
http://www.cs.cornell.edu/home/kleinber/w
eb-graph.ps. Tanggal akses: 1 Januari 2007
pukul 16:00.
[2] Yang, Rong. (2007). The Structure of The
World Wide Web Graph.
http://delivery.acm.org/10.1145/1190000/1
181930/p169-yang.pdf. Tanggal akses: 1
Januari 2007 pukul 16:00.
[3] Nomura, Saeko, Satoshi Oyama, Tetsuo
Hayamizu, & Toru Ishida. (2007). Analysis
and Improvement of HITS Algorithm for
Detecting Web Communities.
http://www.kyoto-u.ac.jp. Tanggal akses: 3
Januari 2007 pukul 10:00.
[4] Ding, Chris H.Q., Hongyuan Zha, Xiaofeng
He, Parry Husbands, & Horst D. Simon.
(2003). Link Analysis: Hubs and
Authorities on The World Wide Web.
http://. Tanggal akses: 3 Januari 2007 pukul
10:00.
[5] Guillaume, Jean-Loup & Matthieu Latapy.
(2007). The Web Graph: an Overview.
http://hipercom.inria.fr/soleil/rapports/guill
aume02algotel.ps. Tanggal akses: 1 Januari
2007 pukul 16:00.
[6] Leighton, Tom & Ronitt Rubinfeld. (2006).
Graph Theory III.
http://theory.lcs.mit.edu/classes/6.042/fall06
/lec8.pdf. Tanggal akses: 1 Januari 2007
pukul 16:00.
[7] Munir, Rinaldi. (2004). Bahan Kuliah
IF2153 Matematika Diskrit. Departemen
Teknik Informatika, Institut Teknologi
Bandung.
[8] S.R. Kumar, P.Raghavan, S. Rajagopalan,
& A. Tomkins. (1999). Trawling Emerging
Cyber-Communities Automatically. Proc.
8th WWW Conference.
[9] S. Chakrabarti, B. Dom, P. Indyk. (1998).
Enhanced Hypertext Classification Using
Hyperlinks. Proc. ACM SIGMOD.
[10] Kleinberg, J. (1999). Authoritative Sources
in A Hyperlinked Environment. Journal of
ACM.

[11] Larson, R. (1996). Bibliometrics of The

World Wide Web: An Exploratory Analysis
of The Intellectual Structure of Cyberspace.
Annual Meeting of the American Society
Info. Sci.

[12] William Aiello, Fan Chung, & Linyuan Lu.

(2007). A Random Graph Model for Power
Law Graphs. http://. Tanggal akses: 1
Januari 2007 pukul 16:00.

[13] Anton & Rorres. (2004). Aljabar Linear

Elementer versi Aplikasi. Jakarta: Erlangga.