Dr. Ernastuti
Dr. Ricky Agus Tjiptanata, S.T., S.Si., M.M.
LINGKUP MATERI
ü Penerapan SNA pada
Implementasi Teori Graf di
Indentifikasi Aktor Kunci dalam
Jaringan Teroris Pada Kasus 6 1 Berbagai Bidang
Pembajakan 9/11
Implementasi Teori
ü Pengertian Social Network 2 Graf di Bidang Teknik
Analysis (SNA) 5 Arsitektur
ü Penerapan SNA pada
mengungkap pola penyebaran
informasi Virus Corona (Covid- Implementasi Teori Graf di Bidang
19) di Twitter
4 3 Kedokteran/Kesehatan/
Implementasi Teori Graf di Biologi
Bidang Kesehatan
Implementasi Teori Graf di Berbagai Bidang
Contoh:
• Teknik Arsitektur
ü Construction Of Architectural Floor Plans For Given Adjacency Requirements
ü Facilities Planning with Graph Theory
ü Algorithms in graph theory and their use for solving problems in architectural design
• Kedokteran/Kesehatan/Biologi
ü Graph Theory and Analysis of Biological Data in Computational Biology
ü 5 Graph Technology Applications In Healthcare
ü Analysis Of Biochemical Reaction Graph : Application To Heterotrophic Plant Cell Metabolism
• Teknik Sipil
ü Analysis of Building Structure and Topology Based on Graph Theory
ü Swift Analysis of Civil Engineering Structures Using Graph Theory Methods (Studies in
Systems, Decision and Control, 290) 1st ed. 2020
• Teknik Industri
üApplying Graph Theory And The Product State Concept In Manufacturing
üGraph Theory for Operations Research and Management: Applications in
Industrial Engineering
penggambaran 2 dimensi
Ekspansi Horisontal dan Vertikal
Ekspansi Horisontal :
Hapus ruas garis horisontal dengan memperluas setiap ruang Ri,
dimana lebih baik dari kanan ke kiri untuk mempertahankan persegi
panjang ruang. Tata letak alternatif bisa diperoleh dengan
memperluas kotak/ruang ke kiri.
Ekspansi Vertikal :
Hapus ruas garis vertikal dengan memperluas Ri, dimana lebih baik
dari atas ke bawah untuk mempertahankan persegi panjang ruang.
Contoh Ekspansi Horisontal dan Vertikal
penggambaran 2 dimensi
Graf Input
Ekspansi Horisontal dan Vertikal
Sederhananya, graf adalah cara untuk menyimpan dan mewakili data yang
"terhubung". Sebagai contoh, mari kita pertimbangkan seorang pasien yang
mengunjungi dokter dan kemudian ke apotek. Interaksi ini dapat direpresentasikan
dalam bentuk segitiga, di mana simpul (disebut sebagai "simpul") mewakili pasien,
dokter dan apotek, dan setiap sisi/ruas (disebut sebagai "ujung") mewakili
hubungan antara ketiganya.
Struktur interkoneksi yang sama ini dapat digunakan untuk mewakili data
untuk ratusan ribu pasien, dokter, dan apotek dalam graf perawatan
kesehatan. Database graf dengan demikian sangat berguna ketika volume
yang sangat besar dari sumber data yang berbeda tetapi terhubung, baik
terstruktur maupun tidak terstruktur, harus dikonsolidasikan, diproses, dan
dianalisis secara real-time.
• Jaringan obat, dimana setiap simpul mewakili obat dan hubungan antar simpul
dapat didasarkan pada senyawa umum, penyakit serupa, reaksi, dll.
• Jaringan penyakit, dimana setiap simpul mewakili penyakit dan koneksi
didasarkan pada kesamaan gejala
• Jaringan gen, dimana simpul mewakili gen individu dan koneksi didasarkan pada
protein
• Jaringan pasien, dimana pasien dapat terhubung berdasarkan hubungan keluarga
Setelah jaringan topik khusus ini dibuat, mereka terhubung satu sama
lain untuk membantu menjawab beberapa pertanyaan berguna:
Bagaimana obat tertentu berinteraksi dengan pasien target tertentu,
berdasarkan jaringan obat dan gen?
Apakah pasien akan mengalami reaksi yang merugikan?
Algoritma graf dapat melintasi graf yang saling berhubungan secara
b e s a r - b e s a ra n d a n m e l a k u k a n p e n a l a ra n o t o m a t i s u n t u k
mengungkapkan wawasan yang membantu peneliti menjawab
pertanyaan-pertanyaan ini dan banyak lagi.
Penargetan ulang obat
Salah satu pertanyaan kunci yang muncul selama perlombaan untuk menemukan
vaksin COVID-19 adalah apakah obat-obatan tertentu yang ada dapat digunakan
kembali untuk memerangi virus corona baru. Pendekatan ini disebut penargetan
ulang atau reposisi obat. Penargetan ulang obat berguna untuk penyakit anak yatim,
yaitu penyakit yang hanya diderita oleh segelintir orang.
Ini berarti penelitian obat baru untuk penyakit anak yatim ini tidak selalu menjadi
prioritas bagi perusahaan farmasi. Dalam situasi seperti itu, mengingat bahwa
sebagian besar obat farmasi bertindak dengan menargetkan protein (enzim,
reseptor, dll adalah protein), penelitian dapat dipercepat melalui graf penargetan
ulang obat, yang dibangun dengan tiga jenis simpul: penyakit, protein, dan simpul
obat. Koneksi dibuat antara penyakit dan protein, di mana diketahui bahwa
masalah dengan protein menyebabkan penyakit.
Demikian juga, hubungan dibuat antara obat dan protein, dimana
protein adalah target obat yang diketahui. Dengan menganalisis graf
seperti itu dengan beberapa jenis node, protein target baru untuk obat
yang ada dapat diidentifikasi, akibatnya penemuan pengobatan baru
untuk penyakit berdasarkan uji klinis.
Genomik dan prediksi risiko penyakit
Jenis penyakit tertentu diketahui disebabkan oleh banyak gen, yang disebut sebagai "gen
penyakit". Memahami hubungan antara gen dan penyakit penting untuk membantu
mendiagnosis dan mengobati penyakit. Namun, tidak mudah untuk mengidentifikasi
hubungan penyakit-gen. Metode graf dapat membantu mengatasi tantangan ini dengan
memanfaatkan dua ide:
• Penyakit sering berhubungan dan terjadi bersamaan, disebut sebagai penyakit penyerta.
• Gen sering terkait berdasarkan protein yang dikandungnya.
Jadi, menganalisis graf yang dibuat menggunakan penyakit dan gen, dengan hubungan
antara penyakit komorbid, gen terkait, dan asosiasi gen penyakit yang diketahui, dapat
membantu mengungkap hubungan gen penyakit baru. Pengetahuan tersebut dapat
digunakan untuk memprediksi kemungkinan pasien menderita penyakit tertentu di masa
depan dan memberikan saran tentang intervensi gaya hidup di masa sekarang.
Deteksi penipuan
Perusahaan asuransi kesehatan fokus pada penipuan karena berbagai alasan.
Mendeteksi klaim palsu dan tidak membayarnya membantu menekan biaya
medis, yang pada gilirannya menyebabkan kenaikan tarif premi yang lebih
rendah. Selain itu, beberapa perawatan, tes, dan peralatan medis memiliki
batas triwulanan atau tahunan. Jika klaim penipuan diajukan atas nama
pelanggan oleh pihak jahat tanpa sepengetahuan pelanggan, perawatan atau
pengujian atau peralatan khusus tidak dapat digunakan oleh pelanggan saat
mereka membutuhkannya.
Baik itu mempelajari cara merancang basis data graf tingkat perusahaan,
atau memahami cara merancang penyematan menggunakan graf
pengetahuan untuk masalah pemrosesan bahasa alami, atau bahkan
mengetahui cara menggunakan bahasa kueri graf untuk mengkueri data yang
disimpan sebagai graf, ada manfaat dalam permintaan keterampilan yang
dapat dilihat oleh tenaga kerja untuk melengkapi diri mereka dan melakukan
pekerjaan terbaik dalam hidup mereka.
Social Network Analysis
LANGKAH-LANGKAH PROBLEM
PENYELESAIN MASALAH
Dengan bantuan KOMPUTER
MODEL yang TEPAT
HASIL/ SOLUSI
G raf G(V,E)
Adalah struktur diskrit yang terdiri atas himpunan
simpul (V) dan himpunan ruas (E), di mana setiap
ruas di dalam E menghubungkan simpul-simpul di
V.
G raf
Secara umum graf dapat didefinisikan sebagai
kumpulan simpul yang dihubungkan dengan ruas
Social Network Analysis (SNA)
(Analisis Jaringan Sosial)
SNA memiliki beberapa definisi, diantaranya:
Berdasarkan ketiga definisi tersebut, secara garis besar memiliki kesamaan makna, yaitu mengarah
pada proses analisis jaringan sosial berkaitan dengan bentuk struktur dan pola interaksi entitas di
dalamnya.
SNA – Graf (1)
ü Social media saat ini telah banyak dimanfaatkan sebagai media untuk komunikasi, sosialisasi, bahkan
untuk keperluan kampanye politik, iklan/marketing, e-commerce, distribusi berita, kontrol sosial serta
sebagai media interaksi antar penggemar dengan para public figure. Hal itu tentu saja dapat
memberikan dampak positif maupun negatif pada masyarakat.
ü Sebenarnya bagaimana cara untuk mengetahui struktur relasi yang ada di social media??
ü Perkembangan Social network saat ini semakin berkembang pesat. Dalam suatu komunitas social
network, komunitas/grup merupakan wadah yang nyaman untuk saling bertukar informasi antar
anggota grup. Hal ini membuat sebuah grup pada media sosial menjadi ladang informasi, baik
informasi yang disebutkan secara eksplisit ataupun secara implisit. Pemetaan dan pengukuran alur
interaksi dilengkapi dengan analisis pola alur interaksi, yang didefinisikan sebagai social network
analysis (SNA).
ü Social network analysis (SNA) dapat digunakan untuk keperluan pengambilan informasi, termasuk
hubungan interaksi dan pertemanan antar user, dimana interaksi antar user dan hubungan
pertemanan dapat direpresentasikan sebagai graf.
SNA – Graf (2)
ü Komunitas virtual adalah suatu kumpulan obyek yang saling berinteraksi, bertukar informasi,
opini dan melakukan komunikasi melalui media internet, yang pada umumnya mempunyai
kesamaan diantara anggotanya.
ü Komunitas dalam dunia nyata direpresentasikan dalam sebuah graf yang merupakan kumpulan
simpul yang berhubungan satu sama lain.
ü Untuk dapat mengidentifikasi pertukaran informasi dan opini yang membentuk komunitas dari
sekian topik yang saling tidak berhubungan merupakan hal yang relatif sulit.
ü Salah satu tujuan dari beberapa penelitian mengenai SNA adalah untuk deteksi komunitas serta
untuk mengidentifikasi kelompok pengguna yang berpengaruh dalam social media sehingga
dapat dimanfaatkan secara lebih optimal untuk menyebarkan informasi secara lebih efektif.
SNA – Graf (3)
ü Berdasarkan beberapa penelitian yang telah dilakukan, analisis dan implementasi SNA dapat
diterapkan untuk mendapatkan berbagai informasi.
ü Sebagai contoh adalah pada kasus dimana suatu perusahaan ingin mencari pemimpin yang
populer/banyak berpengaruh di kalangan karyawan, atau ingin mengukur tingkat interaksi dan
kedekatan pimpinan dengan bawahannya disuatu divisi. Informasi dan parameter yang dapat
merepresentasikan SNA akan bermanfaat bagi bagian pengembangan SDM untuk menentukan
arah pengalokasian dan positioning SDM maupun untuk mengetahui pola persebaran informasi
di suatu lingkup tertentu.
ü Hal tersebut dapat dilihat dengan menganalisis struktur dan relasi interaksi antar individu yang
kemudian direpresentasikan dalam bentuk graf. Mengapa graf? Representasi social
network dinyatakan dalam bentuk graf dikarenakan graf merupakan tipe representasi social
network yang paling fundamental.
Dalam social media, banyak orang ataupun organisasi/perusahaan
bertemu untuk bertukar informasi, opini dan berkolaborasi untuk banyak
tujuan. Sebagai contoh, jika divisualisasikan jaringan keterhubungan
dalam social media dapat digambarkan sebagai berikut :
ü SNA yang berada pada level graf lebih cenderung menganalisis struktur dan pola interaksi antar
entitas.
ü Pola interasi manusia merupakan suatu aspek yang penting bagi kehidupan manusia yang terlibat
didalamnya.
ü Interaksi dalam SNA tersebut akan menjawab berbagai persoalan antara lain: mengukur
bagaimana individu terkoneksi dengan yang lain, bagaimana seseorang akan mempengaruhi
relasi antar orang lain dan juga mengukur bagaimana individu-individu dalam satu grup saling
terhubung dan berintraksi.
Aplikasi SNA
Teknik SNA telah banyak mendapatkan perhatian dan
pengembangan di berbagai bidang.
2. Menemukan kemunculan komunitas hobi di suatu 8. Mengungkap pola penyebaran informasi tentang
universitas. virus Corona (Covid-19) di Twitter
3. Mengungkap pola transfer pengetahuan yang mengalir pada 9. Menemukan segmentasi pasar di Industri
para peneliti berdasarkan publikasi risetnya. Telekomunikasi Indonesia
4. Menentukan jurnalis dan analis yang berpengaruh di dunia IT. 10. Mengidentifikasi entitas kunci dalam jaringan teroris,
yang berguna untuk tujuan destabilisasi jaringan.
5. Mengungkap pola penyebaran HIV di suatu penjara.
11. Mendeteksi kejahatan penyelewengan keuangan
6. Memetakan jaringan orang-orang eksekutif berdasarkan (financial fraud) dalam suatu perusahaan.
aliran email.
Metric SNA
Ukuran kekuatan dan pengaruh individu (simpul) dalam jaringan:
Degree centrality, Closeness centrality, Betweenness centrality & Eigenvector centrality
2. Closeness centrality: jarak rata-rata antara simpul dengan semua simpul yang lain di jaringan.
Ukuran ini menggambarkan kedekatan simpul ini dengan simpul lain. Semakin dekat, semakin
terhubung orang tersebut dengan lainnya. Analoginya adalah tipe orang “gaul” yang kenal
dengan semua orang akan memiliki pengaruh yang lebih besar karena dapat menyebarkan
informasi lebih cepat tanpa perlu perantara pihak ketiga. Untuk mengukur jarak terpendek
antar simpul dapat digunakan algoritma Dijkstra.
Metric SNA
Ukuran kekuatan dan pengaruh individu (simpul) dalam jaringan
Degree centrality, Closeness centrality, Betweenness centrality & Eigenvector centrality
4. Eigenvector centrality: ukuran ini memberikan bobot yang lebih tinggi pada simpul yang
terhubung dengan simpul yang juga memiliki keterhubungan tinggi. Dapat dikatakan versi
rekursif dari degree centrality.
Degree centrality
Degree centrality, yaitu jumlah koneksi yang dimiliki sebuah simpul. Individu
dengan relasi terbanyak adalah individu yang paling penting. Dapat dihitung
menggunakan Persamaan berikut:
dimana,
� ′� (� � ) = normalized degree centrality individu (simpul) i
� (� � ) = degree dari individu (simpul) i
� = jumlah individu
Closeness Centrality
Closeness centrality, merupakan kedekatan suatu individu dengan
individu yang lainnya. individu dikatakan penting apabila dekat
dengan individu yang lain. Closeness didasarkan pada kebalikan
jarak dari tiap individu ke individu yang lain pada jaringan.
Dapat dihitung menggunakan Persamaan berikut:
dimana,
� � (� � ) = closeness centrality individu
(simpul) i
dimana,
� (� � ,� � ) = jarak individu i ke j
� ′� (� � ) = normalized centrality closeness individu
(simpul) i
� = jumlah individu .
Betweeness Centrality
Di mana,
� � (� � ) = betweeness centrality individu
(simpul) i
� �� (� � ) = jumlah path dimana individu i Di mana,
berada � ′� (� � ) = normalized centrality
� �� = jumlah path yang menghubungkan betweeness individu (simpul) i
individu j dan k � = jumlah individu
Contoh:
Pada akun Twitter
dengan screen_name herlina_lim
yang memiliki 126 following dan
131 followers. Relasi Antar simpul : Akun
Twitter herlina_lim sebagai
Dari jumlah following dan follower simpul Awal
yang dimiliki diambil sekumpulan
data yang mewakili perhitungan
centrality.
Visualisasi
Graf dari
relasi 16
simpul dan
32 ruas
Closeness Centrality
1. Virus Corona (Covid-19) merupakan virus baru yang sudah menyebar ke 215 negara, termasuk
Indonesia. Penyebaran yang cepat dan ketidakpastian kapan berakhirnya pandemi Covid-19 ini
telah menimbulkan kekhawatiran yang dapat memengaruhi kondisi kesehatan mental masyarakat.
2. Respon kekhawatiran tersebut biasanya diekspresikan ke dalam media sosial, salah satunya
twitter.
3. Tujuan:
(a) mengidentifikasi kata yang paling sering muncul;
(b) mengkategorikan setiap opini yang muncul ke dalam kategori :
sentimen netral, positif dan negatif;
(c) mengetahui akun-akun twitter berpengaruh terkait Covid-19.
4. Metode yang digunakan adalah Wordcloud Analysis, Sentiment Analysis, dan Social Network
Analysis.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
Tahapan Penelitian
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
METODE
Metode yang digunakan dalam penelitian ini adalah text mining serta analisis jejaring sosial (Social
Network Analysis).
1. Text mining digunakan untuk melihat kata yang sering muncul terkait Covid-19 serta respon
dari pengguna twitter terkait kata tersebut.
2. Sedangkan Social Network Analysis (SNA) digunakan untuk melihat aktor penting atau sentral
dalam penyebaran informasi Covid-19 di media sosial twitter.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
1. Jumlah data tweets terkait covid 19 yang dihasilkan dari proses crawling adalah sebanyak 10.000
tweets.
2. Setelah dilakukan proses cleaning data dengan menghapus tweet-tweet yang bukan berasal dari
Indonesia, diperolehlah data sebanyak 7.371 tweets.
3. Selanjutnya, dilakukan analisis terhadap data tersebut.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
1. Analisis wordcloud digunakan untuk mengetahui kata-kata yang sering muncul terkait pandemi
Covid-19. Semakin sering sebuah kata muncul, maka ukuran kata yang muncul akan semakin besar.
2. Gambar menunjukan bahwa tiga kata yang paling sering muncul adalah kata ”positif”, “pandemi”
dan“indonesia” .
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
1. Kata pertama yang paling sering muncul terkait covid-19 adalah “positif” sebanyak 1.096 kali. Kata
“positif” mengarah kepada jumlah kasus yang terpapar Covid-19 yang senantiasa bertambah
setiap harinya. Selain itu, kata “positif” sering digunakan oleh masyarakat untuk menyebut pasien
yang menderita penyakit Covid-19.
2. Kata kedua yang sering muncul adalah “pandemi” sebanyak 1.061 kali. Seperti yang diketahui
bahwa Covid-19 tergolong ke dalam pandemi karena penyakit ini menyebar secara luas dan secara
cepat menjangkit banyak orang di seluruh dunia. Karena tergolong baru, pengetahuan terkait
pencegahannya masih sangat terbatas. Padahal penyebaran Covid-19 sangat cepat. Hal tersebut
yang menimbulkan keresahan dan kepanikan di masyarakat.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
3. Kata selanjutnya yang paling sering muncul adalah “indonesia”, yaitu sebanyak 1.038 kali. Hal ini
wajar mengingat ruang lingkup penelitian ini adalah Indonesia. Cuitan yang berhubungan dengan
kata “indonesia” tidak terlepas dari perkembangan kasus Covid-19, pencegahan, serta kebijakan
yang dilakukan oleh pemerintah Indonesia untuk menghambat persebaran virus tersebut.
4. Selain tiga kata di atas, kata lain yang juga sering muncul secara berturut-turut adalah “pasien”,
“vaksin”, “kasus”, “hari”, “kesehatan”, “orang” dan “protokol”. Frekuensi munculnya kata-kata
tersebut lebih dari 500 kali.
1. Gambar menunjukkan hasil sentiment analysis terkait
topik Covid-19 yang diperoleh dari 7.371 cuitan di
twitter.
2. Jumlah cuitan bersentimen netral merupakan yang
terbanyak, yaitu 2.699 cuitan atau sekitar 36,62 persen.
Hal ini dapat diakibatkan karena banyaknya tweet yang
tidak mengandung kata yang bersifat negatif atau
positif terkait topik Covid-19.
3. Jumlah cuitan bersentimen positif ada sebanyak 2.249
cuitan (30,51 persen), sedangkan jumlah cuitan
bersentimen negatif adalah 2.423 cuitan (32,87
persen).
4. Hasil tersebut menunjukkan bahwa banyak masyarakat
yang beranggapan dan beropini negatif terkait Covid-
Gambar Hasil Klasifikasi Sentimen terkait 19. Cuitan yang bersentimen negatif ini adalah cuitan
Covid-19 di Twitter. yang mengandung kata-kata, seperti “positif”, “marah”,
“takut”, “kesal”, “geram”, “meninggal”, dan sebagainya.
5. Untuk cuitan yang bersentimen positif merupakan
cuitan yang mengandung kata-kata, seperti “negatif”,
“gembira”, “lega”, “sembuh”, “aman”, dan sebagainya.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
1. Cuitan terkait jumlah pasien terkonfirmasi positif Covid-19 dan pasien meninggal mendominasi
cuitan bersentimen negatif. Cuitan tersebut tidak terlepas dari banyaknya pejabat, tokoh-tokoh
berpengaruh dan tenaga kesehatan yang terkonfirmasi positif dan bahkan meninggal.
2. Dalam kurun waktu sepuluh hari terakhir (5-14 Agustus 2020), rata-rata penambahan jumlah pasien
positif Covid-19 adalah sebanyak 2.007 kasus. Rata-rata jumlah kematian akibat Covid-19 adalah 63
kasus.
3. Sementara itu, cuitan yang bersentimen positif juga cukup banyak. Cuitan ini berkaitan dengan
kabar gembira vaksin Covid-19 yang sudah mulai dikembangkan dan dilakukan uji coba. Selain itu,
cuitan positif juga berkaitan dengan banyaknya pasien Covid-19 yang berhasil sembuh.
4. Sampai dengan 14 Agustus 2020, tingkat kesembuhan pasien positif Covid-19 adalah 66,33 persen.
Tahap selanjutnya:
Social Network Analysis
1. Setelah dilakukan wordcloud analysis dan sentiment
analysis, analisis selanjutnya adalah social network analysis
untuk mengetahui aktor yang berpengaruh terkait
penyebaran informasi Covid-19 di twitter.
1. Tabel menunjukan bahwa terdapat enam akun yang memiliki pengaruh besar dalam
penyebaran informasi terkait Covid-19 di twitter.
2. Akun @PratiwiHAM memiliki skor degree centrality, closeness centrality dan eigenvector
centrality paling tinggi dibandingkan lima akun lainnya.
3. Hal ini berarti, akun @PratiwiHAM memiliki jumlah retweet terbanyak, lebih cepat dalam
menyampaikan informasi karena memiliki kedekatan dengan pengguna lainnya, dan unggul
dalam hubungannya dengan pengguna berpengaruh lain di dalam jaringan twitter.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
1. Setelah ditelusuri, akun @PratiwiHAM merupakan akun dari pasien yang terkonfirmasi positif
yang berhasil sembuh dari virus Covid-19. Akhir-akhir ini, @PratiwiHAM membuat thread yang
menceritakan perjalanannya sebagai pasien positif Covid-19. Thread yang inspiratif tersebut, dalam
sehari, berhasil mendapatkan retweet sebanyak 6.526 dan disukai lebih dari 20.000 pengguna
twitter.
2. Selain akun pengguna biasa, akun berita resmi seperti @detikcom, @kompascom dan @asumsico
serta akun resmi pemerintah @BNPB_Indonesia juga memiliki peran penting dalam penyebaran
informasi terkait Covid-19 di twitter. Hal ini tidak terlepas dari seringnya akun-akun tersebut
membuat tweet berkaitan dengan perkembangan dan informasi-informasi resmi dan terpercaya
mengenai Covid-19.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
Dukungan Pemerintah
1. Dari hasil di atas, pemerintah dapat melakukan kerja sama dengan akun berpengaruh
@PratiwiHAM untuk memberikan dukungan moral kepada masyarakat dengan tujuan mengurangi
kekhawatiran yang dirasakan akibat Covid-19.
2. Akun ini dirasa efektif karena merupakan pasien terkonfirmasi positif yang berhasil sembuh dari
Covid-19.
3. Kemudian, dalam menangkal hoax, pemerintah dapat menyebarkan informasi-informasi resmi dan
akurat melalui akun berita resmi @detikcom, @kompascom dan @asumsico, serta melalui akun
resmi pemerintah @BNPB_Indonesia.
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
Kesimpulan
1. Kata yang paling sering muncul terkait covid-19 di media sosial twitter adalah kata “positif”,
“pandemi” dan “Indonesia”.
2. Cuitan terkait Covid-19 didominasi oleh cuitan bersentimen netral, yaitu sebanyak 2.699 cuitan
(36,62 persen). Cuitan bersentimen negatif ada sebanyak 2.423 cuitan (32,87 persen), sedangkan
cuitan bersentimen positif berjumlah 2.249 cuitan (30,51 persen).
3. Akun @PratiwiHAM merupakan akun pengguna twitter paling berpengaruh yang dapat
dimanfaatkan pemerintah dalam menjalin kerja sama untuk memberikan dukungan moral, sehingga
dapat meningkatkan kesehatan mental bagi masyarakat Indonesia. Pemerintah juga dapat bekerja
sama dengan akun @detikcom, @kompascom, @asumsico, dan akun resmi pemerintah
@BNPB_Indonesia dalam mengklarifikasi berita hoax.
Contoh Kasus 2
Identifikasi aktor kunci dalam Jaringan Terorist pada kasus
Pembajakan 9/11 menggunakan SNA
1. Jaringan teroris adalah jenis jaringan sosial khusus dengan penekanan pada kerahasiaan dan
efisiensi. Jaringan tersebut sengaja disusun untuk memastikan komunikasi yang efisien antara
anggota tanpa terdeteksi. Sebuah jaringan teroris dapat dimodelkan sebagai jaringan umum
(graf) yang terdiri dari simpul dan ruas. Teknik dari analisis jaringan sosial (SNA) dan teori graf
dapat digunakan untuk mengidentifikasi entitas kunci kuncidalam jaringan teroris, yang
berguna untuk tujuan destabilisasi jaringan.
2. Penelitian tentang analisis jaringan teroris terutama berfokus pada analisis simpul, yang
berbeda dengan fakta bahwa hubungan antara simpul memberikan informasi yang relevan
setidaknya sebanyak simpul itu sendiri.
SNA measures of the 9/11 hijackers and associates network:
1. Size. Jaringan keseluruhan 9/11 terdiri dari 62 orang. Inti dari jaringan (hanya pembajak) terdiri
dari 19 orang yang dibagi menjadi 4 kelompok anggota yang sangat terhubung.
2. Density. Kepadatan jaringan keseluruhan sangat rendah (0,08). Ini menunjukkan bahwa jaringan
secara keseluruhan berfokus pada beberapa koneksi antar anggota untuk memastikan tingkat
kerahasiaan yang tinggi.
3. Nodal Degree. Rata-rata derajat sentral dari jaringan penuh adalah 4,9 yang berarti bahwa deteksi
satu anggota akan berpotensi terdeteksi dari 5 anggota lainnya.
4. Cluster. Inti dari jaringan 9/11 memiliki kepadatan tinggi (0,585). Ini menunjukkan bahwa di dalam
inti tepercaya fokus pada tingkat efisiensi yang tinggi.
SNA measures of the 9/11 hijackers and associates network:
5. Average shortest path. Diameter jaringan (jalur terpendek terpanjang) adalah 5. Rata-rata jalur
terpendek adalah 2,92. Dengan demikian, rata-rata informasi perlu melakukan perjalanan melalui 3
link untuk mencapai target.
6. Node centralities. Saat menghitung sentralitas simpul (degree, closeness, betweenness, and
eigenvector) sekelompok kecil orang ditunjuk sebagai pusat dalam jaringan. Tabel ini memberi
peringkat anggota menurut skor gabungan dari ukuran sentralitas – hanya 10 anggota peringkat
teratas dari 62 yang terdaftar. Skor yang ditandai dengan huruf tebal adalah tiga skor teratas
untuk ukuran tersebut (sekali lagi dari 62).
The 9/11 hijackers and associates network - 62 Terorist
Peristiwa Pembajakan
11 September
9/11 hijakers
Identifikasi aktor kunci dalam Jaringan Terorist pada kasus
Pembajakan 9/11 menggunakan SNA
Contoh di atas berdasarkan jaringan penuh 9/11 menunjukkan bagaimana metrik tradisional SNA dapat
berperan dalam Terorist Netwok Analysis (TNA) .