Purnama Alamsyah, “Pengantar Discourse Network Analysis,” Lembar Powerpoint

Pusat Penelitian Perkembangan Iptek (Pappiptek) LIPI

Discourse network analysis merupakan kombinasi dari categorybased content analysis dan
social network analysis [qualitative discourse methods dan quantitative relational methods].1
Kelebihan: 1. Dapat menganalisis hubungan antara aktor dengan konten 2. Dapat direplikasi
3. Gambar lebih mudah diinterpretasikan dibandingkan kata-kata
Komponen DNA:
1. Actors
2. Concepts
3. Relations: agreement or disagreement
4. Discrete time point

1
Sumber: Leifeld (2009); Leifeld & Hauns (2012); Breindl (2012)
Jenis Jejaring
Wacana
1. Affiliation
network
2. Co-occurrence
network
• congruence
network
• concept network
• conflict network

Apa yang dilakukan DNA?

1. Mengkoding pernyataan atau statement para aktor ke dalam kategori-kategori
2. Mengkonversi data yang telah terstruktur (hasil kategorisasi) ke dalam networks
menggunakan perangkat lunak network-analytic seperti UCINET, visone, dll
Konsep-Konsep Penting Network Analysis

Asep Hadiana & Wina Witanti, “Analisis Jejaring Sosial Menggunakan Social Network
Analysis untuk Membantu Social CRM bagi UMKM di Cimahi”, 29-36

Pola interaksi antar aktor yang terjadi dalam media sosial menarik untuk dicermati. Social
Network Analysis (SNA) merupakan gambaran hubungan interaksi antara aktor dengan aktor
lainnya dalam sebuah interaksi sosial.2 Interaksi tersebut dapat menjadi berbeda tergantung
cara memandangnya dan hasil yang ingin didapatkan. Dari satu objek, didapatkan banyak
sekali jenis social network. Pemetaan dan pengukuran alur interaksi yang dilengkapi dengan
analisis pola alur interaksi didefinisikan sebagai Social Network Analysis.
Sebuah jaringan sosial adalah struktur sosial yang terdiri dari individu (atau organisasi) yang
disebut "node", yang terikat (terhubung) dengan satu atau lebih spesifik jenis saling
ketergantungan, seperti persahabatan, kekeluargaan, kepentingan bersama, pertukaran
keuangan, ketidaksukaan, hubungan kepercayaan, pengetahuan atau prestise.3
SNA memandang hubungan sosial dalam hal teori jaringan yang terdiri dari node dan
hubungan (juga disebut tepi, link, atau koneksi). Node adalah aktor individual dalam jaringan,
dan hubungan adalah hubungan antara aktor. Struktur berbasis grafik yang dihasilkan
seringkali sangat kompleks. Terdapat banyak jenis hubungan antara node. Penelitian di
sejumlah bidang akademik telah menunjukkan bahwa jaringan sosial beroperasi pada banyak
tingkatan, dari keluarga sampai ke tingkat negara, dan memainkan peran penting dalam
menentukan cara sebuah masalah diselesaikan, organisasi dijalankan, dan sejauh mana
individu berhasil dalam mencapai tujuannya.
SNA memberikan alat statistik untuk memeriksa data relasional bukan hanya pada
karakteristik atribut aktor individu, dan berfokus pada menjelaskan pola hubungan antara
aktor, dan menganalisis struktur pola- pola ini. Representasi social network dinyatakan dalam
bentuk graf dikarenakan graf merupakan tipe representasi social network yang paling
fundamental [11][12]. Social Network Analysis (SNA) berpendapat bahwa hubungan antar
nodes sesuatu yang penting. Fokus SNA untuk mengetahui actors/nodes yang terlibat dan
bagaimana hubungan terjadi. Dengan siapa aktor terhubung, seberapa kuat hubungan terjadi,
seperti apa hubungan terjadi, apakah hubungan terjadi satu arah atau dua arah, bagamana
hubungan difasilitasi, melalui media apa hubungan terjadi hingga ke aplikasi lainnya seperti
siapa yang memiliki hubungan (ties) paling banyak, siapa yang terisolasi dalam network,
bagaimana jarak (gap) dan rentang (length) antar masing-masing nodes, dimana terjadi
bottleneck, siapa yang menjadi key player dan sebagainya.
Tiga jenis sentralitas individu paling populer adalah sebagai berikut:
 Degree centrality: jumlah koneksi yang dimiliki sebuah node.

2
EE Santos, 2007, dalam Asep Hadiana hlm. 29
3
Kadushin, 2005, dalam Asep Hadiana hlm. 30
 Closseness centrality: jarak rata-rata antara node dengan semua node yang lain di jaringan.
Ukuran ini menggambarkan kedekatan node ini dengan node lain. Semakin dekat, semakin
terhubung orang tersebut dengan lainnya.
 Betweeness centrality: ukuran ini memperlihatkan peran sebuah node menjadi bottleneck.
Semakin banyak jalan yang harus melewati persimpangan itu (misal tidak ada jalan
alternatif), maka semakin penting arti persimpangan tersebut. (betweenness centrality juga
bisa digunakan untuk mengetahui aktor paling berpengaruh)

E. E. Santos, Chair et al. “Effective and Efficient Methodologies for Social Network
Analysis”. Virginia US, 2007.
C. Kadushin, 2005, “Who Benefits from Network Analysis: Ethics of Social Network
Research”, Social Networks, vol. 27, pp. 139.
E. Otte, R. Rousseau, “Social Network Analysis: A Powerful Strategy, Also for The
Information Sciences”. Journal of Information Science, vol. 28, pp. 443-455, 2002.
P. A. Gloor and Y. Zhao, “Analyzing Actors and Their Discussion Topics by Semantic Social
Network Analysis”, Proceeding 2006 Conference on Information Visualization, IEEE CS
Press, Washington DC, 2006, pp. 130-135.
Xu, G. Zhang, Yanchun and L. Lin. “Web Mining and Social Networking Techniques and
Application”. New York: Springer Science + Business Media, LLC, 2011.
 Konstruk Indikator Langkah Teknis Operasionalisasi Menunjukkan data real Apa?
Stabilitas Potongan 1. Mengeskpor data ke dalam bentuk actor congruence network Time slice actor congruence network: Perkembangan jumlah dan
koalisi seiring waktu dari 2. Membagi jejaring actor congruence network berdasarkan tiga relasi aktor sepanjang rentang perdebatan berlangsung
waktu actor potongan waktu dari seluruh rentang perdebatan berlangsung
congruence 3. Melihat perkembangan jejaring aktor seiring waktu
network 4. Ukuran perkembangan: Stabilitas ditandai dengan tidak adanya
overlap diantara jejaring koalisi; jumlah nodes jejaring makin
bertambah artinya seiring waktu anggota koalisi makin
bertambah; level konektivitas nodes dan ties internal koalisi
makin rapat merupakan indikator kuatnya kesepakatan internal
Ideational Actor 1. Mengekspor data ke dalam bentuk actor congruence network Weighted density: Persetujuan aktor/kepadatan koalisi
congruence congruence yang menunjukkan keseluruhan rentang waktu perdebatan Global clustering coefficient: Relasi dan tingkat persetujuan aktor
di dalam network; 2. Membaca weighted density, yakni rasio jumlah keseluruhan di dalam koalisi
koalisi weighted edge weights (yang diwakili ketebalan garis ties). Densitas
density; global mengukur seluruh persetujuan antara aktor dalam jaringan.
clustering Semakin tinggi angka densitas di dalam koalisi, menunjukkan
coefficient derajat in-group agreement yang tinggi pula. Clustering
coefficient akan tinggi jika banyak terdapat closed triplets (triads).
Clustering dan density akan mencapai nilai paling tinggi jika
seluruh aktor setuju satu sama lain dengan aktor lain dalam
koalisi.
Kompetisi Conflict 1. Mengekspor data ke dalam bentuk conflict network
antara network; 2. Membaca derajat kesepakatan (melalui weighted density) di
koalisi- weighted dalam dan antara jejaring koalisi yang terbentuk. Semakin rendah
wacana within- and angka densitas antar koalisi, artinya koalisi wacana mampu
between-block menjaga tingkat persaingan berada di level tinggi.
density
Konstituen Jumlah vertex 1. Mengekspor data ke dalam bentuk actor congruence network
besar pada tiap 2. Menunjukkan perbandingan jumlah aktor yang termasuk ke
koalisi dalam dalam masing-masing jejaring koalisi yang terbentuk. Koalisi
actor wacana yang sukses akan menarik lebih banyak anggota koalisi
congruence dari waktu ke waktu.
network
Dominasi Affiliation A. Affiliation Network Didalam pendekatan CNA, outdegree tinggi berarti aktor yg
core frame network dan 1. Mengekspor data ke dalam bentuk affiliation network paling sering menghubungi, sedangkan indegree berarti aktor
concept 2. Menunjukkan perbandingan penggunaan konsep yang sama yang paling sering dihubungi.
congruence (dalam tendensi negatif maupun positif) oleh masing-masing
network; koalisi berdasarkan concept’s indegree dan actor’s outdegree
degree B. Concept Congruence Network
centrality dan 1. Mengekspor data ke dalam bentuk concept congruence network
tendensi positif 2. Berdasarkan degree centrality, melihat core concept di dalam
atau negatif jejaring. Koalisi wacana yang sukses adalah koalisi yang mampu
mendominasi core concept.
Integrasi Concept 1. Mengekspor data ke dalam bentuk concept congruence network
frame dalam congruence 2. Menunjukkan penggunaan konsep oleh aktor masing-masing
coherent network; koalisi untuk melihat pola mobilisasi frame. Semakin dekat jarak
storyline average antar node konsep dalam satu koalisi, artinya anggota koalisi
weighted mampu mengintegrasikan frame dalam storyline secara padu.
degree/weighte 3. Average degree digunakan untuk melihat perbandingan
d density penggunaan konsep oleh aktor masing-masing koalisi. Semakin
tinggi average degree, dikombinasikan dengan angka densitas
tinggi pada actor congruence network, artinya mobilisasi frame
oleh koalisi wacana terintegrasi dengan baik.
Luas dan Concept 1. Mengekspor data ke dalam bentuk concept congruence network
beragamnya congruence 2. Membandingkan jumlah konsep yang digunakan masing-
simpul frame network; masing koalisi wacana. Semakin luas ragam konsep (isu
(frame jumlah konsep demokrasi, ekonomi, inovasi) yang digunakan, dengan tingkat
bundle) per koalisi kepaduan yang tinggi, maka koalisi wacana akan mampu
wacana, mendominasi.
keberagaman
konsep per
cluster
Komponen Analisis Jaringan Sosial
Unsur Makna/Simbol dari
Node/Vertice
Ties/Edge/Lines
Bridge Anggota kelompok kecil klik yang secara teratur juga
berhubungan dengan seorang anggota dari kelompok kecil lain
Klik Pengelompokan aktor dengan memasukkan semua bentuk
interaksi antar aktor
Size Ukuran dari suatu jaringan (jumlah anggota kelompok)
Kepadatan (density) Intensitas anggota jaringan dalam berkomunikasi
Sentralitas Struktur jaringan yg berhubungan dengan pemusatan suatu
jaringan (memusat atau menyebar)
Sentralitas tingkatan Popularitas aktor dalam jaringan sosial
(degree)
Sentralitas kedekatan Derajat yang digambarkan seberapa dekat aktor dengan semua
(closeness) aktor dalam jaringan
Sentralitas Posisi aktor sbg perantara dari hubungan aktor satu dengan aktor
keperantaraan lain dalam suatu jaringan
(betweenness)
Eigenvektor Seberapa penting orang yang mempunyai jaringan dengan aktor

STRUKTUR JARINGAN KOMUNIKASI

Level kelompok: KLIK
Level Aktor: Sentralitas, Tingkatan, Kedekatan, Keperantaraan, Eigenvektor,
Level Sistem: Size, Kepadatan, Resiprositas, Sentralitas

Analisis Jaringan utuh (complete networks) Eriyanto, 2014: 378

Sentralitas tingkatan Siapa aktor politik yang paling
(degree centrality) populer (paling banyak menjalin
kontak dengan aktor lain, paling
sering menghubungi dan
dihubungi)
Sentralitas kedekatan Siapa aktor politik yg paling dekat,
(closeness centrality) bisa menghubungi aktor lain dlm
jarak paling dekat
Sentralitas Siapa aktor politik yg berperan sbg
keperantaraan perantara aktor satu dengan
(betweenness lainnya
centrality)
Klik Berapa banyak klik terbentuk,
berapa keanggotaan aktor dlm klik
Kepadatan jaringan Kohesivitas jaringan, seberapa
aktor saling mengontak satu sama
lain
Diameter dan jarak Berapa jarak terjauh dan jarak
 rata-rata dari setiap aktor sehingga
bisa terhubung satu sama lain
Brokers Menggunakan beberapa frame
berbeda dengan derajat sepakat
berbeda, ex: aktor pro
mengutarakan tidak sepakat terkait
isu tertentu yg diajukan aktor anti

BRUNO St. Jacques

Centrality: The number of edges connected
to an individual node
Transitivity: A Measure of the clustering in
a network, based on the relative number of
triangles in the graph
Modularity: A Measure of the structure of
networks, designed to measure the strength
of division of a network into modules
Density: A Measure of the connectedness in
a network, defined as the actual number of
ties expressed as a proportion of the
maximum possible number of ties
Influence of coalitions diukur melalui
average weighted degree centrality per time
period, diukur melalui Average weighted
degree centrality x time period
Clustering of actors per time period, diukur
melalui Global clustering coefficient x time
period
Density of coalitions per period, diukur
melalui weighted density x time period

Bagaimana pengaruh politisi individu di dalam dinamika politik EU? Apakah ada relasi
patron-klien?
Bagaimana bisa tahu siapa yang menghubungi (outdegree) dan yang dihubungi (indegree)?