KOMUNIKASI
(COMMUNICATION NETWORKS
ANALYSIS)
SOFTWARE ALAMAT DOWNLOAD
UCINET https://sites.google.com/site/ucinet
software/downloads
NODEXL https://www.nodexlgraphgallery.org/
Pages/Registration.aspx
NETLYTIC https://netlytic.org/
https://sites.google.com/site/ucinetsoftware/downloads
UCINET adalah salah satu program pengolah
UCINET NodeXL GEPHI
(software) analisis jaringan yanhg paling populer
dan banyak dipakai. Selain UCINET, terdapat User friendly - ++ ++
tidak kurang 100 software lain. Program ini Bisa menganalisis data dalam jumlah - + ++
besar
pertama kali diperkenalkan oleh Lin Freeman,
Martin Everett dan Steve Borgatti pada tahun Kekayaan analisis ++ - -
1980 dengan format bahasa pemrograman Kompatibilitas dengan software lain + ++ +
(SPSS, Exel dsb)
BASIC. Pada tahun 2002, muncul versi yang lebih
user friendly, dalam versi UCINET 5.0. Acceptabilitas komunitas ilmiah ++ - +
Mengolah data dari media sosial - ++ +
(Twitter, Facebook, Youtube dsb)
Kelebihan UCINET adalah penerimaan yang
tinggi di komunitas ilmiah, mengingat pembuat
software ini sekaligus juga dikenal sebagai ahli
jaringan. UCINET juga sangat kaya dengan
analisis data. Sementara kelemahan program ini
adalah kurang bisa bekerja pada data besar.
Program ini (menurut pengakuan) maksimal
bisa mengolah node (aktor) sebanyak 32.767
buah. Dalam prakteknya, penggunaan node di
atas 5.000, kerapkali membuat program berjalan
lambat dan data tidak bisa diolah secara cepat.
• UCINET menyajikan analisis data yang sangat
kaya. Berbagai aspek dari jaringan bisa
dianalisis. Untuk tutorial ini, tidak semua
analisis data akan dibahas. Tutorial hanya
akan membahas mengenai analisis data yang
utama, yang banyak dipakai dalam
perhitungan jaringan.
• Pembaca yang menginginkan informasi
penggunaan UCINET untuk perhitungan lebih
rumit dan kompleks, bisa membaca buku: (1)
Borgatti, Stephen P, Martin G. Everett and
Jeffrey C. Johnson. 2013. Analyzing Social
Networks. London: Sage Publications. (2)
Hanneman, Robert A and Mark Riddle.
(2004). Introduction to Social Network
Methods. Riverside, California: University of
California Press.
Data untuk Selamat pagi/siang/sore, saya dari......sedang mengadakan penelitian tentang jaringan komunikasi. Yang menjadi sampel
penelitian ini adalah peserta workshop Metode Penelitian Komunikasi yang diadakan oleh Universitas Atmajaya Jakarta.
Simulasi
Penelitian ini untuk kepentingan ilmiah. Meskipun pertanyaan dalam kuesioner ini meminta Anda menyebut nama-nama,
kami tidak akan mencantumkan nama dalam laporan penelitian. Nama-nama Anda kami jamin tidak akan tercantum dalam
laporan. SEMUA JAWABAN ANDA DIJAMIN KERAHASIAANNYA OLEH KAMI.
Sensus
(a) Sampel Snowball
• Sesuai dengan namanya (snowball = bola salju), penarikan sampel
dimulai dari aktor (kecil), yang kemudian terus menerus membesar
hingga jumlah sampel mencukupi. Peneliti mulai dari seorang aktor
(A) dan menanyakan jaringan dari aktor tersebut. Aktor A tersebut
misalnya menyebut nama B dan C. Peneliti kemudian mewawancarai
aktor B dan C dan menanyakan hal serupa seperti ditanyakan kepada
aktor A. Aktor yang disebut oleh B dan C kemudian ditelusuri lebih
lanjut, dan begitu seterusnya hingga jumlah sampel terpenuhi.
• Kapan saat peneliti bisa menentukan sampel terakhir? Menurut
Knoke and Kuklinski (1982:23-24), peneliti bisa menghentikan
penarikan sampel ketika terjadi informasi yang berulang dan
mencapai titik jenuh.
(b) Sampel Kelompok Kecil
• Penarikan sampel lain yang banyak dipakai dalam studi jaringan
adalah sampel kelompok kecil (Wasserman and Faust, 1994: 34).
Peneliti mengambil satu kelompok, dan mengambil semua anggota
dari kelompok tersebut. Peneliti kemudian menggambarkan secara
lengkap jaringan yang terbentuk dari kelompok tersebut. Kelompok
kecil ini bisa berupa dusun atau desa, unit tertentu dalam
perusahaan, rumah sakit, klinik, dan sebagainya. Sebagai misal,
peneliti melakukan studi mengenai jaringan komunikasi di
perusahaan. Peneliti bisa mengambil sampel perusahaan atau unit
(departemen) di perusahaan. Dengan mengambil komunitas atau
kelompok kecil, semua anggota jaringan bisa digambarkan dan
disertakan.
PENGUMPULAN DATA:
WAWANCARA
MENGGUNAKAN
KUESIONER
Fokus dari penelitian jaringan
adalah menggambarkan
relasi di antara aktor. Karena
itu data yang dibutuhkan
dalam studi jaringan
komunikasi adalah data
mengenai relasi. Peneliti bisa
menggunakan berbagai
macam sumber data, asalkan
dalam data tersebut tersedia
informasi mengenai aktor
(node) dan relasi (link) di
antara aktor.
• Kuesioner dalam metode penelitian jaringan
komunikasi berbeda dengan kuesioner pada
penelitian survei.
• Yang membedakan, dalam penelitian jaringan
terdapat pertanyaan mengenai relasi di antara
aktor. Penelitian jaringan fokus pada pertanyaan
mengenai aktor, dan relasi di antara aktor.
(a) Name Generator
• Pertanyaan name generator adalah pertanyaan inti dan terpenting
dalam analisis jaringan. Pertanyaan ini berisi tentang siapa saja aktor
yang menjalin relasi dengan informan. Pertanyaan mengenai relasi
dibuat dengan meminta kepada responden untuk menyebut nama-
nama aktor. Pertanyaan mengenai relasi bisa ditanyakan hanya 1
buah, dan jawabannya kemudian dipakai untuk menggambarkan
jaringan. Pilihan lain, kita bisa membuat sejumlah pertanyaan dengan
konteks yang berbeda. Pada tahap analisis, kita akan mempunyai
beberapa pola jaringan yang berbeda sesuai dengan konteks yang
ditanyakan.
Q1: Dalam SATU Q2: Dalam SATU Q3: Dalam SATU Q4: Siapa nama siswa di
BULAN ini, siapa siswa BULAN ini, siapa siswa BULAN ini, siapa siswa sekolah ini yang paling
di sekolah ini yang di sekolah ini yang di sekolah ini yang Anda inginkan menjadi
paling sering Anda paling sering Anda pernah menjadi teman teman dekat (pacar)
mintai bantuan ketika mintai informasi Anda selama di SLTP? Anda?
Anda mempunyai mengenai sekolah
kesulitan dengan (misalnya informasi soal
pelajaran di kelas? guru, kelas libur dsb)?
1987:243).
b) Identitas Aktor Nama Nama Nama Nomor 3 Nama
• Pertanyaan lain yang Nomor 1 Nomor 2 ................. Nomor 4
................. ................. .................
ditanyakan dalam
jaringan adalah
identitas aktor. Ada Q1. Hubungan Teman satu 1 Teman satu 1 Teman satu 1 Teman satu 1
beberapa jenis pertemanan kelas kelas kelas kelas
pertanyaan mengenai dengan ..... Teman
organisasi
2 Teman
organisasi
2 Teman
organisasi
2 Teman
organisasi
2
identitas responden. (Bacakan setiap
Saudara 3 Saudara 3 Saudara 3 Saudara 3
Pertama, sosiologis pertanyaan)
Teman main 4 Teman main 4 Teman main 4 Teman main 4
demografis. Misalnya
pertanyaan mengenai Q2. Jenis Laki-laki 1 Laki-laki 1 Laki-laki 1 Laki-laki 1
pendidikan, kelamin..... Perempuan 2 Perempuan 2 Perempuan 2 Perempuan 2
penghasilan, jenis (Bacakan setiap
kelamin, etnis, asal, pertanyaan)
agama, dan
sebagainya. Kedua,
Q3. Agama dari Islam 1 Islam 1 Islam 1 Islam 1
pertanyaan mengenai teman ...... Kristen 2 Kristen 2 Kristen 2 Kristen 2
psikografis. Misalnya Hindu 3 Hindu 3 Hindu 3 Hindu 3
pertanyaan mengenai Budha 4 Budha 4 Budha 4 Budha 4
sikap, orientasi nilai
dan sebagainya.
Format Pertanyaan
• Pertanyaan mengenai relasi Free recall Roster
antara satu aktor dengan aktor Q: Dalam SATU BULAN ini, siapa siswa di
lain, bisa disajikan dalam kelasAnda yang paling sering Anda ajak untuk
Q: Berikut adalah nama-nama teman sekelas Anda.
Sebutkan nama teman sekelas Anda yang paling
berbagai format. mengerjakan bersama-sama Pekerjaan Rumah (PR) sering Anda ajak untuk mengerjakan bersama-sama
sekolah? Pekerjaan Rumah (PR) sekolah? (Catatan: Anda
Nama Aktor: Roster vs Free tinggal memberi tanda Ѵ untuk nama teman kelas
Recall Nama 1
Nama 2
...................................
...................................
Anda di nomor yang disediakan)
Kepadatan
= Jumlah link (aktual) ÷ jumlah
link yang mungkin muncul
= 3÷6
C D
= 0.5
A B
Kepadatan
= Jumlah link (aktual) ÷ jumlah
link yang mungkin muncul
= 4÷6
C D = 0.67
Diameter dan Jarak (Distance)
• Diamater adalah jarak terjauh antara satu aktor dengan aktor lain
dalam suatu jaringan. Misalnya, sebuah jaringan, mempunyai
diameter 2, berarti jarak terjauh seorang aktor dengan aktor lain
adalah sebanyak 2 langkah. Jika diameter 3, maka jarak terjauh di
antara aktor dalam jaringan adalah sebanyak 3 langkah, dan
seterusnya.
• Diameter menggambarkan seberapa mudah seorang aktor dalam
jaringan dijangkau oleh aktor lain. Jaringan pertama, dimeter adalah
3, sementara jaringan kedua diameternya adalah 2. Jaringan dengan
diameter yang lebih rendah, menggambarkan makin mudah seorang
aktor dijangkau oleh aktor lain dalamjaringan.
A B
Diameter = 3
C D
A B
Diameter = 2
A B
Sentralisasi = 1
C D
Resiprositas
• Resiprositas menggambarkan relasi dua arah yang terjadi di antara
anggota atau aktor (node) dalam jaringan. Resiprositas dihitung
dengan melihat proporsi berapa banyak akun media sosial dalam
percakapan online yang berlangsung timbal balik dibandingkan
dengan jumlah seluruh percakapan.
• Nilai resiprositas adalah 1 ketika aktor saling berkomunikasi timbal
balik, sementara nilai 0 jika komunikasi yang terjadi bersifat searah.
Semakin tinggi nilai resiprositas (mendekati 1), menunjukkan banyak
peserta memiliki percakapan dua arah, sedangkan nilai timbal balik
yang rendah menunjukkan percakapan lebih banyak satu arah.
Resiprositas =
Jumlah hubungan timbal (aktual) ÷
jumlah link hubungan timbal balik yang
mungkin
=4÷4
=1
Resiprositas =
Jumlah hubungan timbal (aktual) ÷
jumlah link hubungan timbal balik yang
mungkin
=1÷4
= 0.25
Aktor (tunggal) Sentralitas Tingkatan (Degree centrality)
Sentralitas Kedekatan (Closeness Centrality)
Sentralitas Keperantaraan (Betweenness Centrality)
Sentralitas Eigenvector (Eigenvector Centrality)
A 1 1 1 1 1 0 5
B 1 1 0 1 0 0 3
C 1 1 0 1 0 0 3
D 1 0 0 0 0 1 2
E 1 1 1 0 1 1 5
F 1 0 0 0 1 1 2
G 0 0 0 1 1 1 3
Kedekatan (Closeness Centrality)
• Sentralitas kedekatan menggambarkan seberapa dekat aktor (node,
akun media sosial) dengan semua aktor lain di dalam jaringan.
Kedekatan di sini diukur dari berapa langkah (jalur/path) seorang
aktor bisa menghubungi atau dihubungi oleh aktor lain dalam
jaringan. Angka yang kecil, menunjukkan seorang aktor bisa
menghubungi aktor lain dalam jaringan pada beberapa tahap atau
langkah saja.
Jarak Terdekat
Total Rata-
A B C D E F G
Jarak Rata
A 1 1 1 1 1 2 7 1.17
B 1 1 2 1 2 3 10 1.67
C 1 1 2 1 2 2 9 1.50
D 1 2 2 2 2 1 10 1.67
E 1 1 1 2 1 1 7 1.17
F 1 2 2 2 1 1 9 1.50
G 2 2 2 1 1 1 9 1.50
Perantara (Betweenness Centrality)
• Sentralitas keperantaraan memperlihatkan posisi seorang aktor
sebagai perantara (betweenness) dari hubungan aktor satu dengan
aktor lain dalam suatu jaringan. Apakah aktor (node) untuk
menghubungi aktor lain, bisa langsung ataukah harus melawati aktor
tertentu.
• Sentralitas keperantaraan penting karena berkaitan dengan kontrol
dan manipulasi informasi. Aktor (akun media sosial) yang mempunyai
posisi sebagai perantara aktor lain bisa menentukan keanggotaan
aktor dalam jaringan.
Perantara Relasi
Relasi
Antara A B C D E F G
A-B 0 0 0 0 0 0 0
A-C 0 0 0 0 0 0 0
A-D 0 0 0 0 0 0 0
A-E 0 0 0 0 0 0 0
A-F 0 0 0 0 0 0 0
A-G 0 0 0 0.33 0.33 0.33 0
B-C 0 0 0 0 0 0 0
B-D 1 0 0 0 0 0 0
B-E 0 0 0 0 0 0 0
B-F 0.5 0 0 0 0.5 0 0
B-G 0 0 0 0 1 0 0
C-D 1 0 0 0 0 0 0
C-E 0 0 0 0 0 0 0
C-F 0.5 0 0 0 0.5 0 0
C-G 0 0 0 1 0 0 0
D-E 0.5 0 0 0 0 0 0.5
D-F 0.5 0 0 0 0 0 0.5
D-G 0 0 0 0 0 0 0
E-F 0 0 0 0 0 0 0
E-G 0 0 0 0 0 0 0
F-G 0 0 0 0 0 0 0
Total 4 0 0 1.33 2.33 0.33 1
Eigenvektor (Eigenvector Centrality)
• Eigenvektor bisa digambarkan sebagai seberapa penting orang yang
mempunyai jaringan dengan aktor. Seberapa penting ini digambarkan
sebagai seberapa banyak jaringan yang dipunyai oleh orang
/organisasi/institusi yang mempunyai relasi dengan aktor. Berbeda
dengan sentralitas tingkatan (degree centrality) yang menghitung
berapa banyak aktor (node) yang mempunyai relasi dengan aktor,
eigenvektor berbicara mengenai seberapa penting atau seberapa
populer node yang berjaringan dengan aktor. Ukuran ini bukan
berbicara mengenai “berapa banyak orang yang Anda kenal”, tetapi
“siapa orang yang Anda kenal”.
Ortiz-Arroyo (2010)
Daftar Pustaka
• Borgatti, Stephen and Daniel Halgin. (2009). On Network Theory. Organization Science, Vol, 22, pp. 1157-1167.
• Degene, Alain and Michel Forse. (1999). Introducing Social Networks. London: Sage Publications.
• Hanneman, Robert A and Mark Riddle. (2004). Introduction to Social Network Methods. Riverside, California: University of California Press.
• Kadushin, Charles. (2012). Understanding Social Networks: Theories, Concept and Finding. New York: Oxford University Press.
• Knoke, David and Son Yang. (2002). Social Network Analysis. Second Edition. Thousand Oaks, California: Sage Publications.
• Lauman, Edward, Peter V. Marsden and David Prensky. (1983). The Boundary-Specification Problem in Network Analysis. Ronald Burt and
Michael Minor (ed), Applied Network Analysis. Baverly Hills, California: Sage Publications, pp. 18-34.
• Marin, Alexandra and Barry Wellman. (2011). Social Network Analysis: An Introduction. John Scott and Peter J. Carrington (ed), The Sage
Handbook of Social Network Analysis. London: Sage Publications, pp. 11-24.
• Monge, Peter R and Noshir S. Contractor. (2003). Theories of Communication Networks. Oxford: Oxford University Press.
• Prell, Christina. (2012). Social Network Analysis: History, Theory and Methodology. London: Sage Publications.
• Pryke, Stephen. (2012). Social Network Analysis in Construction. West Sussex: Wiley- Blacwell.
• Rogers, Everett M and D. Lawrence Kincaid. (1981). Communication Networks: Toward a New Paradigm for Research. New York: The Free
Press.
• Scott, John P. (2000). Social Network Analysis: A Handbook. Second Edition. Thousand Oaks, California: Sage Publications.
• Valente, Thomas W. (2010). Social Networks and Health: Models, Methods and Applications. New York: Oxford University Press.
TERIMA KASIH