Edi Surya Negara

Category: SNA

  • Memahami Echo Chamber: Sebuah Fenomena di Era Media Sosial

    Memahami Echo Chamber: Sebuah Fenomena di Era Media Sosial

    Echo chamber adalah sebuah metafora yang menggambarkan situasi di mana seseorang hanya terpapar pada informasi yang memperkuat pandangan atau keyakinan yang sudah ada sebelumnya. Mirip seperti suara gema di dalam ruangan kosong, informasi yang sama terus berulang dan diperkuat, sehingga individu menjadi semakin yakin dengan pandangannya dan sulit untuk menerima perspektif yang berbeda.

    Fenomena echo chamber pada media sosial disebabkan oleh beberapa faktor, antara lain: 1) Algoritma Media Sosial: Algoritma media sosial dirancang untuk menyajikan konten yang relevan dengan minat pengguna. Namun, ini bisa menyebabkan filter bubble, di mana pengguna hanya melihat konten yang sesuai dengan preferensi mereka, sehingga memperkuat pandangan yang sudah ada. 2) Kelompok Sosial Online: Kelompok-kelompok online yang homogen dalam hal pandangan politik, agama, atau minat tertentu dapat menciptakan ruang yang aman bagi anggota untuk berbagi dan memperkuat pandangan mereka, tanpa adanya tantangan atau kritik dari luar. 3) Konfirmasi Bias: Kecenderungan manusia untuk mencari informasi yang mengkonfirmasi apa yang sudah kita percaya juga berkontribusi pada terbentuknya echo chamber.

    Analisis jaringan sosial adalah metode yang sangat berguna untuk mempelajari fenomena echo chamber. Dengan menggunakan SNA, kita dapat memetakan hubungan antara individu, kelompok, atau bahkan ide dalam suatu jaringan sosial.

    Konsep Dasar dalam SNA

    • Node: Representasi dari individu, kelompok, atau entitas dalam jaringan.
    • Edge: Representasi dari hubungan antara dua node.
    • Community: Kelompok node yang saling terhubung erat.

    Penerapan SNA untuk Mempelajari Echo Chamber

    1. Identifikasi Struktur Jaringan:

      • Centralitas: Mengidentifikasi individu atau kelompok yang paling berpengaruh dalam menyebarkan informasi.
      • Density: Mengukur seberapa padat hubungan antar node dalam suatu komunitas.
      • Betweenness centrality: Mengidentifikasi node yang menjadi penghubung antara kelompok yang berbeda.

    2. Analisis Komunitas:

      • Deteksi komunitas: Mengidentifikasi kelompok-kelompok yang homogen dalam hal pandangan atau minat.
      • Analisis inter-komunitas: Menganalisis hubungan antara komunitas yang berbeda.

    3. Analisis Difusi Informasi:

      • Model SIR: Simulasi penyebaran informasi dalam jaringan untuk melihat bagaimana informasi menyebar dan mempengaruhi opini publik.

    Contoh Penerapan SNA dalam Penelitian Echo Chamber

    • Mempelajari Penyebaran Misinformasi: Dengan menggunakan SNA, kita dapat melacak bagaimana informasi palsu menyebar dalam jaringan sosial dan mengidentifikasi sumber-sumber utama penyebaran misinformasi.
    • Menganalisis Polarisasi Politik: SNA dapat digunakan untuk mengidentifikasi kelompok-kelompok politik yang terpolarisasi dan menganalisis bagaimana mereka berinteraksi satu sama lain.
    • Mempelajari Radikalisasi Online: Dengan melacak interaksi pengguna dalam forum online yang ekstrem, SNA dapat membantu kita memahami bagaimana individu menjadi radikal.

    Tantangan dalam Penerapan SNA

    • Kualitas Data: Kualitas data yang digunakan dalam analisis jaringan sangat penting. Data yang tidak lengkap atau bias dapat menghasilkan hasil yang tidak akurat.
    • Kompleksitas Jaringan: Jaringan sosial yang sangat besar dan kompleks dapat sulit untuk dianalisis.
    • Etika Penelitian: Penelitian yang melibatkan analisis data sosial media harus memperhatikan aspek etika, seperti privasi dan persetujuan pengguna.

    Alat dan Software untuk SNA

    • Gephi: Perangkat lunak open-source yang populer untuk visualisasi dan analisis jaringan.
    • NetworkX: Pustaka Python untuk menciptakan, memanipulasi, dan menganalisis struktur jaringan.
    • R: Bahasa pemrograman dengan berbagai paket untuk analisis jaringan sosial, seperti igraph dan sna.

    Analisis jaringan sosial merupakan alat yang sangat berharga untuk memahami fenomena echo chamber. Dengan menggunakan SNA, kita dapat mengidentifikasi struktur jaringan sosial, menganalisis difusi informasi, dan mengukur tingkat polarisasi dalam masyarakat. Namun, perlu diingat bahwa SNA hanya merupakan salah satu alat dalam kotak peralatan peneliti. Untuk mendapatkan pemahaman yang lebih komprehensif tentang echo chamber, perlu dikombinasikan dengan metode penelitian lainnya, seperti survei dan wawancara.

  • Konsep Distinctiveness Centrality (DC) Pada Analisis Jaringan Sosial

    Konsep Distinctiveness Centrality (DC) Pada Analisis Jaringan Sosial

    Distinctiveness Centrality (DC) adalah sebuah pendekatan dalam melakukan analisis jaringan sosial dengan memanfaatkan konsep Term Frequency-Inverse Document Frequency (TF-IDF) dari text mining untuk menganalisis jaringan. DC menekankan peran hubungan langsung antara node dalam jaringan, terutama yang terjadi dengan node yang memiliki sedikit koneksi (loosely connected nodes). Node-node ini seringkali dianggap kurang signifikan dalam analisis jaringan tradisional, tetapi DC mengungkapkan bahwa mereka dapat memainkan peran penting sebagai penghubung antara inti jaringan dan pinggirannya.

    DC dirancang untuk memperkaya pemahaman tentang posisi suatu entitas dalam jaringan dengan memberikan bobot lebih besar pada koneksi dengan node yang memiliki derajat rendah. Metrik ini relevan untuk analisis jaringan yang memerlukan perhatian khusus pada koneksi yang tidak dominan tetapi penting secara struktural.

    Dalam implamentasinya DC banyak dimanfaatkan dalam beberapa studi kasus antara lain:

    1. Analisis Semantic Networks
      DC telah digunakan dalam Semantic Brand Score (SBS), sebuah pendekatan untuk mengukur persepsi merek melalui analisis jaringan kata. Dalam jaringan ini, node merepresentasikan kata, dan hubungan antar kata dihitung berdasarkan kemunculannya dalam konteks tertentu. DC membantu mengidentifikasi kata yang penting dalam membentuk persepsi merek dengan menyoroti hubungan dengan kata-kata yang kurang sering muncul, tetapi signifikan secara konteks.
      Studi Kasus:
      Dalam analisis merek sebuah perusahaan teknologi, DC digunakan untuk menyoroti kata kunci seperti “inovasi” dan “keberlanjutan” yang jarang dikaitkan langsung dengan merek tetapi muncul dalam diskusi terkait produk unggulan mereka. Dengan menggunakan D1, kata-kata ini diberi bobot lebih tinggi dibandingkan kata umum seperti “produk” atau “kualitas.”
    2. Analisis Harga di Pasar SPBU
      DC diterapkan untuk menganalisis jaringan urban, khususnya jaringan harga SPBU di Italia. Dalam studi ini, node merepresentasikan SPBU, dan hubungan antar node dihitung berdasarkan pola kesamaan harga. DC membantu mengidentifikasi SPBU yang berfungsi sebagai referensi harga untuk wilayah tertentu, meskipun volume transaksi mereka rendah.
      Hasil:
      SPBU di daerah terpencil ternyata memiliki pengaruh signifikan terhadap fluktuasi harga di daerah urban sekitarnya, menunjukkan peran mereka sebagai penghubung ekonomi.
    3. Pemetaan Interdependensi Teknologi
      DC digunakan untuk memetakan hubungan antar teknologi dalam jaringan inovasi. Node merepresentasikan teknologi tertentu, sementara hubungan menunjukkan tingkat interdependensi antara teknologi tersebut. DC membantu mengidentifikasi teknologi yang berfungsi sebagai “jembatan” antara kelompok teknologi besar.
      Studi Kasus:
      Dalam industri energi, DC mengungkapkan bahwa teknologi baterai memainkan peran penghubung penting antara sektor energi terbarukan dan sektor otomotif. Teknologi ini memiliki sedikit paten dibandingkan teknologi lainnya, tetapi koneksinya strategis dalam ekosistem inovasi.
    4. Jaringan Media Sosial
      DC dapat digunakan untuk mengidentifikasi pengguna media sosial yang meskipun jarang memposting, memiliki hubungan strategis dalam mempengaruhi jaringan yang lebih besar. Dalam studi pemasaran media sosial, pengguna ini sering menjadi influencer tak terlihat yang dapat meningkatkan atau menurunkan persepsi merek.
      Hasil:
      Dalam kampanye media sosial, DC membantu menemukan bahwa pengguna dengan koneksi ke komunitas niche memiliki dampak lebih besar dalam mempromosikan produk dibandingkan dengan selebriti dengan pengikut yang lebih banyak.

    Distinctiveness Centrality memberikan pandangan baru dalam analisis jaringan sosial dengan menyoroti koneksi yang tidak dominan tetapi strategis. Dengan fleksibilitas parameter α\alphaα dan penerapan dalam berbagai jaringan (berbobot atau tidak berbobot), DC menjadi alat yang sangat berguna untuk mengungkap pola jaringan yang tidak terlihat melalui metrik tradisional seperti degree, betweenness, atau closeness centrality. Pemanfaatan DC dalam analisis jaringan semantik, urban, teknologi, dan media sosial menunjukkan potensi besarnya untuk memberikan wawasan strategis.

  • Academic Social Network

    Academic Social Network

    Salah satu metode analisis jaringan sosial yang populer digunakan adalah deteksi komunitas. Implementasi deteksi komunitas dapat diterapkan pada academic social network (ASN). Dalam ASN, Deteksi komunitas dapat digunakan untuk mendeteksi komunitas peneliti berdasarkan area penelitian, bidang ilmu, kolaborasi peneliti, dan hubungan penulisan pada artikel yang telah dipublikasi. Jaringan peneliti dapat dimodelkan dengan menggunakan hubungan jaringan melalui hubungan interkoneksi dan hubungan interaksi yang terjadi yaitu (G = V; E). Setiap peneliti dinotasikan sebagai sebuah simpul (V) pada jaringan, dan hubungan antara peneliti secara interkoneksi atau interaksi dinotasikan sebagai sisi (E), sehingga ASN dapat dipelajari struktur dan sifatnya melalui beberapa metode dan teknik analisis jaringan dan graf.

    Pemanfaat ASN di Indonesia dapat memberikan kontribusi bagi pemerintah khususnya bagi peneliti dalam meningkatkan kualitas dan kuantitas dalam penelitian dan menghasilkan publikasi yang berdaya saing internasional, karena salah satu indikator kemajuan ilmu pengetahuan dan teknologi dari suatu negara adalah jumlah hasil penelitian yang dipublikasi dan dimanfaatkan untuk kemajuan bangsa. Social network analysis dengan menggunakan metode deteksi komunitas dapat dimanfaatkan untuk mengetahui struktu jaringan peneliti yang ada di Indonesia dan melihat peta kekuatan penelitian di Indonesia melalui artikel yang telah dipublikasi. Pemetaan didasarkan pada area topik penelitian, profil peneliti, universitas/fakultas, dan kolaborasi antara peneliti.

    Pertumbuhan situs ASN yang sangat pesat berkontribusi terhadap pertumbuhan data yang dapat dimanfaatkan untuk melakukan analisis ASN. Fenomena pembetukan komunitas pada ASN cenderung lebih stabil jika dibandingkan dengan jaringan sosial lainnya seperti: facebook, twitter, dan myspace, oleh sebab itu data ASN lebih representatif jika digunakan untuk keperluan analisis ASN. Dalam ASN, komunitas terbentuk melalui dua cara yaitu:

    • Pada ASN hubungan interkoneksi merupakan hubungan peneliti yang terbentuk melalui kesamaan bidang ilmu (discipline) antara peneliti. Interkoneksi merupakan pengakuan masing-masing peneliti (self claim) yang dimuat pada profil publik di situs ASN. Fenomena pembentukan komunitas berdasarkan kesamaan bidang ilmu (discipline) ini selanjutnya disebut sebagai komunitas stabil.
    • Pada ASN proses interaksi merupakan hubungan peneliti yang terbentuk melalui interaksi ilmiah dalam penulisan artikel secara bersama-sama (publication) yang terjadi antara peneliti yang dipublikasi pada ASN. Fenomena pembentukan komunitas berdasarkan interaksi publikasi ini selanjutnya disebut disebut sebagai komunitas dinamis.

    Hubungan interkoneksi dan interaksi pada ASN dapat dilihat pada situs Researchgate [www.researchgate.net] (RG) dan Academia.edu [www.academia.edu] (Academia). ASN digunakan oleh peneliti untuk berkomunikasi, berkolaborasi dan berbagi artikel terkait dengan berbagai topik penelitian dan bidang ilmu yang telah dipublikasi baik secara nasional atau internasional. Hubungan interkoneksi antara peneliti dapat terbentuk melalui hubungan berdasarkan disiplin ilmu, bidang kepakaran, institusi/universitas yang sama antara peneliti, sedangkan hubungan interaksi dapat terbentuk melalui hubungan penulisan artikel bersama (authorship), hubungan kutipan pada artikel (citation), transaksi informasi melalui berbagi artikel dan hubungan kolaborasi.

    Dalam kasus ASN, terbentuknya komunitas peneliti berdasarkan disiplin ilmu yang sama dan bidang kepakaran diduga berasal dari proses dinamika yang terjadi pada hubungan interaksi pada publikasi, yaitu penulisan artikel secara bersamasama Dari fenomena ini menunjukkan bahwa komunitas stabil terbentuk melalui proses dinamika yang terjadi pada komunitas dinamis, tetapi masih diperlukan pembuktian secara empiris terhadap fenomena ini. Dalam membuktikan fonomena ini, data RG merupakan data yang representatif untuk digunakan dalam membuktikan dan mendeteksi komunitas pada ASN jika dibandingkan dengan Academia, karena data RG memiliki kelengkapan fitur dan karakteristik yang lebih cocok untuk mereprestasikan hubungan interkoneksi dan interaksi peneliti dibandingkan dengan Academia. Selain itu, RG membuka ruang untuk dapat mengakses dan menarik data yang lebih terbuka dibandingkan dengan Academia.

     

    Oleh:

    Edi Surya Negara

    Dosen Universitas Bina Darma

  • Community Detection Pada Jaringan Sosial

    Community Detection Pada Jaringan Sosial

    Analisis jaringan merupakan bidang penelitian yang terus diteliti secara intensif. Analisis jaringan menyelidiki karakteristik struktural jaringan, model pembentukan jaringan, dan lain-lain. Dalam jaringan sosial terdapat kelompok elemen yang dapat diamati dengan relasi tertentu yang disebut komunitas. Deteksi komunitas (community detection) adalah metode yang dapat digunakan untuk mengalisis komunitas dengan tujuan untuk mengekstrak berbagai informasi komunitas dengan beberapa teknik analisis.

    Deteksi komunitas merupakan metode yang digunakan untuk menganalisis jaringan yang kompleks yang memungkinkan studi tentang struktur mesoscopic yang sering dikaitkan dengan karakteristik organisasi dan fungsional dari jaringan yang mendasarinya. Deteksi komunitas bertujuan untuk menemukan kelompok (cluster) sebagai subgraph di dalam jaringan. Deteksi komunitas merupakan kunci yang dapat digunakan untuk memahami struktur dan sifat jaringan yang kompleks dan juga dapat digunakan sebagai alat untuk menggali informasi yang berguna dari jaringan tersebut.

    Dalam level group analysis, secara informal komunitas adalah sebuah kelompok yang memiliki kedekatan interkoneksi dan intensitas interaksi yang tinggi dalam sebuah jaringan. Mendeteksi komunitas pada jaringan sosial merupakan permasalahan yang kompleks, karena adanya berbagai definisi tentang komunitas dan algoritma deteksi komunitas yang berbeda untuk mendeteksinya. Perbedaan definisi komunitas secara struktur dan sifat menjadi tantangan tersendiri untuk mampu mendeteksi hubungan antara simpul, sisi dalam jaringan non-overlapping dan overlapping pada jejaring sosial.

     

    Oleh: Edi Surya Negara
    (Dosen Universitas Bina Darma)

  • Network Data

    Network Data

    Pemanfaatan teknologi informasi dan komunikasi (TIK) selalu disertai dengan produksi data digital yang dihasilkan dari user generated content, mobile sensor, penginderaan jarak jauh, video surveilance dan semakin meluasnya penggunaan TIK oleh individu maupun organisasi menjadikan data digital tumbuh sangat pesat. Tidak hanya volume data digital yang bertambah secara eksponensial, tetapi juga strukturnya yang mengalami pergeseran. Pertumbuhan data yang sangat pesat atau sering disebut dengan big data. Perkembangan dan pertumbuhan data ini menghasilkan dataset dalam dunia nyata yang memiliki struktur dan fungsi yang hubungannya dapat direpresentasikan dengan simpul dan sisi, dimana hubungan tersebut dapat dimodelkan dengan jaringan dengan menggunakan fungsi teori graf.

    Dataset jaringan yang dihasilkan dari dunia nyata dapat dibagi menjadi empat kategori yaitu: jaringan sosial, jaringan informasi, jaringan teknologi, dan jaringan biologis.

    Jaringan sosial adalah hubungan sosial antara individu atau kelompok yang berinteraksi satu sama lain. Hubungan ini dapat berupa hubungan antara individu dengan individu, individu dengan kelompok atau kelompok dengan kelompok.

    Jaringan informasi merupakan jaringan antara entitas yang memiliki informasi seperti, world wide web (www), jaringan penulis, dan jaringan kutipan.

    Jaringan teknologi mengacu kepada jaringan teknologi buatan manusia seperti jaringan internet, jaringan listrik, jaringan jalan, jaringan kereta api, dan jaringan rute pesewat.

    Jaringan biologis merupakan sistem biologi seperti jaringan saraf, jalur metabolik, jaringan makanan, jaringan pembuluh darah dan hubungan interaksi antara protein.

     

    Oleh: Edi Surya Negara
    (Dosen Universitas Bina Darma)

  • Analisis Jaringan Sosial

    Analisis Jaringan Sosial

    Analisis jaringan sosial telah banyak dilakukan untuk memahami sifat, struktur, dan pola pada jaringan sosial. Salah satu sifat dan struktur jaringan sosial yang banyak dipelajari adalah komunitas. Analisis jaringan sosial untuk mendeteksi komunitas pada jaringan sosial merupakan permasalahan yang kompleks, hal ini disebabkan oleh perbedaan definisi tentang komunitas dan kompleksitas jaringan sosial.

    Analisis jaringan merupakan bidang penelitian yang terus berkembang. Analisis jaringan menyelidiki karakteristik struktural jaringan, model pembentukan jaringan, dan lain-lain. Dalam jaringan sosial terdapat kelompok elemen yang dapat diamati dengan relasi tertentu yang disebut komunitas. Deteksi komunitas (community detection) adalah metode yang dapat digunakan untuk mengalisis komunitas dengan tujuan untuk mengekstrak berbagai informasi komunitas dengan beberapa teknik analisis.

    Community detection Analisis jaringan sosial juga dapat dilakukan untuk pemetaan dan pengukuran hubungan diantara individu, kelompok, dan organisasi seperti: menganalisis dan mempelajari kolaborasi antara mahasiswa dan pembimbing pada publikasi, penyebarluasan publikasi, komunikasi antara akademisi atau peneliti serta mengukur aliran beasiswa, menganalisis berbagai macam kasus sosial masyarakat seperti: kelompok teroris, organisasi kejahatan, dan kelompok narkotika dan lain-lain. Beberapa teknik atau metode yang dapat digunakan untuk menganalisis jaringan sosial adalah network distribution, network segmentation, link prediction, community detection dan lain-lain.

    Oleh: Edi Surya Negara
    (Dosen Universitas Bina Darma)