Representasi Jaringan Sosial dalam Bentuk Graf | Gephi Data Offline

Hallo! 

Perkenalkan nama saya Annisa Meliana dari kelas 4MA24 dengan NIM 17822048.

Di blog kali ini saya ingin menjelaskan tentang bagaimana mereprentasikan jaringan sosial.

Berikut saya ambil sampel dari beberapa teman dikelas 4MA24 untuk dijadikan contoh matrik kedekatan (Adjacency Matrix).

Dari matriks diatas kita dapat membuat grafik (alias diagram jaringan sosiogram)

Dari data diatas maka kita bisa merepresentasikan berdasarkan dari tipe relasinya.

1. Directed dan Non-Directed Graph

• Directed Graph 

Directed Graph adalah graf yang setiap sisi/relasi mempunyai arah atau pada relasi yang mempunyai arah (directed) ada pengirim dan penerima, ada subjek dan objek.

Direct Graph dengan aplikasi Gephi

• Non-Directed Graph 

Non-Directed Graph adalah Graf yang mempunyai sisi/relasi, tetapi tidak memiliki arah atau tidak ada pengirim dan penerima, kedua aktor sama-sama mempunyai peran yang sama.

Non-Direct Graph dengan aplikasi Gephi

2. Weighted (Valued) vs Unvalued

Weighted (Value) vs Unvalued adalah relasi antar aktor juga bisa dibedakan berdasakan intensitas relasinya. Peneliti bisa menyajikan relasi dengan menyertakan nilai intensitas (valued) dan tidak atau unvalued. 

Weighted (Value) dengan aplikasi Gephi

Unvalued dengan aplikasi Gephi

3. One Mode vs Two Mode

Berdasarkan kategori aktor yang melakukan relasi, kita bisa membedakan jaringan ke dalam satu tipe (one mode) dan dua tipe (two mode). Jaringan satu tipe adalah jaringan di mana aktor (node) punya tipe yang sama. Sementara jaringan dua tipe (two mode) adalah jaringan di mana aktor (node) mempunyai tipe yang berbeda. 

Contohnya : "Mahasiswa meminjam buku dengan sesama mahasiswa lainnya (one mode), sedangkan apabila mahasiswa meminjam buku melalui perpustakaan atau laboratorium disini berarti terdapat dua aktor berupa orang dan lembaga atau organisasi. (Two Mode)"

4. Simetris vs Asimetris

Simetris berarti hubungan yang terjadi bersifat dua arah, sedangkan Asimetris berarti hubungan yang terjadi bersifat satu arah.

Relasi dua arah (simetris) terjadi apabila antara dua aktor saling sama-sama terlibat dalam sebuah relasi, dan mempunyai peran yang sama dalam relasi tersebut, jika salah satu aktor dihilangkan maka tidak akan terjadi relasi.  

Contohnya: Dalam kegiatan belajar bersama. 

Simetris 

Asimetris

1. Stuctural Hole Theory

Teori lubang struktural dikembangkan untuk menjelaskan bagaimana mendapatkan keuntungan dari persaingan dalam jaringan sosial dan hubungan yang saling bersilangan (Burt, 1992).

Seseorang yang beroperasi di dekat lubang struktural memiliki peluang terbesar untuk memiliki ide-ide bagus. (Burt, 2004; Liu, Chiu, & Chiu, 2010; Cowan & Jonard, 2007)

2. Weak Ties Theory

Keberhasilan penyebaran informasi menuju ke populasi yang lebih besar, bergantung kepada hubungan pertemanan lemah yang dimiliki seseorang atau kelompok.

Strong Ties

Weak Ties dengan aplikasi Netlytic

3. Network Closure Theory

Prinsip dasar komunikasi manusia adalah adanya pertukaran ide terjadi lebih sering diantara individu-individu yang terlihat sama, atau homofili (Rogers, 2003:305).

Network Closure

Representasi Ego Network atau Keseluruhan

 

1. Ego Network

Jaringan ego berpusat pada node tertentu dan hubungannya dengan alters, dapat diekstraksi dari seluruh jaringan, tapi bisa dikumpulkan alih-alih seluruh jaringan, berguna untuk menganalisis domain jaringan (White, 2008)

Catatan: Jaringan ego tidak pernah benar-benar utuh. Batasi Masalah, dll

Full Network dengan aplikasi Netlytic

Ego Network dengan aplikasi Netlytic

Bagaimana mengidentifikasi actor utama dalam jaringan?

Data Laboratory Gephi

• Degree Centrality Ada tidaknya ikatan yang masuk (Indegree)/keluar (Outdegree) dari node - keterhubungan/pengaruh/popularitas.
• Betweeness Centrality (Nilai 0 s.d 1) Node yang menghubungkan dua node lainnya – Gateway/Bridge
• Closeness Centrality (Nilai 0 s.d 1) Ukuran Jangkauan/Kedekatan Aktor – Di ukur dari berapa langkah seorang aktor dapat menghubungi aktor lain.
• Eigenvector Centrality (Nilai 0 s.d 1) Seberapa penting atau seberapa popular node yang berjaringan dengan aktor.

Bahwa bisa ditarik kesimpulan dari data diatas maka,

1. Kesimpulan berdasarkan Eigenvector Centrality, Tika merupakan aktor yang keberadaannya begitu populer sehingga distribusi informasi bisa tersebar.
2. Kesimpulan berdasarkan Betweeness Centrality, bahwa Tika merupakan nodes yang tidak memiliki perantara  dan penghubung yang kuat dalam menghubungkan pendistribusian informasi.
3. Kesimpulan berdasarkan Closeness Centrality, hasil menunjukkan ada 1 aktor (Tika) yang memiliki nilai kedekatan yang tinggi dengan aktor lainnya. Sehingga mereka memiliki kebebasan dalam berkomunikasi dengan aktor lainnya dalam jaringan.

Sekian blog kali ini, kurang lebihnya mohon maaf, semoga bermanfaat^^.