BEBERAPA CONTOH PEMAKAIAN UCINET DALAM ANALISIS JARINGAN SOSIAL

Oleh :
Abdullah M. Jaubah

Pendahuluan
Ucinet merupakan perangkat lunak untuk melakukan analisis jaringan sosial. Pembahasan mengenai
pemakaian Ucinet masih jarang ditemukan di Indonesia. Pembahasan ini akan menyajikan beberapa
contoh pemakaian Ucinet dalam usaha memperkenalkan analisis jaringan sosial yang dapat dipakai
sebagai salah satu metodologi penelitian.
Tulisan ini dipengaruhi, secara langsung atau tidak langsung, oleh gagasan-gagasan dan konsepkonsep dari para pakar antara lain dari J. A. Barnes, S. D. Berkowits, Stephen P. Borgatti, Ronald
Burt, Kathleen Carley, Martin Everett, Kathlerine Faust, Linton C. Freeman, Mark Granovetter, David
Knoke, David M. Krackhardt, Peter Marsden, Nicholas Mullins, Anatol Rappaport, Stanley
Wasserman, Barry Wellman, Douglas R.White, Harrizon White, Kate Ehrlich, Inga Carboni, Luis
Pinzon Salcedo, Ricardo Barros, Roberto Zarama, Margarita de Meza, Cristina Carulla, Astrid
Bejarano, Kyumars Sheykh Esmaili, Daniel S. Halgin, Paul McLean, Sytse Strijbos, Jason Owen
Smith, Manuel Castells, Daniel J. Brass, J. L. Moreno, Noah E. Friedkin, Eugene C. Johnsen, Charles
Kadushin, Nathalie Henry, Robert A. Hanneman, Mark Ridder, Paola Tubaru, Luis R. Izquierdo, dan
sebagainya. Tulisan ini mengacu pada buku yang ditulis oleh Robert A. Hanneman dan Mark Riddle
(2005) berjudul H Introduction to social network methods yang dapat diunduh melalui alamat

http://faculty.ucr.edu/~hanneman/ Beberapa tulisan dari Stephen P. Borgatti juga diacu di sini

sehingga gagasan-gagasan mereka akan tercermin pula dalam tulisan ini. Banyak diagram
jalur yang disajikan oleh mereka dipakai di sini dengan cara mencipta sendiri hubunganhubungan dalam diagram jalur tersebut karena hubungan-hubungan yang terkandung dalam
diagram jalur tersebut tidak jelas sebagai akibat dari anak panah tidak disajikan.
Beberapa konsep terkandung dalam analisis jaringan sosial. Konsep-konsep itu antara lain adalah
Betweenness, Bridge, Local Bridge, Centrality, Centralization, Closeness, Clustering Coefficient,
Cohesion, Degree, Density, Flow betweenness centrality, Eugenvector centrality, Path length,
Prestige, Radiality, Reach, Structural Cohesion, Structural equivalence, Structural hole, Path, Walk,
dan sebagainya. Contoh-contoh yang disajikan merupakan contoh-contoh yang sangat sederhana
hingga contoh-contoh yang sangat rumit. Pembahasan akan menyajikan langkah-langkah pemakaian
Ucinet. [1]
Beberapa Contoh
1

Data
Pengumpulan data dapat dilakukan dengan berbagai cara pengumpulan data sebagaimana biasa
disajikan dalam pembahasan mengenai metodologi penelitian. Data yang dikumpulkan dapat
dimasukkan ke dalam Microsoft Excel. Contoh data sederhana adalah sebagai berikut :
Andi
Andi
Badu
Citra
Dewi

Badu
0
0
0
0

Citra
0
0
0
0

Dewi
0
0
0
0

0
0
0
0

Data yang telah diketik ke dalam microsoft Excel ini kemudian digandakan dan dialihkan ke dalam
Ucinet.
Pemakaian Ucinet
Paket program Ucinet diaktifkan. Langkah ini akan menyajikan kotak dialog UCINET 6 for
Windows.. Version 6.289 sebagaimana disajikan di bawah ini :

Tombol

ditekan. Langkah ini akan menyajikan kotak dialog UCINET Spreadsheet Untitled

sebgai berikut :

Perintah Edit>Paste dipakai. Langkah ini akan menyajikan kotak dialog UCINET Spreadsheet
Untitled sebgai berikut :

Data tersebut disimpan dengan cara memakai File> Save as. Langkah ini akan menyajikan kotak
dialog Save As sebagai berikut :

Contoh1 diketik dan tombok Save ditekan. Langkah ini akan menyimpan arsip data dalam arsip
Contoh1. Menu Visualize atau tombol

ditekan. Langkah ini akan menyajikan kotak dialog

sebagai berikut :

Perintah File>Open>Ucinet dataset>Network ditekan. Langkah ini akan menyajikan kotak dialog
Open Data File sebagai berikut :

Tombol

ditekan. Langkah ini akan menyajikan kotak dialog Open sebagai berikut :

Arsip Contoh1 dipilih dan tombol Open ditekan. Langkah ini akan menyajikan kotak dialog Open
Data File sebagai berikut :

Tombol OK ditekan sehingga langkah ini akan menyajikan hasil sebagai berikut :

Analisis Hasil
Data tersebut terdiri dari empat aktor yaitu Andi, Badu, Citra, dan Dewi. Keempat aktor ini tidak
mempunyai ikatan atau hubungan.
Data
Data lain tersedia sebagai berikut :
Pemakaian Ucinet
Langkah-langkah serupa dengan langkah-langkah yang telah dijelaskan di atas dipakai di sini,

Pemakaian langkah-langkah tersebut akan menghasilkan informasi sebagai berikut :

Analisis Hasil

Hasil di atas mencerminkan bahwa Andi menghubungi Citra akan tetapi Citra tidak menghubungi
Andi. Badu menghubungi Dewi akan tetapi Dewi tidak menghubungan Badu. Andi, Badu, Citra, dan
Dewi merupakan para aktor sedangkan garis dengan satu anak panah mencerminkan hubungan atau
ikatan. Lingkaran atau titik mewakili aktor dan garis mewakili ikatan atau hubungan.
Data
Andi
Andi
Badu
Citra
Dewi

Badu
0
0
1
0

Citra
0
0
0
1

Dewi
1
0
0
0

0
1
0
0

Pemakaian Ucinet

Analisis Hasil
Diagram jaringan di atas mencerminkan hubungan dua arah antara Andi dan Citra dan hubungan dua
arah antara Badu dan Dewi. Andi dan Citra tidak mempunyai hubungan dengan Badu dan Dewi.
Data
7

Data ini terdiri dari empat aktor dan mengandung hubungan-hubungan tertentu. Data ini adalah
sebagai berikut :
Andi
Andi
Badu
Citra
Dewi

Badu
0
1
1
0

Citra
1
0
1
1

Dewi
1
1
0
0

0
1
0
0

Pemakaian Ucinet

Diagram jaringan yang dihasilkan adalah sebagai berikut :

Analisis Hasil
Andi mempunyai dua hubungan dua arah. Citra mempunyai dua hubungan dua arah. Dewi
mempunyai satu hubungan dua arah. Badu mempunyai tiga hubungan dua arah. Analisis lebih lanjut
membutuhkan langkah memakai perintah Network>Centrality>Degree. Langkah ini akan menyajikan
kotak dialog sebagai berikut :
8

Tombol

ditekan. Langkah ini akan menyajikan kotak dialog Open sebagai berikut :

Contoh4 dipilih dan tombol Open ditekan. Tombol OK ditekan sehingga menghasilkan informasi
sebagai berikut :

Hasil ini mencerminkan OutDegree dan InDegree dari aktor Badu adalah terbesar yaitu 3. Hal ini
berarti pengaruh dari Badu (OutDegree) terhadap para aktor lain adalah paling besar dan kekuasaan
(InDegree) dari aktor Badu adalah terbesar dibanding dengan para aktor lain.
Data
Data di bawah ini terdiri dari lima aktor dan hubungan dua arah antara kelima aktor ini hanya dengan
aktor A saja.
A
A
B
C
D
E

B
0
1
1
1
1

C
1
0
0
0
0

D
1
0
0
0
0

E
1
0
0
0
0

1
0
0
0
0

Pemakaian Ucinet

Pelaksanaan NetDraw akan menghasilkan diagram jaringan sebagai berikut :

Analisis Hasil
10

Diagram jaringan di atas dinamakan diagram jaringan roda. Aktor A mempunyai hubungan dua arah
dengan aktor B. Aktor A mempunyai hubungan dua arah dengan aktor C. Aktor A mempunyai
hubungan dua arah dengan aktor D. Aktor A mempunyai huungan dua arah dengan aktor E. Aktor B,
C, D, dan E tidak mempunyai hubungan. Analisis sentralitas menghasilkan informasi sebagai berikut:

Aktor A mempunyai OutDegree adalah 4 dan InDegree adalah 4. Nilai ini adalah lebih besar daripada
nilai OutDegree dan InDegree dari para aktor lain. Hal ini berarti bahwa Aktor A mempunyai
pengaruh yang sangat besar atas para aktor lain dan mempunyai kekuasaan yang sangat besar atas
para aktor lain. Sentralisasi jaringan diukur dari sudut OutDegree adalah 75% dan sentralisasi jaringan
diukur dari sudut InDegree adalah 75%. Hal ini berarti bahwa sentralitas berbeda dengan sentralisasi,
sentralitas OutDegree berbeda dengan sentralisasi OutDegree, dan sentralitas InDegree bebeda dengan
sentralisasi InDegree. Diagram jaringan di atas dapat juga disajikan sebagai berikut :

11

Diagram jaringan ini disajikan secara berbeda dari diagram jaringan di atas akan tetapi makna yang
terkandung adalah sama.
Data
Data di bawah ini mengandung lima aktor dan hubungan-hubungan tertentu.
A
A
B
C
D
E

B
0
0
1
0
0

C
0
0
1
0
0

D
1
1
0
1
0

E
0
0
1
0
1

0
0
0
1
0

Pemakaian Ucinet

Tombol OK ditekan. Langkah ini akan menghasilkan diagram jaringan sebagai berikut :

Diagram jaringan ini dapat juga disajikan dalam bentuk sebagai merikut :

12

Diagram jaringan di atas dinamakan jaringan chain atau jaringan garis. Hal ini berarti bahwa diagram
jalur dapat disajikan dalam beberapa bentuk akan tetapi mengandung makna yang sama.
Analisis Hasil
Aktor A mempunyai hubungan dua arah dengan aktor B. Aktor B mempunyai hubungan dua arah
dengan aktor C. Aktor C mempunyai hubungan dua arah dengan aktor D. Aktor D mempunyai
hubungan dua arah dengan aktor E. Diagram jaringan ini mencerminkan posisi berbeda dan dapat
dikelompokkan ke dalam posisi yang tidak menyenangkan dari aktor A dan aktor E dan posisi yang
menyenangkan dari aktor B, aktor C, dan aktor D. Sentralitas dan sentralisasi dapat disajikan sebagai
berikut :

Aktor A dan Aktor E mempunyai OutDegree dan InDegree lebih rendah daripada aktor B, C, dan
aktor D. Network Centralization (OutDegree) adalah 12.5% dan Network Centralization (InDegree)
adalah 12.5%.
Data

13

Data di bawah ini terdiri dari lima aktor dan hubungan-hubungan tertentu. Data ini adalah sebagai
berikut :
A
A
B
C
D
E

B
0
0
1
0
0

C
0
0
1
0
0

D
1
1
0
1
0

E
0
0
1
0
1

0
0
0
1
0

Pemakaian Ucinet

14

Diagram jaringan di atas dinamakan diagram jaringan Y

Analisis Hasil
Aktor A mempunyai satu hubungan dua arah dengan aktor C. Aktor B mempunyai satu hubungan dua
arah dengan aktor C. Aktor D mempunyai satu hubungan dua arah dengan aktor C dan dengan aktor
E. Aktor E mempunyai satu hubungan dua arah dengan aktor D. Analisis sentralitas dan sentralisasi
menghasilkan informasi sebagai berikut :

Aktor C mempunyai OutDegree 3 dan InDegree 3. Aktor D mempunai OutDegree 2 dan InDegree 2.
Aktor A, B, dan E mempunyai OutDegree dan InDegree masing-masing adalah 1. Sentralisasi
jaringan menurut OutDegree adalah 43.75% dan menurut InDegree adalah 43.75%.
Data
Data di bawah ini terdiri dari lima aktor dan hubungan-hubungan tertentu. Data ini adalah sebagai
berikut :

15

A
A
B
C
D
E

B
0
1
1
0
0

C
1
0
0
0
1

D
1
0
0
1
0

E
0
0
1
0
1

0
1
0
1
0

Pemakaian Ucinet

16

Analisis Hasil
Aktor A mempunyai dua hubungan dua arah. Aktor B mempunyai dua hubungan dua arah. Aktor C
mempunyai dua hubungan dua arah. Aktor D mempunyai dua hubungan dua arah. Aktor E
mempunyai dua hubungan dua arah. Analisis sentralitas dan sentralisasi menghasilkan informasi
sebagai berikut :

Para aktor masing-masing mempunyai OutDegree dan InDegree adalah sama yaitu sebesar 2. Tiap
aktor mempunyai pengaruh dan kekuasaan yang sama terhadap para aktor lain.
Keempat contoh di atas dikembangkan berdasar atas hasil-hasil percobaan yang dilakukan oleh Alex
Bavelas dan Harold Leavitt sekitar tahun 1940 1950-an.
Data
Pola data yang dipakai di sini adalah pola data yang terkandung dalam arsip data Knokbur akan tetapi
para aktor berbentuk organisasi diganti dengan para aktor berbentuk individu-individu dari para
mahasiswa. Hal ini akan mengakibatkan perbedaan-perbedaan tertentu dalam analisis. Hasil
pengumpulan data mengenai pertukaran pesan di antara para mahasiswa dapat disajikan sebagai
berikut :

17

Andi
Badu
Gat
ot
Sakir
Sardi
Citra
Dewi
Rini
Suci
Wati

Gato
Andi Badu t
Sakir Sardi Citra Dewi Rini Suci Wati
1
0
1
0
1
0
0
1
0
0
1
0
1
1
1
0
1
0
1
1
0
1
1
0
0
1
0
1

1
1
1
0
1
1
1
1

0
0
1
1
0
0
0
1

1
0
1
0
1
1
0
0

1
1
0
0
1
1
1
1

1
0
0
0
0
0
0
0

1
1
1
1
0
1
1
1

0
0
1
0
0
0
0
0

0
0
1
1
0
1
0
0

1
0
1
0
0
0
0
0

Data ini akan dikembangkan lebih lanjut dengan cara menambah para aktor dan hubungan antara para
aktor tersebut.
Pemakaian Ucinet

18

Analisis Hasil

Hasil ini mencerminkan Statistik OutDegree. Statistik pada baris-baris mengungkap tentang
peranan yang dimainkan oleh tiap aktor sebagai suatu sumber dari ikatan-ikatan dalam suatu
grafik terarah (directed graph). Jumlah koneksi dari aktor kepada para aktor lain dinamakan
19

OutDegree. Perbedaan antara OutDegree dan InDegree di sini tidak dapat dilakukan. Derajat
dari para aktor adalah penting karena dapat menjelaskan berapa banyak koneksi yang dimiliki
oleh aktor. OutDegree biasa dipakai sebagai ukuran mengenai pengaruh aktor kepada para
aktor lain.
Sardi melakukan ikatan-ikatan dan mengirimkan pesan kepada semua aktor sedangkan aktor
Citra, Dewi, dan Suci mengirimkan informasi hanya kepada tiga aktor lain. Aktor Badu,
Gatot, Sardi, dan Rini adalah serupa sebagai sumber informasi untuk jaringan yang lebih
besar. Aktor Andi, Citra, Rini, dan Suci adalah serupa sebagai bukan sumber informasi. Hal
ini dapat dipakai untuk memprediksi bahwa beberapa mahasiswa akan dapat membentuk
hubungan masyarakat (public relations). Para aktor kelompok kesatu mempunyai pengaruh
potensial, sedangkan para aktor kelompok ketiga mempunyai pengaruh potensial yang lebih
rendah. Hasil perhitungan di atas mencerminkan bahwa variasi terkandung dalam peranperan yang dimainkan oleh aktor sebagai sumber dari informasi. Aktor Wati sebagai contoh
menjalin hubungan sebesar 56% dari para aktor lain. Pemikiran lain atas tiap aktor sebagai
sumber informasi dengan cara memakai variance atau deviasi standar. Aktor yang
mempunyai banyak ikatan mencerminkan variabilitas yang lebih kecil daripada aktor yang
mempunyai sedikit ikatan. Statistik yang dihasilkan untuk tiap aktor ini adalah Mean,
Standard Deviation, Varians, dan sebagainya. Pertukaran pesan di atas mewakili OutDegree.
Pertukaran pesan yang mewakili InDegree dapat juga dicipta dengan cara sebagai berikut :

Peluang Rows diganti dengan peluang Columns. Hasil dari langkah ini akan menyajikan hasil
mengenai InDegree yang merupakan ukuran dari kekuasaan. Langkah ini akan menghasilkan
informasi sebagai berikut :

20

Nilai rata-rata dari aktor Badu, Sardi, dan Dewi adalah sangat tinggi. Aktor Badu dan Sardi
adalah tinggi dalam mengirimkan informasi sehingga mereka bertindak sebagai komunikator
dan fasilitator dalam sistem. Aktor Dewi menerima banyak informasi akan tetapi tidak
banyak mengirimkan pesan. Aktor Dewi dapat dianggap sebagai information sink
Density

Density
Konsep density dari suatu jaringan biner adalah proporsi dari semua ikatan yang mungkin
yang tersedia secara aktual. Density, untuk suatu jaringan bernilai, didefinisikan sebagai
jumlah dari ikatan dibagi dengan jumlah dari ikatan yang mungkin. Density dari suatu
jaringan mungkin mengandung penghayatan atas fenomena sebagai kecepata di mana difusi
informasi diantara para pakar dialami dan sejauh mana para aktor itu mempunyai tingkattingkat modal sosial yang tinggi atau menghadapi kendala-kendala sosial. Perintah

21

Network>Cohesion>Density dipakai untuk menghitung density. Langkah ini akan

menyajikan kotak dialog Density disajikan sebagai berikut :

Arsip LAT14 dipakai dan tombol OK ditekan. Langkah ini akan menghasilkan informasi
sebagai berikut :

Perhitungan block density atau rata-rata dapat dilakukan dan perangkat density dapat dipakai
untuk menghitung within dan between block densities untuk data yang dikelompokkan dan
data dapat dipartisi ke dalam organisasi publik atau swasta dan menguji density dari
pertukaran intormasi di dalam atau antara jenis-jenis yang tersdia. Hasil dari perhitungan
density d atas adalah 0.5444 atau 54.44% dari semua ikatan yang mungkin itu tersedia.
Deviasi standar dari keseluruhan dalam matriks itu juga diberikan yaitu sebesar 0.4980.
Reachability

22

Seorang aktor dapat dicapai (reachable) oleh aktor lain jika terdapat koneksi dengan mana
koneksi itu dapat diteluusuri dari aktor sumber ke aktor target. Contoh pertukaran informasi
di antara para mahasiswa tersebut. Para aktor dalam jaringan itu jika tidak dapat dicapai oleh
para aktor lain, maka pembagian jaringan mungkin terdapat atau hal ini mungkin
mengindikasikan bahwa populasi yang sedang dikaji itu terdiri lebih dari satu subpopulasi.
Perintah Network>Cohesion>Reachability dipakai. Langkh ini akan menyajikan kotak dialog
Reachability sebagai berikut :

Tombol OK ditekan. Langkah ini akan menghasilkan informasi sebagai berikut :

Informasi di atas mencerminkan suatu jalur (path) terarah untuk tiap mahasiswa untuk tiap
aktor lain atas aliran informasi.
Connectivity

23

Reachability mengandung penjelasan apakah dua aktor itu terkoneksi atau tidak terkoneksi
melalui jalur langsung atau tidak langsun dari panjang jalur tertentu. Perintah
Network>Cohesion>Point Connectivity dipakai untuk menghitung jumlah aktor yang akan
harus ditiadakan agar seorang aktor tidak lagi dapat berkoneksi dua aktor. Para aktor yang
mempunyai konektivitas tinggi dalam pengertian bahwa cara jamak tersedia sebagai tanda
mencapai dari satu aktor kepada aktor lain. Langkah ini akan menyajikan kotak dialog Point
Connectivity sebagai berikut :

Tombol OK ditekan sehingga informasi disajikan sebagai berikut :

Hasil di atas mengungkap bahwa para mahasiswa mencerminkan koneksi sebagai sumber
(baris) atau penerima (kolom) informasi. Point connectivity dapat sebagai suatu ukuran
yangbermanfaat untuk memperoleh pengertian mengenai ketergantungan (dependency) dan
kerancuan.

24

Distance
Unsur-unsur jaringan yang telah dipakai di sini mecerminkan koneksi-koneksi langsung dari
satu aktor ke aktor berikutnya. Cara aktor berlokasi dalam jaringan adalah lebih kompleks
daripada hal-hal yang telah dijelaskan. Dua aktor, sebut saja A dan B, mungkin masingmasing mempunyai lima teman. Aktor A, sebagai contoh tidak mempunyai lima teman akan
tetapi aktor B mempunyai lima teman. Informasi yang tersedia untuk aktor B, dan potensi B
untuk mempengaruhi adalah jauh lebih besar daripada aktor A. Aktor itu mungin merupakan
teman dari teman mungkin merupakan konsekuensi.
Langkah untuk merekam aspek dari bagaimana individu-individu itu berokasi dalam jaringan
dapat merupakan salah satu pendekatan utama untuk menguji jarak bahwa seorang aktor
adalah dari para aktor lain. Dua aktor jika terkoneksi secara langsung, maka jarak antara
mereka adalah satu. A jika berbicara dengan B dan B berbicara dengan C dan A tidak
berbicara dengan C maka jarang A dan C adalah dua. Berapa banyak aktor pada berbagai
jarak dari tiap aktor adalah penting untuk memahami perbedaan di antara para aktor dalam
kendala-kendala dan peluang-peluang yang dimiliki oleh mereka sebagai suatu hasil dari
posisi mereka. Berapa banyakkah cara yang terdapat untuk menghubungkan antara dua aktor
itu pada suatu jarak tertentu? Dapatkan aktor A mencapai aktor B dalam lebih daripada satu
cara?
Koneksi jamak mungkin mengindikasikan suatu koneksi yang kuat antara dua aktor daripada
suatu koneksi tunggal. Jarak di antara para aktor dalam suatu jaringan itu mungkin penting
sebagai karakteristik makro pada jaringan secara keseluruhan. Jarak itu jika besar, maka
waktu cukup lama diperlukan untuk menyebarkan informasi melintasi suatu populasi. Para
aktor mungkin juga tidak menyadari bahwa para aktor itu dipengaruhi oleh para aktor lain
walau mereka secara teknis dapat dicapai, biaya mungkin terlalu tinggi untuk melaksanakan
pertukaran informasi tersebut. Variabilitas melintasi para aktor dalan jarak yang dimiliki oleh
mereka dari para aktor lain mungkin saja merupakan suatu dasar untuk diferensiasi atau
stratifikasi. Para aktor yang dekat kepada para aktor lain mungkin dapat melakukan
kekuasaan lebih besar daripada mereka yang jaraknya lebih jauh. Aspek variabilitas dalam
jarak aktor ini dapat dibahas lebih lanjut. Konsep jarak ini berhubungan dengan konsep
Walks, Paths, Semi-paths dan sebagainya. Definisi atas konsep-konsep ini mungkin dapat
dipakai untuk mengembangkan cara-cara yang lebih tangguh untuk mendeskripsikan aspekaspek dari jarak di antara para aktor dalam suatu jaringan.
25

Aktor A dan aktor B jika mempunyai hubungan langsung dalam grafik sederhana, maka
mereka mempunyai jarak adalah satu. Aktor A, dalam grafik terarah, dapat mempunyai
hubungan langsung dengan B sedangkan B tidak mempunyai hubungan langsung dengan A.
Hal ini berarti bahwa jarak antara aktor A dan aktor B adalah satu akan tetapi jarak tidak
terdapat antara aktor B dan aktor A. Perbedaan ini akan membutuhkan istilah berbeda untuk
mendeskripsikan jarak antara para aktor dalam grafik. Grafik sederhana mencerminkan
bentuk koneksi antara dua aktor dalam grafik dinamakan suatu walk. Walk dari aktor A adalah
suatu urutan dari para aktor dan hubungan-hubunga yang dimulai dan diakhiri oleh aktor A.
Close walk adalah di mana titik permulaan dan titik akhir dari walk adalah aktor yang sama.
Walks tidak terbatas. Walk dari A dalam melibatkan aktor yang sama atau hubungan yang
sama dalam berbagai waktu. Suatu cycle adalah walk khusus yang terbatas dan sering dipakai
dalam pengujian neighborhoods dari para aktor. Suatu cycle adalah suatu closed walk dari
tiga aktor atau lebih, ketiga aktor itu berbeda kecuali aktor awal. The length of the walk
adalah jumlah hubungan yang terkkandung dalam jaringan itu.
Contoh
Data di bawah ini akan dipakai di sini.
A
A
B
C
D
E

B
0
1
0
0
0

C
1
0
1
1
1

D
0
1
0
1
0

0
1
1
0
1

Data mengenai para aktor dan hubungan-hubungan antara para aktor ini dipakai dan
dimasukkan ke dalam Ucinet. Hasil pemasukan data ini adalah sebagai berikut :

26

Data ini kemudian disimpan ke dalam arsip bernama LAT16.Menu Visualize diaktifkan. Dan
NetDraw dipilih. Perintah Open>Network dataset>Network dipakai. Langkah ini akan
menyajikan kotak dialog Open Data File disajikan sebagai berikut :

Tombol

ditekan dan arsip LAT16 dipilih. Tombol OK ditekan sehingga diagram jaringan

disajikan sebagai berikut :

Diagram jaringan sederhana di atas mencerminkan konsep walks. Banyak walk dapat
diagram jaringan di atas. Aktor A dan pergi ke aktor C. Hal ini mencerminkan satu walk dari
panjang dua (A, B, C). Satu walk terdapat dengan panjang 3 (A, B, D, C). Para aktor yang
sama dan hubungan-hubungan dapat dipakai lebih daripada satu dalam suatu walk tertentu.
Cycle tidak terdapat dalam permulaan dan pengakhiran dengan aktor A. Permulaan dan
pengakhiran terdapat dengan aktor B yaitu (B, C, D, B) atau (B, E, D, B), atau (B, C, D, E,
B).
Definisi yang paling bermanfaat dari suatu koneksi antara dua aktor adalah suatu path. Suatu
path adalah suatu walk dalam mana tiap aktor dan tiap hubungan lain dalam grafik itu
mungkin dipakai suatu saat. Pengecualian tunggal adalah close path yang dimulai dan
diakhiri dengan aktor yang sama. Semua paths adalah trails dan walks, akan tetapi semua
27

walks adalah closed path, yang dimulai dan diakhiri dengan aktor yang sama. Contoh adalah
jumlah paths terbatas yang menghubungkan A dan C yaitu A, B, C dan A, B, D, C, dan A, B,
E, D, dan C.
Directed graphs: Konsep-konsep Walks, trails, dan paths dapat juga didefinisikan untuk
directed graph. Konsep Semi-walks, semi-trails, dan semi-paths adalah sama jika dipakai
untuk data undirected. Arah dari koneksi-koneksi, dalam mendefinisikan jarak ini, adalah
dikesampingkan. Panjang jarak ini merupakan jumlah hubungan dalam walk, trail, atau path.
Walks, trails, dan paths dapat didefinisikan dengan cara yang sama akan tetapi dengan
pembatasan-pembatasan bahwa arah itu tidak diubah sepanjang hubungan-hubungan dari
aktor ke aktor lain. Diagram jaringan di bawah ini dapat dipakai sebagai contoh.

Walks dalam grafik terarah (directed graph) terdapat sejumlah walk dari A ke C. Walk tidak
terdapat dari C ke A. Walks dari A ke C juga merupakan trails yaitu A, B, E, D, B, dan C.
Tiga jalur (path) terdapat dari A ke C. Satu jalur mencerminkan panjang 2 (A, B, C) dan satu
jalur dengan panjang 3 (A, B, D, E), dan satu jalur dengan panjang empat (A, B, E, D, E).
Berbagai jenis koneksi (walks, trails,paths) mengungkap sejumlah perbedaan cara pemikiran
mengenai jarak antara para aktor. Alasan utaa adalah bahwa analisis jaringan sosial itu
menekankan jarak ini karena jarak tersebut menyediakan cara pemikiran tentang kekuatan
dari ikatan-ikatan atau hubungan-hubungan. Para aktor yang terkoneksi dengan panjang yang
pendek atau jarak mungkin mempunyai koneksi-koneksi yang lebih kuat, para aktor yang
terkoneksi beberapa kali mungkin mempunyai hubungan yang kuat, lebih stabil, dan lebih
dapat dipercaya.
Geodesic Distance

28

Geodesic distance dapat dicipta jika perintah

Network>Cohesion>Distance dipakai.

Langkah ini akan menyajikan kotak dialog Geodesic Distance sebagai berikut :

Arsip LAT14 dipakai, Adjacency dipilih, dan 0.5 dipakai. Tombol OK ditekan sehingga
informasi sebagai berikut dapat disajikan :

Jaringan adalah agak padat sehingga jarak geodesik adalah kecil. Hal ini mencerminkan
bahwa informasi mungkin disalurkan secara agak cepat dalam jaringan ini, Diagram jalur
terkoneksi secara lengkap dan semua aktor dapat dicapai dari para aktor lain. Suatu pesan
yang dimulai dari mana saja akan mencapai tiap aktor.

29

Perintah Network>Cohesion>No. of Geodesics dipakai. Langkah ini akan menyajikan kotak

dialog Number of Geodesics disajikan sebagai berikut :

Tombol

ditekan dan arsip LAT14 dipilih. Tombol OK ditekan sehingga informasi dapat

disajikan sebagai berikut :

Informasi ini mencerminkan jumlah dari jalur-jalur geodesik (geodesic paths) dari pertukaran
informasi di antara para mahasiswa. Sebagian besar dari koneksi geodesik di antara para
aktor ini bukan hanya jarak yang pendek akan tetapi sering dialami jalur-jalur jamak
terpendek dari seorang aktor ke aktor lain. Hal ini mencerminkan bahwa aliran informasi
tidak mengalami kerusakan karena jalr jamak tersedia dan akan sulit untuk aktor menjadi
pialang (broker) berkuasa dalam struktur ini karena kebanyakan para aktor itu mempunyai
cara-cara koneksi yang efisien kepada para aktor lain yang dapat menghindarkan aktor
tertentu.
30

Aliran
Perintah Network>Cohesion>Line Connectivy/Maximum Flow dipakai. Langkah ini akan
menyajikan kotak dialog Maximum Flow (Edge Connectivity) sebagai berikut :

Arsip LAT14 dipilih dan tombok OK ditekan. Langkah ini akan menyajikan informasi
sebagai berikut :

Pemakaian geodesic paths untuk menguji unsur-unsur dari jarak antara individu-individu dan
untuk jaringan secara keseluruhan adalah masuk akal dan mungkin kasus-kasus lain terdapat
di maja jarak antara dua aktor dan keterikatan dari grafik sebagai suatu keseluruhan itu
terbaik dipikirkan sebagai melibatkan semua koneksi dan bukan hanya koneksi yang paling
efisien. Suatu desas-desus, sebagai contoh, akan melalui jaringan dan semua jalur dan bukan
hanya jalur yang paling efisien. Desas-desus yang didengar berulang kali dari sumber-sumber
berbeda akan memberikan dampak tertentu.
31

Rangkuman

Beberapa langkah memakai Ucinet dan NetDraw telah disajikan dengan menampilkan data,
pemakaian Ucinet atau NetDiagram, dan analisis hasil. Beberapa contoh telah disajikan.
Contoh-contoh ini telah memakai konsep-konsep penting ditinjau dari sudut Ucinet seperti
konsep sentralitas, sentralisasi, dan sebagainya.
Kutipan :
[1] Jaubah, Abdullah M. (2013). Teori Jaringan Komunikasi.

Daftar Kepustakaan
Borgatti, S. P., M.G. Everette, dan L. C. Freeman. 2002. Ucinet for Windows : Software for
Social Network Analysis. Harvard, M. A. : Analytic Technologies.
Hanneman, Robert A. and Mark Riddle. 2005. Introduction to social network methods.
Riverside, CA: University of California, Riverside ( published in digital form at
http://faculty.ucr.edu/~hanneman/ )
Permata Depok Regency, 5 Maret, 2015.

32