REVIEW

Theories of
Communication
Networks
CHAPTER 4

MOCH YUNUS KHOLIS 2502221012

RIANNE NUR DWI 2502221030
LUTHFIAH NURAZHARI 2502221011
Group Apa itu komputasi?
Results
Dalam komputasi cloud, istilah “komputasi” menjelaskan konsep dan objek
yang berkaitan dengan komputasi perangkat lunak. Komputasi merupakan
istilah umum yang biasa digunakan untuk merujuk pada daya pemrosesan,
PEMBAHASAN memori, jaringan, penyimpanan, dan sumber daya lainnya yang diperlukan agar
komputasi program berhasil.
Misalnya, aplikasi yang menjalankan algoritme machine learning atau fungsi
rendering grafis 3D memerlukan bergiga-giga RAM dan beberapa CPU agar
berhasil dijalankan. Dalam hal ini, CPU, RAM, dan Unit Pemroses Grafis yang
diperlukan disebut sebagai sumber daya komputasi, dan aplikasinya disebut
sebagai aplikasi intensif komputasi.
Isu Khusus
dalam Penjelasan mengenai pendekatan p* yang menyediakan kerangka kerja

Pemodelan
untuk menentukan ketergantungan fenomena sosial serta fenomena
jaringan di dalam data empiris, namun dalam fenomena tersebut muncul
suatu kendala, yaitu muncul pengakuan bahwa hubungan nya tidak

Komputasi independent. Sehingga menjelaskan bahwa pendekatan p* dapat digunakan

sebagai dasar untuk simulasi jaringan computer.

Jaringan Model probabilitas ikatan dapat di gabungkan di antara anggota jaringan,

supaya memodelkan probabilitas konfigurasi spesifik dari semua ikatan (g)
(g-1) dalam jaringan tersebut. Contoh nya probabilitas PAB dari seri A ke B
tidak tergantung pada probabilitas semua ikatan lain termasuk dalam
jaringan. Seperti probabilitas seri dari A ke C (PAC), probabiltas seri dari A ke
D (PAD), peluang seri dari C ke D (PCD), dan seterusnya.
Contoh
Menentukan
Digambakan dalam teori konsisten, yaitu jika A memiliki ikatan dengan B dan B memiliki
ikatan dengan C, kemungkinan A memiliki ikatan dengan C. Untuk mengkonsep dan
menvisualkan dapat dengan cara grafik ketergantungan, dalam grafik ketergantungan,

Model simpul mewakili ikatan relasional di antara para aktor dan hubungan mewakili
ketergantungan struktural yang ditentukan secara teoritis di antara ikatan jaringan ini.

Jaringan
Pendekatan yang diperkenalkan di bagian ini sangat penting karena asumsi independensi
struktural di antara ikatan relasional sebagian besar tidak masuk akal. Namun, aplikasi
yang secara teoritis lebih berguna muncul ketika menerapkan pendekatan ini untuk

Komputasi p* memodelkan ketergantungan struktural ketergantungan antar relasi. Meskipun bagian ini
telah menguraikan contoh menggunakan pendekatan p* untuk jaringan model komputasi,
masih banyak hal yang harus dikejakan mengenai statistic agar mewujudkan potensinya
sepenuhnya. Sampai kemajuan tersebut telah dicapai, wawasan yang cukup dapat
diperoleh dengan menggunakan pendekatan yang lebih tradisional, meskipun agak cacat,
untuk pemodelan deterministik dan stokastik yang diuraikan di bagian sebelumnya.
Strategi untuk
Validasi Empiris Membahas mengenai strategi, dari sudut pandang konseptual, strategi paling
langsung untuk memvalidasi model komputasi secara empiris adalah

Model membandingkan hasil yang dihasilkan dari simulasi dengan data jaringan
longitudinal yang dikumpulkan secara empiris. Strategi ini bergantung pada

Komputasi investasi upaya yang lebih besar dalam menghasilkan volume besar data
komputasi dari "eksperimen virtual." Eksperimen virtual dilakukan dengan
menggunakan sejumlah besar agen "virtual" buatan sebagai sampel. Agen
virtual ini secara selektif membentuk jaringan "virtual". Eksperimen virtual
memberi para peneliti kesempatan untuk membuat sejumlah besar jaringan
buatan atau "virtual" yang memiliki karakteristik yang relevan dengan
pertanyaan teoretis para peneliti.
Menjalankan Agen dalam jaringan ini masing-masing
memiliki beberapa atribut seperti usia,
Eksperimen Virtual keahlian, afiliasi, dan minat individu dalam
menyelesaikan tindakan kolektif tertentu,
dan dapat terhubung ke agen lain melalui
beberapa hubungan seperti komunikasi
dan alur kerja. Untuk menjalankan
eksperimen virtual, jaringan agen buatan
berkembang oleh setiap agen mengikuti
aturan tertentu atau mekanisme generatif
yang ditentukan oleh teori dan
diimplementasikan dalam model
komputasi.
Menafsirkan Hasil
Hasil dari studi lapangan dapat digunakan untuk
menentukan ukuran efek yang digunakan sebagai
parameter atau koefisien pembobotan dalam model
Eksperimen Virtual komputasi. Selanjutnya, studi lapangan dapat
memberikan data awal yang kemudian dapat
digunakan dalam model komputasi untuk
mempertimbangkan berbagai kemungkinan hasil.
Pada gilirannya, eksperimen virtual dapat
menginformasikan desain studi lapangan. Mereka
dapat menentukan dalam kondisi apa teori itu paling
mungkin untuk memprediksi perbedaan. Ini dapat
membantu dengan penggunaan sumber daya yang
bijaksana untuk pengumpulan data yang sesuai pada
titik waktu yang tepat. Temuan ini dapat membantu
peneliti dalam merancang studi empiris yang akan
memfokuskan sumber daya untuk menemukan
sampel yang paling jelas menyoroti perbedaan-
perbedaan dalam kondisi awal.
Contoh Menentukan dan Kami menyimpulkan bab ini dengan
Menerapkan Model Komputasi di menawarkan contoh sepuluh langkah
Blanche untuk menggambarkan bagaimana
pemodelan jaringan komputasi dapat
memajukan pemahaman kita tentang
munculnya jaringan dari perspektif
multiteoretis multilevel. Untuk contoh ini,
kami akan menentukan dan menerapkan
model komputasi sederhana, termotivasi
secara teoritis, untuk menguji hubungan
antara hubungan komunikasi dan sikap di
antara jaringan aktor
Contoh Menentukan dan
Menerapkan Model Komputasi di
Blanche
Langkah 1: Mengunduh dan Menginstal Blanche
Langkah 2: Mengidentifikasi Mekanisme Teoritis
untuk Model Komputasi
Langkah 3: Menentukan Model Komputasi
Langkah 3: Menentukan Model Komputasi
Langkah 5: Merancang "Eksperimen Virtual"
Langkah 6: Menghasilkan Data Awal untuk Model
Komputasi
Langkah 7: Memilih Data Awal untuk Skenario
Tertentu
Langkah 8: Menjalankan Model Komputasi
Langkah 9: Menjalankan Model Komputasi
Langkah 10: Hipotesis Deduksi Komputasi
 Conclusion
Bab ini telah memperkenalkan kerangka kerja untuk pemodelan komputasi jaringan. Di dalamnya kami
berpendapat bahwa sulit bagi orang untuk membedakan evolusi jaringan di berbagai tingkatan berdasarkan
beberapa hubungan. Namun, mekanisme generatif yang diturunkan dari satu atau lebih teori pada berbagai
tingkatan dapat digunakan untuk mengembangkan model komputasi dari kerja jaringan. Model komputasi dapat
deterministik atau stokastik. Model sederhana dapat mengasumsikan bahwa kemungkinan ikatan tidak tergantung
pada ikatan lain dalam jaringan. Namun, pendekatan p* menawarkan peluang baru untuk mengembangkan model
komputasi yang menentukan ketergantungan di antara ikatan (pada tingkat dua, tiga serangkai, atau global).
Menjalankan simulasi berdasarkan model komputasi memberikan peneliti kesempatan untuk memeriksa evolusi
jaringan yang ditentukan oleh mekanisme generatif yang mendasarinya. Sebuah pendekatan intensif sumber daya
untuk memvalidasi hasil dari model komputasi ini adalah untuk menilai seberapa baik data jaringan simulasi
dibandingkan dengan data jaringan longitudinal empiris. Atau, eksperimen virtual dapat dilakukan dengan
menjalankan simulasi untuk sejumlah besar kelompok buatan di mana agen bervariasi dalam hal tingkat atribut
mereka, hubungan di antara mereka, atau bahkan ukuran jaringan.
 Conclusion
Eksperimen ini memberikan peneliti kesempatan untuk (1) mengamati secara sistematis bagaimana perubahan
kondisi awal dapat mempengaruhi evolusi jaringan; (2) mendeteksi apakah perubahan nilai parameter yang
digunakan dalam model komputasi mempengaruhi evolusi; (3) mengidentifikasi apakah ukuran jaringan
mempengaruhi evolusi jaringan; dan (4) menilai apakah intervensi seperti perubahan keanggotaan jaringan atau
pengenalan teknologi memiliki pengaruh jangka pendek atau jangka panjang pada evolusi jaringan. Hipotesis
disimpulkan dari analisis ini kemudian dapat divalidasi dengan menggunakan data empiris.

Sepanjang bab ini kami menggarisbawahi pentingnya menghubungkan hasil model komputasi yang diturunkan
secara teoritis dengan data empiris. Data empiris dapat menginformasikan pemilihan nilai spesifik untuk parameter,
terutama dalam kasus di mana teori tidak diartikulasikan pada tingkat presisi tersebut. Selanjutnya, hasil model
komputasi dapat membantu mengidentifikasi variabel kunci yang berfungsi sebagai "pengungkit" penting dalam
evolusi kerja jaringan. Ini akan membantu mengarahkan sumber daya untuk memandu pemilihan sampel empiris
yang bijaksana yang memaksimalkan varians pada variabel-variabel kunci ini.
ANYONE HAVE A
QUESTIONS?
THANK YOU