Implementasi Teori Graf di Berbagai Bidang

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

• Sistem Informasi / Teknik Informatika

üThe Application Of The Graph Theory For Developing And Testing The
Software
• Kesenian
üUsing Graph Theory to Analyze Drama
• Sosial/Ekonomi
üSocial Network Analysis

Dan bidang-bidang lainnya

Konstruksi Dari Rencana Arsitektur Lantai
Untuk Persyaratan Kedekatan Yang Diberikan
Untuk sebagian besar masalah desain arsitektur, ada submasalah
matematika yang mendasari, mereka mungkin perlu mempertimbangkan
untuk menghasilkan layout arsitektur. Salah satu submasalah ini adalah
untuk memenuhi batasan kedekatan untuk mendapatkan tata letak awal.
Tapi di literatur, tidak ada prosedur matematika yang dapat mengatasi
persyaratan kedekatan yang diberikan, yaitu tidak ada alat untuk
menghasilkan denah lantai yang sesuai dengan setiap kedekatan yang
diberikan graf (planar) (ada algoritma untuk membangun denah lantai untuk
graf segitiga planar saja). Dalam makalah ini, kami akan menyajikan sebuah
algoritma yang akan menghasilkan denah lantai yang sesuai dengan yang
diberikan graf planar. Tujuan yang lebih besar dari penelitian ini adalah untuk
mengembangkan alat user-friendly yang dapat menghasilkan berbagai tata
letak awal yang sesuai dengan graf yang diberikan, yang dapat dimodifikasi
lebih lanjut oleh arsitek/desainer.
Salah satu tugas utama dalam sebagian besar proses desain arsitektur
adalah membangun tata letak sambil memenuhi batasan kedekatan
yang diberikan. Sangat mudah untuk melihatnya bahwa kendala
kedekatan perlu diatasi dengan menggunakan alat matematika saja,
khususnya teori graf. Bahkan kita bisa memikirkan untuk membuat tata
letak hanya jika kita tahu ada tata letak untuk batasan kedekatan yang
diberikan (disana mungkin atau mungkin tidak ada denah lantai yang
sesuai dengan graf kedekatan yang diberikan). Oleh karena itu,
pembuatan tata letak awal dapat dilihat sebagai masalah matematika
yang sulit dan jika ditangani, itu bisa menjadi alat yang berguna bagi
para arsitek.
Graf planar yang dapat digambarkan pada suatu bidang disebut graf
bidang, yang membagi bidang tersebut menjadi komponen-komponen
terhubung yang disebut region/daerah. Daerah tak terbatas disebut
region tak terbatas. Kecuali region tak terbatas, semua region lainnya
adalah region terbatas. Graf planar G dikatakan segitiga jika semua
regionnya berbentuk segitiga. Jika hanya region terbatasnya yang
berbentuk segitiga, dan region tak terbatasnya adalah berbentuk region
dengan panjang k, dimana k > 3, maka G disebut graf segitiga dalam.
Denah lantai yang bersesuaian dengan graf G adalah poligon tertutup
di mana setiap simpul G diganti dengan komponen poligonnya yang
d i s e b u t r u a n ga n . D u a r u a n g d a l a m d e n a h l a nta i d i kata ka n
bersebelahan jika mereka berbagi dinding atau sebagian darinya, di
mana dinding ruangan mengacu pada tepi yang membentuk
keliling/perimeternya.
Urutan dari graf planar Gn yang simpulnya dinotasikan dan diurutkan
sebagai v1, v2, . . . ..vn adalah pengurutan kanonik dari Gn jika kondisi
berikut berlaku, ketika 1<k<n.
• Gk adalah graf segitiga dalam dan bipartisi.
• (v1, v2) adalah ruas terluar dari Gk.
• Setiap simpul mengatakan vk+1 di mana k+1  n harus bertetangga
dengan paling sedikit dua simpul dari Gk sedemikian sehingga
membentuk sebuah siklus yang memiliki paling sedikit satu sisi yang
terletak pada sisi luar Gk+1.
Kedekatan Horisontal dan Vertikal
Kedekatan Horisontal: Dua ruang adalah dekat secara horisontal jika
dan hanya jika terdapat sebuah ruas horisontal yang menghubungkan
keduanya.

Kedekatan Vertikal: Dua ruang adalah dekat secara vertikal

jika dan hanya jika terdapat sebuah ruas vertikal yang
menghubungkan keduanya.
Kasus 1:
Sebuah penggambaran 2 dimensi dari graf bidang adalah gambar
dimana semua simpulnya digambarkan sebagai kotak persegi panjang
dan ruas/sisinya digambarkan sebagai ruas garis horisontal atau sebagai
ruas garis vertikal.

Graf Input graf segitiga dalam pengurutan kanonik dari Graf

Langkah-langkah penggambaran 2 dimensi
dari graf bidang

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 ekspansi horisontal ekspansi vertikal

Kasus 2:

penggambaran 2 dimensi

Graf Input
Ekspansi Horisontal dan Vertikal

penggambaran 2 dimensi ekspansi horisontal ekspansi vertikal

Teori Graf dan Analisis Data Biologis dalam
Biologi Komputasi
Pedahuluan
Teori jaringan kompleks memainkan peran penting dalam berbagai disiplin
ilmu, mulai dari komunikasi hingga biologi molekuler dan populasi. Fokus
artikel ini adalah pada metode teori graf untuk biologi komputasi. Kami akan
mensurvei metode dan pendekatan dalam teori graf, bersama dengan
aplikasi terkini dalam informatika biomedis. Dalam bidang Biologi dan
Kedokteran, aplikasi potensial dari analisis jaringan dengan menggunakan
teori graf termasuk mengidentifikasi target obat, menentukan peran protein
atau gen yang fungsinya tidak diketahui. Ada beberapa domain biologis di
mana teknik teori graf diterapkan untuk ekstraksi pengetahuan dari data.
Kami telah mengklasifikasikan masalah ini ke dalam beberapa domain yang
berbeda, yang dijelaskan sebagai berikut.
1. Pemodelan jaringan biomolekuler.
Ini menyajikan metode pemodelan jaringan biomolekuler, seperti jaringan
interaksi protein, jaringan metabolisme, serta jaringan regulasi transkripsi.

2. Pengukuran sentralitas dan pentingnya dalam jaringan biomolekuler.

Untuk mengidentifikasi node (simpul) yang paling penting dalam jaringan
kompleks yang besar adalah sangat penting dalam biologi komputasi. Kami
akan memperkenalkan beberapa penelitian yang menerapkan langkah-
langkah sentralitas untuk mengidentifikasi gen atau protein yang penting
secara struktural dalam jaringan interaksi dan menyelidiki signifikansi biologis
dari gen atau protein yang diidentifikasi dengan cara ini.
3. Mengidentifikasi motif atau modul fungsional dalam jaringan biologis.
Proses biologis yang paling penting seperti transduksi sinyal, regulasi
nasib sel, transkripsi, dan translasi melibatkan lebih dari empat tetapi
jauh lebih sedikit daripada ratusan protein atau gen. Proses yang paling
relevan dalam jaringan biologis sesuai dengan motif atau modul
fungsional. Ini menunjukkan bahwa modul fungsional tertentu terjadi
dengan frekuensi yang sangat tinggi dalam jaringan biologis dan
digunakan untuk mengkategorikannya.
4. Menambang jalur baru dari jaringan biomolekuler.
Jalur biologis memberikan wawasan yang signifikan tentang mekanisme
interaksi molekul. Validasi eksperimental identifikasi jalur dalam
organisme yang berbeda di lingkungan laboratorium basah
membutuhkan banyak waktu dan usaha. Dengan demikian, ada
kebutuhan akan teori graf yang membantu para ilmuwan memprediksi
jalur dalam jaringan biomolekuler.
Pemodelan jaringan biomolekuler
Beberapa kelas jaringan biomolekuler telah dipelajari: jaringan regulasi transkripsi,
jaringan interaksi protein, dan jaringan metabolisme. Dalam Biologi, jaringan
pengatur transkripsi dan jaringan metabolisme biasanya dimodelkan sebagai graf
berarah. Misalnya, dalam jaringan regulasi transkripsi, node (simpul) akan mewakili
gen dengan ruas yang menunjukkan hubungan transkripsi di antara mereka. Ini
akan menjadi graf berarah karena, jika gen A mengatur gen B, maka ada arah alami
yang terkait dengan ruas antara node (simpul) yang sesuai, mulai dari A dan
berakhir di B. Dalam beberapa tahun terakhir, perhatian telah difokuskan pada
jaringan interaksi protein-protein dari berbagai organisme sederhana. Jaringan ini
menggambarkan interaksi fisik langsung antara protein dalam proteome organisme
dan tidak ada arah yang terkait dengan interaksi dalam jaringan tersebut. Oleh
karena itu, jaringan interaksi protein-protein (PPI network/ protein-protein
interaction network) biasanya dimodelkan sebagai graf tidak berarah, di mana
node (simpul) mewakili protein dan ruas mewakili interaksi.
Jaringan regulasi transkripsi
Jaringan regulasi transkripsi menggambarkan interaksi regulasi antar gen. Di
sini, node sesuai dengan gen individu dan ruas berarah ditarik dari gen A ke
gen B jika A secara positif atau negatif mengatur gen B. Jaringan telah
dibangun untuk jaringan regulasi transkripsi E. coli dan S. cerevisiae dan
dipelihara dalam database seperti RegulonDB dan EcoCyc.
Salah satu keterbatasan implementasi teori graf dalam menganalisis jaringan
biokimia adalah kualitas graf yang statis. Jaringan biokimia bersifat dinamis,
dan abstraksi ke graf dapat menutupi aspek temporal aliran informasi. Node
dan tautan jaringan biokimia berubah seiring waktu. Representasi graf statis
dari suatu sistem, bagaimanapun, merupakan prasyarat untuk membangun
model dinamis yang rinci. Sebagian besar pendekatan pemodelan dinamis
dapat digunakan untuk mensimulasikan dinamika jaringan saat
menggunakan representasi graf sebagai kerangka model.
Jaringan interaksi protein
Memahami interaksi protein adalah salah satu masalah penting biologi
komputasi. Jaringan interaksi protein-protein (PPI) ini biasanya diwakili
oleh format graf tidak berarah, dengan simpul yang sesuai dengan
protein dan ruas yang sesuai dengan interaksi protein-protein. Volume
data eksperimen tentang interaksi protein-protein meningkat pesat
dengan peningkatan teknik keluaran tinggi yang mampu menghasilkan
PPI dalam jumlah besar. Misalnya, ragi mengandung lebih dari 6.000
protein, dan saat ini lebih dari 78.000 PPI telah diidentifikasi di antara
protein ragi, dengan ratusan laboratorium di seluruh dunia terus
menambah daftar ini. Manusia diharapkan memiliki sekitar 120.000
protein dan sekitar 106 PPI.
Memahami interaksi antara protein dalam sel dapat mengambil
manfaat dari model jaringan PPI. Deskripsi lengkap tentang jaringan
interaksi protein memerlukan model kompleks yang akan mencakup
interaksi protein-protein fisik yang tidak berarah, jenis interaksi lain,
tingkat kepercayaan interaksi, atau metode dan multiplisitas interaksi,
informasi jalur arah, informasi temporal tentang ada atau tidak adanya
PPI, dan informasi tentang kekuatan interaksi. Ini dapat dicapai dengan
merancang fungsi penilaian dan menetapkan bobot ke node (simpul)
dan ruas jaringan PPI.
https://www.ebi.ac.uk/training/online/courses/network-analysis-of-protein-interaction-data-an-
introduction/protein-protein-interaction-networks/

Jaringan interaksi protein-protein

Interaksi protein-protein (PPI) sangat penting untuk hampir setiap proses dalam sel, jadi
memahami PPI sangat penting untuk memahami fisiologi sel dalam keadaan normal dan
penyakit. Hal ini juga penting dalam pengembangan obat, karena obat dapat
mempengaruhi PPI. Jaringan interaksi protein-protein (PPIN) adalah representasi
matematis dari kontak fisik antara protein dalam sel. Kontak ini:
• spesifik
• terjadi antara daerah pengikatan yang ditentukan dalam protein
• memiliki makna biologis tertentu (yaitu, mereka melayani fungsi tertentu)
Informasi PPI dapat mewakili interaksi sementara dan stabil:
• Interaksi yang stabil terbentuk dalam kompleks protein (misalnya ribosom, hemoglobin)
• Interaksi sementara adalah interaksi singkat yang memodifikasi atau membawa protein,
yang mengarah ke perubahan lebih lanjut (misalnya protein kinase, pengimpor pori inti).
Mereka merupakan bagian paling dinamis dari interaksi
Pengetahuan tentang PPI dapat digunakan untuk:
• tetapkan peran diduga untuk protein yang tidak dicirikan
• menambahkan detail halus tentang langkah-langkah dalam jalur
pensinyalan
• mengkarakterisasi hubungan antara protein yang
membentuk kompleks multi-molekul seperti proteasome
Interaksi
Interaksi adalah totalitas PPI yang terjadi dalam sel, organisme, atau
konteks biologis tertentu. Perkembangan teknik penyaringan PPI skala
b e s a r, t e r u t a m a p e m u r n i a n a f i n i t a s ke l u a ra n t i n g g i y a n g
dikombinasikan dengan spektrometri massa dan uji dua-hibrida ragi,
telah menyebabkan ledakan jumlah data PPI dan konstruksi interaksi
yang semakin kompleks dan lengkap. Bukti eksperimental ini dilengkapi
dengan ketersediaan algoritma prediksi PPI. Banyak informasi ini
tersedia melalui database interaksi molekuler seperti IntAct.
Interaksi yang diperoleh dengan
menggunakan metode hibrida ragi-dua
Gambar berikut adalah milik Macmillan Publishers Ltd

Interaksi ragi Interaksi manusia

Penting untuk menekankan sekali lagi keterbatasan data PPI yang
tersedia. Pengetahuan saat ini tentang interaktivitas masih tidak
lengkap dan mengandung noise. Metode deteksi PPI memiliki
keterbatasan mengenai berapa banyak interaksi fisiologis yang benar-
benar dapat mereka deteksi dan semuanya menemukan positif dan
negatif palsu.
Jaringan metabolisme
Jaringan metabolisme menggambarkan interaksi biokimia dalam sel yang
melaluinya dimana substrat diubah menjadi produk melalui reaksi yang dikatalisis
oleh enzim. Jaringan metabolisme umumnya memerlukan representasi yang lebih
kompleks, seperti graf hiper, karena reaksi dalam jaringan metabolisme umumnya
mengubah banyak input menjadi, dan beberapa output dengan bantuan komponen
lain. Alternatifnya adalah graf bipartisi berbobot untuk mengurangi representasi
untuk jaringan metabolisme. Dalam graf tersebut, dua jenis node (simpul)
digunakan untuk mewakili reaksi dan senyawa, masing-masing. Ruas dalam graf
bipartisi berbobot menghubungkan node dari berbagai jenis, yang mewakili
hubungan substrat atau produk. Jaringan ini dapat mewakili rangkaian lengkap
proses metabolisme dan fisik yang menentukan sifat fisiologis dan biokimia sel.
Jaringan metabolisme itu kompleks. Ada banyak jenis node (protein, partikel,
molekul) dan banyak koneksi (interaksi) dalam jaringan tersebut. Bahkan jika
seseorang dapat mendefinisikan subjaringan yang dapat dijelaskan secara
bermakna dalam isolasi relatif, selalu ada koneksi darinya ke jaringan lain.
Teori jaringan acak klasik menyatakan bahwa dengan sekumpulan node,
koneksi dibuat secara acak antar node. Ini memberikan jaringan dimana
sebagian besar node memiliki jumlah koneksi yang sama. Penelitian
terbaru menunjukkan bahwa model ini tidak sesuai dengan struktur
yang ditemukan di beberapa jaringan penting. Sebaliknya, jaringan
kompleks ini lebih baik dijelaskan dengan apa yang disebut model
bebas skala dimana sebagian besar node hanya memiliki beberapa
koneksi, tetapi beberapa node (disebut hub) memiliki jumlah koneksi
yang sangat besar. Pekerjaan terbaru menunjukkan bahwa jaringan
metabolisme adalah contoh jaringan bebas skala tersebut.
Pengukuran sentralitas dan kepentingan
dalam jaringan biomolekuler
Fungsi biologis adalah konsekuensi yang sangat rumit dari aksi sejumlah besar molekul berbeda
yang berinteraksi dengan berbagai cara. Asosiasi genomik antara gen mencerminkan asosiasi
fungsional antara produk mereka (protein). Selanjutnya, kekuatan asosiasi genomik berkorelasi
dengan kekuatan asosiasi fungsional. Gen yang sering muncul bersama dalam operon yang sama
dalam kumpulan spesies yang beragam lebih mungkin berinteraksi secara fisik daripada gen yang
muncul bersama dalam operon hanya dalam dua spesies, dan protein yang dihubungkan oleh fusi
gen atau konservasi urutan gen lebih mungkin menjadi subunit kompleks daripada protein yang
hanya dikodekan dalam genom yang sama. Jenis asosiasi lain telah digunakan untuk studi jaringan,
tetapi ini fokus pada tertentu jenis interaksi fungsional tertentu, seperti langkah-langkah enzimatik
berikutnya dalam jalur metabolisme, atau interaksi fisik. Menjelaskan kontribusi setiap molekul
untuk fungsi tertentu akan tampak sia-sia, jika evolusi tidak membentuk interaksi molekul
sedemikian rupa sehingga mereka berpartisipasi dalam unit fungsional, atau blok bangunan, dari
fungsi organisme. Blok bangunan ini dapat disebut modul, yang interaksi, interkoneksi, dan toleransi
kesalahannya dapat diselidiki dari sudut pandang tingkat yang lebih tinggi, sehingga memungkinkan
untuk melihat sintetik daripada analitik sistem biologis. Pengakuan modul sebagai entitas diskrit
yang fungsinya dapat dipisahkan dari modul lain memperkenalkan tingkat kritis organisasi biologis
yang memungkinkan studi in silico.
Mengidentifikasi motif atau modul fungsional
dalam jaringan biologis
Sistem biologis dipandang sebagai jaringan dapat dengan mudah
dibandingkan dengan sistem rekayasa, yang secara tradisional digambarkan
oleh jaringan seperti diagram alir. Hebatnya, ketika perbandingan tersebut
dibuat, jaringan biologis dan jaringan rekayasa terlihat berbagi prinsip-prinsip
struktural seperti modularitas dan pengulangan elemen sirkuit. Baik fungsi
dan rekayasa sistem biologis diatur dengan modularitas. Sistem rekayasa
dapat didekomposisi menjadi modul fungsional pada tingkat yang berbeda,
subrutin dalam perangkat lunak dan suku cadang yang dapat diganti dalam
mesin. Dalam kasus jaringan biologis, meskipun tidak ada konsensus tentang
kelompok gen dan interaksi yang tepat yang membentuk modul, jelas bahwa
mereka memiliki struktur modular. Sebuah modul telah mendefinisikan node
input dan node output yang mengontrol interaksi dengan seluruh jaringan.
Menambang jalur baru dari jaringan bio-
molekul
Dalam mempelajari organisme pada tingkat sistem, para ahli biologi baru-baru ini
menyebutkan pertanyaan-pertanyaan berikut: (1) Apakah ada serangkaian jalur
minimal yang dibutuhkan oleh semua organisme? (2) Sejauh mana jalur genomik
dilestarikan di antara spesies yang berbeda? (3) Bagaimana organisme terkait
dalam hal jarak antara jalur daripada pada tingkat kesamaan urutan DNA? Inti dari
pertanyaan semacam itu terletak pada identifikasi jalur pada organisme yang
berbeda. Namun, validasi eksperimental dari sejumlah besar kandidat yang
mungkin dalam lingkungan lab basah membutuhkan banyak waktu dan usaha.
Dengan demikian, ada kebutuhan untuk alat genomik komparatif yang membantu
para ilmuwan memprediksi jalur dalam jaringan biologis suatu organisme. Karena
sifat data biologis yang kompleks dan tidak lengkap, pada saat ini, prediksi jalur
komputasi otomatis sepenuhnya terlalu ambisius. Jalur metabolisme adalah
serangkaian reaksi biologis di mana setiap reaksi mengkonsumsi satu set metabolit,
yang disebut substrat, dan menghasilkan set metabolit lain, yang disebut produk.
Kesimpulan
Data skala besar tentang interaksi biomolekul yang tersedia dengan kecepatan yang
meningkat memungkinkan sekilas ke jaringan seluler yang kompleks. Teori graf
matematis adalah cara langsung untuk merepresentasikan informasi ini, dan model
berbasis graf dapat memanfaatkan karakteristik global dan lokal dari jaringan ini
yang relevan dengan biologi sel. Selain itu, kebutuhan akan pendekatan yang lebih
sistematis untuk analisis organisme hidup, di samping ketersediaan jumlah data
yang belum pernah ada sebelumnya, telah menyebabkan pertumbuhan aktivitas
yang cukup besar dalam teori dan analisis jaringan biologis kompleks dalam
beberapa tahun terakhir. Jaringan ada di mana-mana dalam Biologi, terjadi di
semua tingkatan mulai dari reaksi biokimia di dalam sel hingga jaringan kompleks
interaksi sosial dan seksual yang mengatur dinamika penyebaran penyakit melalui
populasi manusia. Graf jaringan memiliki keuntungan bahwa mereka sangat
sederhana untuk dipikirkan, dan pada umumnya sesuai dengan informasi yang
tersedia secara global saat ini di tingkat jaringan.
Namun, sementara informasi hubungan biner memang mewakili aspek
penting dari jaringan interaksi, banyak proses biologis tampaknya
memerlukan model yang lebih rinci. Pemahaman yang komprehensif tentang
jaringan ini diperlukan untuk mengembangkan strategi pengobatan yang
lebih canggih dan efektif untuk penyakit seperti Kanker. Ini pada akhirnya
dapat membuktikan model matematis dari kumpulan data skala besar yang
berharga dalam masalah medis, seperti mengidentifikasi pemain kunci dan
hubungan mereka yang bertanggung jawab atas perilaku multi-faktorial
dalam jaringan penyakit manusia. Kesimpulannya, dapat dikatakan analisis
jaringan biologis diperlukan dalam bidang penelitian Bioinformatika, dan
tantangannya menarik. Ini diharapkan dapat membantu para peneliti dengan
menyoroti kemajuan terkini di bidang ini.
5 Aplikasi Teknologi Grafik Dalam Perawatan
Kesehatan
Pada suatu saat, semua pengguna aplikasi jejaring sosial seperti Facebook atau
LinkedIn terkejut saat melihat teman sekolah lama, atau mantan rekan kerja dari
pekerjaan pertama itu, muncul direkomendasi 'orang yang mungkin Anda kenal'.
Orang-orang yang paham teknologi di antara kita akan dapat menebak bahwa
rekomendasi ini “… bekerja dari koneksi yang sama … terutama jika dua orang
memiliki teman yang sama …”. Aplikasi jejaring sosial menggunakan teknologi graf
untuk menyimpan dan memproses data dalam jumlah besar.

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.

Setelah data direpresentasikan dalam bentuk graf, ini memungkinkan kami

untuk menganalisis dan mengidentifikasi wawasan dengan cara yang tidak
mungkin dilakukan saat data disimpan dalam format lain (misalnya tabel).
Analisis tersebut dapat dilakukan dengan dua cara, baik secara terpisah atau
secara gabungan:
• Menggunakan "algoritma graf" canggih yang dapat menambang graf
untuk mengembalikan wawasan tertentu
• Menggunakan "alat visualisasi graf" yang memungkinkan analis untuk
melakukan "penemuan graf" yaitu mengungkap koneksi dan pola
yang berguna untuk memecahkan masalah bisnis
Di sisa artikel ini, kita akan melihat sekilas kasus penggunaan tertentu,
dimana teknologi graf dapat memungkinkan perusahaan dalam
usahanya untuk menjadi customer-centric.
Kedokteran presisi
Jaringan graf adalah topik penelitian intensif di bidang kedokteran presisi, dimana
para peneliti mencoba memahami interaksi penyakit-obat-gen-pasien. Misalnya,
beberapa jaringan topik khusus dapat dibangun sebagai berikut:

• 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.

Teknologi graf membantu perusahaan asuransi kesehatan melampaui

metode deteksi penipuan tradisional yang melibatkan melihat satu klaim
atau satu dokter. Metode graf sekarang memungkinkan melihat seluruh
jaringan dokter untuk mendeteksi kolusi, kartelisasi, suap, rujukan palsu, dll.
Database graf untuk EHR
Catatan kesehatan elektronik, atau EHR, adalah ringkasan digital dari riwayat
medis pasien, protokol perawatan, tes dan hasil lab, dll. EHR berisi informasi
kesehatan yang dibuat oleh dokter dan rumah sakit, dan mengizinkan
berbagi informasi tersebut. Salah satu manfaat utama EHR adalah
ketersediaan informasi secara instan kepada dokter saat mereka merawat
pasien.

Namun, selama bertahun-tahun, karena adopsi EHR telah meningkat, baik

jenis dan volume data telah meningkat berlipat ganda, yang telah
mengungkap beberapa hambatan, yaitu kurangnya interoperabilitas,
kegunaan yang buruk, dan biaya tinggi. Kegunaan termasuk waktu respon
sistem. Biaya termasuk biaya penyimpanan untuk volume data yang besar,
yang keduanya merupakan masalah bagi database konvensional yang
digunakan oleh vendor EHR.
Database graf berkembang pesat dalam situasi ini dimana sejumlah
besar data terstruktur dan tidak terstruktur perlu disimpan dan diambil
dengan cepat dengan biaya rendah. Ini telah menyebabkan tren yang
berkembang ke arah penggunaan basis data graf untuk menyimpan
data di balik aplikasi EHR modern.
Kesimpulan
Dalam hal adopsi, graf adalah pilihan teknologi tingkat perusahaan
yang membutuhkan sponsor tingkat CXO yang tepat (untuk membantu
mendorong konsolidasi data), pilihan mitra vendor teknologi yang tepat
(mengingat berbagai pengorbanan dalam opsi basis data graf yang
tersedia secara komersial) dan tim yang tepat (mengingat bahwa
kumpulan bakat dengan pengetahuan yang tepat terbatas).
Namun, apa yang membuat investasi itu berharga adalah hasil dari jenis
masalah yang dapat diselesaikan dengan teknologi graf. Potensi seperti inilah
yang menawarkan peluang bagi arsitek, insinyur, dan ilmuwan data, yang
ingin mempersiapkan diri untuk gelombang berikutnya yang dibawa oleh
teknologi graf.

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

Secara umum, langkah-langkah yang

ALGORITMA
perlu dilalui dalam penyelesaian suatu
masalah dengan bantuan komputer
adalah sebagai berikut :
PROGRAM
DATA

Problema → Model Yang Tepat → EKSEKUSI

Algoritma → Program Komputer → Solusi

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:

1. proses pemetaan dan pengukuran relasi antara orang ke orang

2. teknik yang fokus mempelajari pola interaksi pada manusia yang tidak terlihat secara eksplisit.
3. sekumpulan metode untuk menginvestigasi aspek relasi pada struktur sosial.

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 :

Visualisasi sosiogram/graf dari

semua teman di Facebook
seseorang dan hubungan mereka
satu sama lain.

Visualisasi Tanpa label dan kode

warna

Graf terlihat terdiri dari ratusan

simpul dan ratusan ruas
 Visualisasi Sosiogram dari
semua teman di Twitter
seseorang dan hubungan
mereka satu sama lain.

Visualisasi : berlabel dan

berwarna.

Graf terlihat terdiri dari ratusan

simpul (yang diberi label nama
mewakili orang), dan ratusan ruas
yang mewakili relasi antar orang.

Graf terlihat terbagi menjadi

beberapa grup (komunitas) sesuai
dengan warnanya.
Pola Interaksi dalam SNA
ü SNA lebih menekankan pada interaksi antar entitas didalamnya daripada entitas itu sendiri, dengan
kata lain SNA lebih banyak membahas hubungan antar aktor daripada atribut aktor tersebut.
ü Pola interaksi antar entitas akan memberikan informasi baru. Namun bukan berarti entitas tidak ada
gunanya sama sekali. Attibut pada entitas yang menjadi simpul pada graf memiliki informasi yang
dapat membantu untuk membuat hipotesa atas fenomena yang terjadi.
ü Sebagai contoh pada kasus jejaring sosial online di twitter, yang lebih banyak dianalisis adalah
interaksi antar user twitter, dalam hal ini pola interaksi akan dapat menentukan user mana yang paling
berpengaruh dalam suatu lingkup grup tertentu. Namun setelah diketahui user mana yang paling
berpengaruh, kemudian tidak akan dapat dianalisis lebih lanjut mengapa user tersebut bisa
mendapatkan posisi tersebut, jika tidak diketahui profil user tersebut, siapa dia di dunia nyata, apa
jabatannya, dan lain sebagainya.
ü Sejauh ini dapat dikatakan bahwa interaksi antara entitas yang membentuk relasi hanya akan dapat
menyimpulkan informasi sampai pada level graf saja, namun untuk sampai bisa berguna lebih lanjut
di dunia nyata, perlu diketahui pula informasi lebih jauh tentang simpul itu sendiri.
Pola Interaksi dalam SNA

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.

Teknik SNA telah banyak mendapatkan perhatian dan
pengembangan di berbagai bidang.
Beberapa pengaplikasian SNA antara lain adalah sebagai
berikut :
1. Pengujian pada suatu jaringan peternakan untuk
menganalisa bagaimana penyakit menyebar dari salah satu
sapi ke sapi yang lain.
2. Menemukan kemunculan komunitas hobi di suatu
universitas.
3. Mengungkap pola transfer pengetahuan yang mengalir pada
para peneliti berdasarkan publikasi risetnya.
4. Menentukan jurnalis dan analis yang berpengaruh di dunia IT.
5. Mengungkap pola penyebaran HIV di suatu penjara.
6. Memetakan jaringan orang-orang eksekutif berdasarkan
aliran email.
Aplikasi SNA
7. Menemukan jaringan inovator di suatu regional
ekonomi.
8. Mengungkap pola penyebaran informasi tentang
virus Corona (Covid-19) di Twitter
9. Menemukan segmentasi pasar di Industri
Telekomunikasi Indonesia
10. Mengidentifikasi entitas kunci dalam jaringan teroris,
yang berguna untuk tujuan destabilisasi jaringan.
11. Mendeteksi kejahatan penyelewengan keuangan
(financial fraud) dalam suatu perusahaan.
Metric SNA
Ukuran kekuatan dan pengaruh individu (simpul) dalam jaringan:
Degree centrality, Closeness centrality, Betweenness centrality & Eigenvector centrality

1. Degree centrality: jumlah koneksi yang dimiliki sebuah simpul.

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

3. Betweenness centrality: ukuran ini memperlihatkan peran sebuah simpul menjadi

bottleneck. simpul menjadi penting jika menjadi communication bottleneck. Analoginya,
anggap persimpangan sebagai simpul. Semakin banyak jalan yang harus melewati
persimpangan itu (misal tidak ada jalan alternatif), maka semakin penting arti persimpangan
tersebut. Jika pada persimpangan tersebut lampu lalulintas mati, maka dapat berakibat fatal
karena aliran mobil (informasi) akan terhambat. Ukuran ini juga dapat digunakan untuk
mengidentifikasi boundary spanners, yaitu orang atau simpul yang berperan sebagai
penghubung (jembatan) antara dua komunitas. Betweenness centrality sebuah simpul dihitung
dengan menjumlahkan semua shortest path yang mengandung simpul tersebut.

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:

Rumus tersebut dapat dinormalisasikan

menjadi Persamaan berikut:

dimana,
� � (� � ) = closeness centrality individu
(simpul) i
dimana,
� (� � ,� � ) = jarak individu i ke j
� ′� (� � ) = normalized centrality closeness individu
(simpul) i
� = jumlah individu .
Betweeness Centrality

Betweeness centrality, menghitung jumlah jalan terpendek

antara individu j dan k dimana individu i berada. Dapat
dihitung menggunakan Persamaan berikut:

Rumus tersebut dapat dinormalisasikan

menjadi Persamaan berikut:

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.

Daftar 16 akun Twitter yang akan

dihitung nilai centrality-nya.

Visualisasi
Graf dari
relasi 16
simpul dan
32 ruas
 Closeness Centrality

Berdasarkan hasil perhitungan menggunakan

closeness centrality dapat diketahui bahwa
yang memiliki nilai closeness centrality paling
tinggi adalah akun Twitter dengan user_id
75700454 (simpul dengan id = 3), yaitu
sebesar 0.46875.

Closeness centrality menunjukkan jarak rata-

rata dari simpul awal ke semua simpul lain
dalam jaringan.

Metode ini mampu mengukur seberapa cepat

suatu simpul bisa mengakses simpul lainnya.

Hasil hitung closeness centrality

 Betweenness Centrality 1. Dari hasil perhitungan tersebut dapat diketahui bahwa
yang memiliki nilai betweenness centrality paling tinggi
adalah akun Twitter dengan user_id 75700454, yaitu
sebesar 0.42698413.

2. simpul 75700454 (simpul dengan id = 3) yang memiliki

nilai betweenness centrality paling tinggi ini tentunya
menduduki posisi yang paling penting atau paling kuat di
dalam jaringan.

Hasil hitung closeness centrality

1. simpul 75700454 (simpul 3) memiliki pengaruh
yang cukup besar terhadap apa yang terjadi di
dalam jaringan karena dengan adanya simpul ini di
dalam jaringan, kelompok 1 dan kelompok 2
menjadi terhubung.
2. Jika simpul ini tidak terdapat di dalam jaringan,
tentunya akan menghilangkan hubungan antar
simpul dari kelompok 1 dan kelompok 2. Pada
gambar terlihat jelas bahwa ketika simpul
75700454 dihapus atau dihilangkan dari jaringan,
maka jaringan tidak menjadi satu kesatuan lagi,
yakni terpisah menjadi dua jaringan, yaitu jaringan
pertama adalah jaringan yang anggotanya
merupakan kelompok 1 dan jaringan kedua adalah
jaringan yang anggotanya merupakan kelompok 2.
Contoh Kasus 1
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER
IMPLEMENTASI SOCIAL NETWORK ANALYSIS DALAM MENGUNGKAP POLA
PENYEBARAN INFORMASI VIRUS CORONA (COVID-19) DI TWITTER

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

HASIL DAN PEMBAHASAN

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

Gambar Wordcloud terkait

Covid-19 pada 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

HASIL DAN PEMBAHASAN

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

HASIL DAN PEMBAHASAN

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

HASIL DAN PEMBAHASAN

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.

2. Gambar graf merupakan visualisasi social network analysis

dari hasil crawling pada twitter terkait virus Covid-19. Titik
pada gambar dinamakan simpul yang merepresentasikan
seorang individu pengguna twitter, sedangkan garis yang
menunjukan aktivitas retweet disebut edge.

3. Gambar graf terbentuk dari 3.330 aktivitas retweet yang

melibatkan 3.183 akun pengguna twitter. Dari aktivitas
Gambar graf Visualisasi Social Network tersebut, terbentuk 307 komunitas dengan seorang aktor
Analysis Covid-19 pada Twitter. pusat yang menjadi sumber interaksi karena sering di-
retweet oleh pengguna lain.
Tabel Nilai centrality pengguna twitter berpengaruh

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

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.
 Flight AA #11- Crashed into WTC North:
1. Mohamed Atta
2. Wail Alshehri
3. Waledd Alshehri
4. Satam Suqami
5. Abdul Aziz Al-Omari
Flight AA #77- Crashed into WTC Pentagon:
1. Hani Hanjour
2. Salem Alhazmi
3. Nawaf Alhazmi
4. Khalid Al-Mihdhar
5. Mayed Moqed
Flight UA #93- Crashed into Pennsylvania:
1. Ziad Jarrah
2. Ahmed Al Haznawi
3. Saeed Alghamdi
4. Ahmed Alnami

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.
 Node Centrality 1. Pada Tabel menunjukkan bahwa empat
pertama dalam daftar (Atta, Al-Shehhi,
Hanjour, & Jarrah) masing-masing ada
di pesawat yang berbeda.

2. Dua berikutnya dalam daftar

(Moussaoui & Khemais) adalah orang
yang menjadi sentral di dalam jaringan
yang menghubungkan para pembajak
dengan anggota teroris lain.

Flight AA #11- Crashed into WTC North:

1. Mohamed Atta
2. Wail Alshehri
3. Waledd Alshehri
4. Satam Suqami
5. Abdul Aziz Al-Omari

Flight UA #175- Crashed into WTC

South:
Flight AA #77- Crashed into WTC Pentagon: Flight UA #93- Crashed into Pennsylvania:
1. Marwan Al-Shehhi 1. Hani Hanjour 1. Ziad Jarrah
2. Fayez Ahmed 2. Salem Alhazmi 2. Ahmed Al Haznawi
3. Mohan Alshehri 3. Nawaf Alhazmi 3. Saeed Alghamdi
4. Hamza Alghamdi 4. Khalid Al-Mihdhar 4. Ahmed Alnami
5. Ahmed Alghamdi 5. Mayed Moqed
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) .

Dengan menggunakan SNA, aktor-aktor kunci dalam jaringan teroris pada

pembajakan 9/11 berhasil diedentifikasi dengan tepat. Terdeteksi enam
aktor berpengaruh yaitu: Atta, Al-Shehhi, Hanjour, Jarrah, Moussaoui &
Khemais.

Aktor yang paling berpengaruh dalam jaringan teroris pembajakan 9/11

adalah Atta, yang mempunyai nilai degree centrality (0.361), closeness
centrality (0.587), betweenness centrality (0,588), dan eigenvector (0.412)
terbesar dari 62 teroris.
Referensi:
1. Budi Susanto, Herlina, Antonius R. C, 2012, Penerapan Social Network Analysis dalam
Penentuan Centrality Studi Kasus Social Network Twitter,
https://www.researchgate.net/publication/323731430
2. Dwi Inayah1, Fredy Law Purba, 2020, Implementasi SNA dalam penyebaran informasi Virus
Corona (Covid-19) di Twitter, Seminar Nasional Official Statistics 2020: Statistics in The New
Normal: A Challenge of Big Data and Official Statistics
3. Uffe Kock Wiil, Jolanta Gniadek, Nasrullah Memon, 2010, Measuring Link Importance in
Terrorist Networks, International Conference on Advances in Social Networks Analysis and Mining
2010
4. http://papers.cumincad.org/data/works/att/caadria2020_068.pdf
5. https://www.intechopen.com/books/advanced-technologies/graph-theory-and-analysis-of-biological-
data-in-computational-biology
6. https://www.ebi.ac.uk/training/online/courses/network-analysis-of-protein-interaction-data-an-
introduction/protein-protein-interaction-networks/
7. https://www.dqindia.com/5-graph-technology-applications-healthcare/
TERIMA KASIH