Experiments

Langkah pertama dalam experiments adalah untuk mengeksploitasi data ISVG untuk
mendapatkan jaringan sosial untuk analisis. Queries dirancang dalam SQL untuk mengekstrak
orang dan penyebutan yang terkait dalam dokumen. Metode deteksi komunitas kemudian
diterapkan pada grafik yang dihasilkan. Untuk langkah pertama, grafik dibagi menjadi dua
bagian. Kemudian, secara rekursi grafik dipisah menggunakan struktur pohon. 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. 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). 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.

Community Dynamics
Sangat berpengaruh karena ini dapat mempermudah dalam menganalisa, penelitian dan
lainnya, karena ini menganalisa dan memprediksi dari seluruh sektor baik kehidupan,
perkembangan, jejaring social. Itu sangat penting bagi akademik dan industry.