experiments

Langkah pertama dalam percobaan adalah untuk mengeksploitasi data ISVG untuk mendapatkan
jaringan sosial untuk analisis. Kueri dirancang dalam SQL untuk mengekstrak orang dan penyebutan
yang terkait dalam dokumen. Kemudian, jaringan dokumen dan individu dibangun berdasarkan
dokumen co-kejadian. Grafik yang dihasilkan ditunjukkan pada Gambar 5.

GAMBAR 5. Komponen terhubung terbesar untuk individu ISVG. Grafik ini menunjukkan dokumen
koneksi bersama antar individu dalam dataset ISVG. Individu yang sangat terhubung bertanggung jawab
atas kelompok kecil massa yang terlihat dalam grafik. Algoritma pendeteksian komunitas dapat
membantu mempartisi grafik ini sehubungan dengan konektivitas ini, memberikan tampilan ringkasan
ke dalam data.

Metode deteksi komunitas kemudian diterapkan pada grafik yang dihasilkan. Sangat instruktif untuk
melihat contoh. Gambar 6 menunjukkan pengelompokan spektral memecah belah. Untuk langkah
pertama, grafik dibagi menjadi dua bagian. Kemudian, secara rekursi grafik dipisah menggunakan
struktur pohon. Warna-warna menunjukkan komunitas akhir.

Secara kualitatif, komunitas yang ditemukan pada Gambar 6 sesuai dengan kelompok kekerasan nyata.
Sebagai contoh, sistem tersebut dapat menemukan Al Qaeda, Jemaah Islamiyaah, dan kelompok-
kelompok kekerasan Abu Sayyaf dengan presisi tinggi. Secara umum, ketepatan dan daya ingat
algoritma dapat diukur secara kuantitatif. Untuk dua orang, ditetapkan jika mereka berada dalam
kelompok kekerasan yang sama (atau tidak) dengan menggunakan tabel kebenaran dari ISVG.
Kemudian, fakta ini dibandingkan dengan perkiraan keanggotaan yang diperoleh dari algoritma deteksi
komunitas. A True positif (TP) terjadi ketika kelompok dan komunitas sama untuk kedua individu. False
positive (FP) terjadi ketika kelompok tidak sama, tetapi individu ditempatkan di komunitas yang sama.
Akhirnya, false negative (FN) terjadi ketika kelompok-kelompok itu sama, tetapi deteksi komunitas
menunjukkan mereka tidak. Dua ukuran kinerja itu

Precision = TP/(TP+FP) dan Recall = TP/(TP+FN).

GAMBAR 6. Pengelompokan spektral memecah pada grafik jaringan sosial ISVG. Sosok kiri adalah split
pertama; warna menunjukkan pemisahan menjadi dua kelompok. Angka yang tepat menunjukkan
partisi terakhir ke dalam kelompok setelah beberapa iterasi.

Perbandingan kuantitatif dari berbagai algoritma ditunjukkan pada Gambar 7 menggunakan kurva
presisi / recall. Gambar tersebut menunjukkan bahwa algoritma CNM dan Infomap menghasilkan presisi
tinggi. Algoritma pengelompokan spektral memiliki ambang yang memungkinkan variasi luas dalam
pertukaran presisi versus recall. Secara umum, trade-off disebabkan oleh ukuran komunitas (cluster).
Algoritme dapat menghasilkan kelompok kecil yang sangat akurat atau kelompok yang lebih besar yang
kurang akurat tetapi memiliki daya ingat yang lebih baik. Secara keseluruhan, pengguna algoritma ini
harus menentukan titik operasi apa yang paling pas untuk aplikasi mereka.

GAMBAR 7. Presisi dan penarikan untuk berbagai algoritma dan ambang batas pada grafik jaringan sosial
ISVG. Seperti dapat dilihat dari gambar, ada sejumlah besar titik operasi di mana algoritma deteksi
komunitas dapat beroperasi. Pengguna akhir dari algoritma ini harus menentukan trade-off antara
presisi dan recall untuk aplikasi yang mereka minati.
Dinamika Komunitas

Seperti dibahas pada bagian sebelumnya, deteksi komunitas adalah komponen mendasar dari analisis
jaringan untuk sistem sensor dan merupakan teknologi yang memungkinkan untuk aplikasi analitik
tingkat tinggi seperti analisis dan prediksi perilaku, serta analisis identitas dan pola-kehidupan. Baik di
industri komersial dan akademisi, kemajuan signifikan telah dibuat pada masalah yang berkaitan dengan
analisis struktur masyarakat; namun, pekerjaan tradisional di jejaring sosial berfokus pada situasi statis
(mis., analisis jejaring sosial klasik) atau dinamika dalam arti skala besar (mis., penyebaran penyakit).
Karena ketersediaan kumpulan data yang besar dan dinamis terus tumbuh, demikian pula nilai
pendekatan otomatis yang memanfaatkan aspek temporal dari analisis jejaring sosial. Analisis dinamis
jejaring sosial adalah bidang yang baru lahir yang memiliki potensi besar untuk penelitian dan
pengembangan, serta untuk mendukung aplikasi analitik tingkat tinggi.