Skip to content
Kembali ke hasil pencarian

Analisis Jaringan Bipartit — Jaringan Dua-Modus

Diperkenalkan oleh
Borgatti & Everett (1997) formalised the two-mode network framework
Tahun
1997
Jenis
Graph-structural / relational analysis

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis jaringan bipartit, yang diformalkan oleh Borgatti dan Everett pada tahun 1997, adalah metode struktural graf untuk mempelajari jaringan di mana simpul dibagi menjadi dua himpunan yang terpisah — aktor dan peristiwa — dan tepi hanya ada di antara himpunan, tidak pernah di dalamnya.

Ini adalah kerangka kerja alami untuk data penulis–makalah, pasien–penyakit, pengguna–produk, atau data afiliasi lainnya, dan memperluas analisis jaringan satu-modus dengan menyediakan metrik dan teknik proyeksi yang disesuaikan dengan struktur dua-modus.

Intuisi di balik metode

Bayangkan sebuah spreadsheet di mana baris adalah orang dan kolom adalah klub yang mereka ikuti. Sebuah sel ditandai jika orang A tergabung dalam klub B. Alat jaringan standar mengharapkan semua orang terhubung langsung satu sama lain, tetapi di sini orang hanya terhubung ke klub, bukan ke orang lain. Analisis jaringan bipartit membaca struktur dua sisi ini sebagaimana adanya — mengukur seberapa sentral setiap orang atau klub dalam pola afiliasi keseluruhan — dan kemudian dapat melipatnya menjadi jaringan yang hanya berisi orang di mana dua orang dihubungkan jika mereka berbagi setidaknya satu klub, memberikan gambaran yang lebih kaya daripada sekadar mengabaikan sifat dua-modus dari data tersebut.

Sejarah

Perlakuan formal data jaringan dua-modus didirikan oleh Borgatti dan Everett dalam makalah Social Networks mereka tahun 1997, yang memperluas metrik graf standar ke kasus bipartit dan memperkenalkan kerangka kerja proyeksi. Guillaume dan Latapy (2006) kemudian menunjukkan bahwa banyak jaringan kompleks empiris — dari Internet hingga sistem biologis — menunjukkan substruktur bipartit, memperkuat generalitas pendekatan tersebut. Metode ini sejak itu menjadi standar dalam bibliometrik, penelitian sistem rekomendasi, dan ilmu sosial komputasional.

Kapan digunakan

Gunakan analisis jaringan bipartit kapan pun data relasional Anda secara alami terbagi menjadi dua jenis simpul yang terpisah — aktor dan peristiwa, pengguna dan item, pasien dan diagnosis — dan Anda ingin mempelajari sifat struktural dari pola afiliasi tersebut. Metode ini berlaku untuk tujuan eksplorasi, relasional, dan klasifikasi serta menangani bobot tepi biner, kontinu, atau kategorikal. Minimal 20 simpul total direkomendasikan untuk metrik struktural yang bermakna. Asumsi inti adalah ketat: tepi hanya ada di antara dua himpunan simpul, tidak pernah di dalam satu himpunan. Jika partisi tersebut tidak ada dalam data Anda, analisis jaringan satu-modus standar lebih tepat.

Batasan dan pertimbangan

  • Proyeksi ke jaringan satu-modus kehilangan informasi: dua aktor dapat berbagi bobot tepi proyeksi yang sama meskipun pola ko-partisipasi yang sangat berbeda.
  • Metrik sentralitas standar yang dirancang untuk graf satu-modus harus diadaptasi atau ditafsirkan ulang; penerapan naif menghasilkan peringkat yang menyesatkan.
  • Graf bipartit yang sangat jarang (sedikit koneksi per simpul) menghasilkan estimasi sentralitas yang tidak dapat diandalkan.
  • Metode ini menggambarkan struktur tetapi tidak memodelkan mekanisme kausal; menyimpulkan mengapa aktor berafiliasi memerlukan metode pelengkap.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menghormati struktur dua sisi inheren dari data afiliasi daripada memaksanya ke dalam representasi satu-modus yang menghilangkan informasi.
  • Proyeksi ke jaringan satu-modus memungkinkan analisis hilir dengan perangkat lengkap metode jaringan standar.
  • Dapat diterapkan di berbagai domain — bibliometrik, sistem rekomendasi, epidemiologi, ekologi, dan ritel — di mana pun data aktor–peristiwa muncul.
  • Perbandingan statistik terhadap model nol BiRG memungkinkan pengujian signifikansi pola struktural yang diamati.

Penerapan

  • Bibliometrik: memetakan jaringan afiliasi penulis–makalah untuk mengidentifikasi peneliti berpengaruh dan komunitas kolaboratif.
  • Sistem rekomendasi: menganalisis graf interaksi pengguna–item untuk menampilkan pola pembelian bersama atau penayangan bersama.
  • Epidemiologi: mempelajari jaringan pasien–penyakit atau inang–patogen untuk mendeteksi kluster komorbiditas.
  • Ekologi: memodelkan jejaring makanan bipartit tumbuhan–penyerbuk atau mangsa–pemangsa.
  • Riset organisasi: memeriksa jaringan karyawan–proyek atau anggota dewan–perusahaan untuk mempelajari berbagi sumber daya dan perantara.

Cara kerjanya

Cara kerjanya

1

Data afiliasi mentah disusun menjadi graf bipartit B dengan dua partisi simpul yang terpisah — secara konvensional disebut himpunan atas (aktor) dan himpunan bawah (peristiwa) — dan tepi ditarik hanya melintasi batas partisi. Masukan biasanya berupa matriks insidensi atau daftar tepi dua kolom; tidak ada tepi yang diizinkan dalam satu partisi, yang merupakan batasan struktural yang mendefinisikan graf bipartit.

2

Sebelum menghitung metrik, sifat dua-modus diverifikasi: setiap simpul harus termasuk dalam tepat satu partisi dan tidak boleh ada tepi dalam partisi. Model nol graf acak bipartit — Graf Acak Bipartit (BiRG), yang mempertahankan urutan derajat — dapat dihasilkan pada tahap ini untuk berfungsi sebagai dasar statistik untuk perbandingan selanjutnya.

3

Metrik sentralitas dan pengelompokan yang diadaptasi untuk struktur bipartit dihitung pada graf dua-modus penuh. Antara (betweenness) atau kedekatan (closeness) satu-modus standar dapat dihitung tetapi harus ditafsirkan dengan kesadaran bahwa jalur selalu bergantian antara partisi. Koefisien pengelompokan khusus bipartit (seperti koefisien redundansi) lebih disukai karena menghormati batasan struktural bahwa aktor tidak pernah terhubung langsung satu sama lain.

4

Graf dua-modus secara opsional diruntuhkan menjadi satu atau kedua proyeksi satu-modus. Dalam proyeksi aktor, dua aktor terhubung jika mereka berbagi setidaknya satu peristiwa; bobot tepi biasanya mengkodekan jumlah peristiwa bersama atau skor ko-partisipasi berbobot. Proyeksi menghilangkan informasi, sehingga proyeksi berbobot dan perbandingan terhadap model nol BiRG direkomendasikan untuk menilai ko-partisipasi mana yang secara statistik tidak terduga.

5

Peringkat sentralitas, koefisien pengelompokan, dan struktur proyeksi ditafsirkan dalam istilah domain — misalnya, mengidentifikasi penulis paling berpengaruh dalam jaringan kolaborasi penulis, acara paling banyak dihadiri dalam jaringan aktor–peristiwa, atau pasangan pembelian bersama terkuat dalam jaringan ritel. Temuan harus dibandingkan dengan model nol untuk membedakan pola struktural yang bermakna dari fluktuasi acak.

Kesalahan umum

  • Memperlakukan graf bipartit sebagai graf satu-modus dengan mengabaikan keanggotaan partisi — ini melanggar asumsi struktural dan menghasilkan metrik yang tidak masuk akal.
  • Menggunakan proyeksi tanpa bobot ketika peristiwa sangat berbeda dalam ukuran kehadiran — ko-partisipasi dalam lokakarya dua orang seharusnya tidak memiliki bobot yang sama dengan kehadiran bersama di konferensi seribu orang; gunakan proyeksi berbobot sebagai gantinya.
  • Menerapkan koefisien pengelompokan satu-modus tanpa penyesuaian — karena aktor tidak pernah berbagi tepi langsung, koefisien pengelompokan naif runtuh menjadi nol; gunakan ukuran pengelompokan yang sesuai dengan bipartit.
  • Melewatkan perbandingan model nol — tanpa dasar BiRG, tidak mungkin untuk menilai apakah jumlah ko-partisipasi yang diamati bermakna secara struktural atau hanya produk dari derajat tinggi.

Pertanyaan yang sering diajukan

Bagaimana jaringan bipartit berbeda dari jaringan biasa (satu-modus)?

Dalam jaringan biasa, semua simpul berpotensi terhubung ke simpul lain mana pun. Dalam jaringan bipartit, simpul dibagi menjadi dua himpunan yang terpisah — aktor dan peristiwa — dan tepi hanya diizinkan melintasi batas partisi. Batasan ini mencerminkan struktur alami data afiliasi, di mana orang bergabung dengan kelompok tetapi kelompok tidak bergabung langsung dengan kelompok lain.

Apa yang dilakukan proyeksi dan kapan saya harus menggunakannya?

Proyeksi melipat graf dua-modus menjadi graf satu-modus dengan menghubungkan aktor yang berbagi setidaknya satu peristiwa (atau peristiwa yang berbagi setidaknya satu aktor). Ini berguna ketika Anda ingin menerapkan metrik satu-modus standar, tetapi ini menghilangkan informasi. Selalu gunakan proyeksi berbobot dan bandingkan dengan model nol untuk membedakan ko-partisipasi yang bermakna dari tumpang tindih acak yang didorong oleh derajat tinggi.

Bisakah saya menggunakan ukuran sentralitas standar pada graf bipartit?

Ukuran standar seperti derajat, antara (betweenness), dan kedekatan (closeness) dapat dihitung, tetapi harus ditafsirkan dengan hati-hati karena semua jalur bergantian antara partisi. Versi koefisien pengelompokan yang diadaptasi bipartit sangat disukai daripada rekan satu-modusnya, yang runtuh menjadi nol berdasarkan konstruksi dalam graf bipartit.

Berapa ukuran data minimum yang dibutuhkan?

Minimal 20 simpul total di kedua partisi direkomendasikan agar metrik struktural bermakna. Graf bipartit yang sangat kecil menghasilkan estimasi sentralitas yang sangat tidak stabil. Jika jaringan Anda lebih kecil, ringkasan deskriptif tentang derajat dan jumlah ko-partisipasi lebih informatif daripada metrik struktural global.

Metode terkait

Sumber

  1. Borgatti, S.P. & Everett, M.G. (1997). Network Analysis of 2-Mode Data. Social Networks, 19(3), 243-269.

    Buka referensi publikasi
    Disalin.
  2. Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.

    Buka referensi publikasi
    Disalin.