Tag: Edi Surya Negara

  • 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)