Sumber: The Organizational Network Fieldbook, Rob Cross et al, Jossey-Bass 2010
Another Practical Applications
• Platform jejaring sosial seperti Facebook
menggunakan elemen-elemen dasar dari SNA
untuk mengidentifikasi dan merekomendasikan
potential friends dari jejaring pertemanan.
• Operator jaringan telekomunikasi menggunakan
metode berbasis SNA untuk mengoptimasi
struktur dan kapasitas jaringan yang mereka miliki
• Aparat penegak hukum dan militer menggunakan
SNA untuk mengidentifikasi jejaring kriminal dan
teroris dengan memetakan data komunikasi yang
berhasil dikumpulkan kedalam suatu jaringan dan
kemudian mengidentifikasi key player dalam
jaringan tersebut.
Main Use Case of SNA
• Ketika ingin memvisualisasikan data untuk menemukan pola tertentu
dari suatu relasi atau interaksi
• Misalnya untuk menginvestigasi suatu jejaring sosial baik online maupun
offline dengan tujuan untuk memahami bagaimana cara meningkatkan
efektifitas dari jejaring tersebut
• Ketika ingin mengikuti/mengenali bagaiman suatu informasi/isu/
objek mengalir (propagate) dalam suatu jejaring
• Misalnya untuk menganalisis Social Networking Service (SNS), Online
Community dan media sosial secara umum misalnya untuk mengidentifikasi
penyebab perpecahan dalam suatu komunitas/jaringan sosial, mendorong
growth dari suatu komunitas online, dlsb
Network Representation
• Merepresentasikan relasi dalam suatu jaringan (network)
• Unit of interest dari network adalah kumpulan aktor dan relasinya yang digabungkan.
• Aktor direpresentasikan dalam node dan dan relasi dalam garis/edge.
• Edge dapat mewakili interaksi, arus informasi, persamaan, hubungan sosial, dlsn
• Secara umum, suatu relasi dapat berupa binary atau weighted dan directed atau undirected
Network Representation
1
2
Adjacency matrix
3
4
Network Representation
• Undirected Graph Adjajcency list
masih sama
1
2
Directed
(who contact whom)
3
4
1 2 3 4 5 6
• Identifikas • Petakan Aktor • Data • Network • Quantitave • Interpretation
dan Jenis Acquisition Formulation Measurement
i Research Relasi/Interak • Social Media (Edge & Weight • Network
Questions si yang Sesuai • Survey Experiment) Visualization
• Observation
• dll
Example: Organizational Network
Example: Supply Chain Network
• Goal: Meningkatkan efisiensi jaringan
distribusi untuk menjaga kualitas barang
(daging sapi), menurunkan emisi karbon
(penghematan BBM)
• Objective: Mengidentifikasi jaringan
distribusi yang highly connected (sub-
network). Melakukan analisis pada sub-
network.
• Pengumpulan Data: Melakukan perekaman
aliran data barang pada titik-titik tertentu
di jalur distribusi serta fasilitas
penyimpanan (keluar masuknya barang)
Example: Supply Chain Network
• Memformulasikan edge dan
weight, dengan menentukan
faktor-faktor yang berpengaruh
dalam jaringan distribusi
(commodity flow sequence, type
of nodes (supplier, distributor,
dlsb)).
• Visualisasi Data “Whole”
Network
• Eksplorasi dengan pengukuran-
pengukuran kuantitatif
• Results Interpretation.
Quantitatve Measure of SNA
• Measuring individuals (Centrality
Metrics)
• Look at positions of individuals in the
network
• Measuring the networks (Structural
Metrics)
• Look at the whole network and its
components
Measuring the Individual
:: Centraility
• How likely is this person to be the most direct route between two people in the network?
• In network of music collaborations: how many people has this person collaborated with?
• In network of spies: who is the spy though whom most of the confidential information is likely to flow?
• In network of paper citations: who is the author that is most cited by other well-cited authors?
Interpretation of Centrality (4)
• Degree ⇒ Most friends ⇒ Most popular person
Sumber: Borgatti, S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
Centrality and Network Flow
Sumber: Borgatti, S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
Measuring The Network
Network Density: Rasio jumlah relasi Reciprocity: Rasio hubungan/relasi Network Diameter:
di dalam jaringan jumlah total timbal balik (dalam directed network) Jarak terjauh dua
kemungkinan relasi dengan jumlah total kemungkinan node dalam
relasi jaringan
Reciprocity (Degree of)
• Reciprocity adalah indikator yang berguna
untuk mengukur tingkat mutualitas atau
hubungan timbal balik antar node dalam suatu
jaringan berarah (directed graph/network).
• Reciprocity dihitung dari rasio jumlah relasi
yang antar node yang saling berimbal balik
terhadap jumlah total relasi dalam jaringan
• Dalam contoh di sebelah kanan ini adalah 2/5
= 0,4 (apakah ini dianggap tinggi atau rendah
tergantung pada konteksnya)
Network Density
• Network density adalah ukuran kepadatan. Mengindikasikan seberapa
erat antar node dalam satu jaringan saling berelasi satu sama lain.
• Network Density adalah indikator umum tentang seberapa baik
koneksi jaringan (dengan kata lain, seberapa erat kaitannya) - jaringan
yang terhubung sempurna disebut klik dan memiliki kepadatan = 1
• Network Density adalah rasio jumlah relasi/edge dalam jaringan
terhadap jumlah total terelasi/edge pi yang mungkin antara semua
pasang node (yaitu n (n-1) / 2), di mana n adalah jumlah node, untuk
graf tidak berarah
• Dalam contoh jaringan disamping kepadatan adalah 5/6 = 0.83 (yaitu
jaringan yang cukup padat)
• Grafik berarah akan memiliki setengah dari kepadatan network tidak
terarahnya, karena ada dua kali lebih banyak sisi yang mungkin, yaitu
n (n-1)
Network Diameter
• Network Diameter adalah jalur (jarak) terpendek terpanjang
antara dua node dalam jaringan disebut diameter jaringan
• Rata-rata dari semua jalur terpendek dalam jaringan juga
menarik karena ini menunjukkan seberapa jauh jarak rata-rata
dua node (jarak rata-rata)
• Network diameter adalah ukuran yang berguna untuk
mengukur tingkat keterjangkauan dalam jaringan (reach)
dibandingkan dengan hanya melihat jumlah total node atau
edge.
• Ini juga menunjukkan berapa lama waktu yang dibutuhkan
suatu informasi/objek untuk mencapai node mana pun dari
node asalnya di jaringan (jaringan yang lebih jarang umumnya
akan memiliki diameter yang lebih besar)
• Contoh diameter jaringan di sebelah kanan adalah 3.
Modularity
• Modularitas adalah salah satu ukuran
struktur jaringan atau grafik, sebagai
indikator resiliensi dari suatu jaringan.
• Resiliensi secara sederhana adalah ukuran
seberapa mudah/sulit jaringan dipecah
kedalam sub-network yang lebih kecil.
• Jaringan dengan modularitas tinggi memiliki
koneksi yang padat antara node dalam
modul tetapi koneksi yang jarang antar node
dalam modul yang berbeda.
Modularity
Quality
We evaluate people and everything else based on objective quality
criteria, so higher quality nodes will naturally attract more
attention, faster
Also known as ‘the good get better’
Mixed model
Among nodes of similar attributes, those that reach critical mass first
will become ‘stars’ with many friends and followers (‘halo effect’)
May be impossible to predict who will become a star, even if quality
matters
Core Periphery Structure
• Metrik yang berguna dan relatif sederhana
untuk mengukur sejauh mana suatu network
itu terpusat di bagian-bagian tertentu atau
terdesentralisasi secara lebih merata adalah
ukuran centrality.
• Selain centrality, pada network-network
berukuran besar seperti komunitas online
memiliki inti sekumpulan node yang
terhubung secara padat (dense subgraph)
yang sangat penting untuk menghubungkan
pinggiran yang jauh lebih besar.
Level of Social Network Analysis
• Nodal Level, fokus pada atribut-atribut dan fenomena-fenomena
pada node secara individual
• Network Level, fokus pada atribut-attribut dan fenomena-fenomena
pada network secara keseluruhan.
• Dyadic Level, fokus pada interaksi diantara dua node (dyad)
• Triadic Level, fokus pada relasi sirkular antara tiga node (triad)
• N-adic Level, fokus pada sub-graph dari N-nodes
• Mixed, kombinasi dari cross-level.
Some Key Papers
• Borgatti, S. P.; Mehra, A.; Brass, D. J.; Labianca, G. (2009). Network Analysis in the Social
Sciences. Science 13 February 2009: 323 (5916), 892-895.
• Tantipathananandh, C., Berger-Wolf, T., & Kempe, D. (2007). A framework for community
identification in dynamic social networks. In Proceedings of the 13th ACM SIGKDD international
conference on Knowledge discovery and data mining (pp. 717-726). ACM.
• Kempe, D., Kleinberg, J., & Tardos, É. (2003, August). Maximizing the spread of influence through
a social network. In Proceedings of the ninth ACM SIGKDD international conference on
Knowledge discovery and data mining (pp. 137-146). ACM.
• Fowler, J. H., & Christakis, N. A. (2008). Dynamic spread of happiness in a large social network:
longitudinal analysis over 20 years in the Framingham Heart Study. Bmj, 337, a2338.
SNA Software
Graphical Based Programming Based
• Gephi • Python
• Pajek • Igraph
• Social Networks • NetworkX
• NodeXL •R
• Sentinel • Igraph
• SNA
• NetMiner
• NetViz
• Vizone
Intro to Gephi
• Created in 2008 by 4 French computing engineers
• Free java based open source software to analyse and visualize networks.
• Gephi run over Java Runtime Environment (JRE)
Gephi Data Format
Adjacency List
Source Target Weight Source Target
A B 3 A B
B C 2 A B
C D 1 A B
B C
B C
C D
Gephi Demo
Matter of Experiments
ꦩꦠꦸꦂꦱꦸꦮꦸꦤ꧀