Skip to content
Kembali ke hasil pencarian

Analisis Sentralitas — Derajat, Antara, Eigenvector

Diperkenalkan oleh
Linton C. Freeman
Tahun
1979
Jenis
Descriptive / exploratory network measure family

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

Ukuran huruf

Apa fungsinya?

Analisis sentralitas adalah keluarga ukuran analitik jaringan, yang diformalkan oleh Freeman (1979), yang mengukur kepentingan struktural node individual dalam sebuah graf.

Setiap indeks sentralitas menangkap mekanisme pengaruh yang berbeda: sentralitas derajat mencerminkan konektivitas langsung, sentralitas antara mengidentifikasi node yang menjadi perantara aliran informasi, sentralitas kedekatan menangkap kedekatan dengan semua yang lain, dan sentralitas eigenvector (bersama dengan PageRank) memberi penghargaan pada koneksi ke tetangga yang sangat terhubung.

Intuisi di balik metode

Tidak setiap node dalam jaringan memiliki kepentingan yang sama. Sebuah kota yang dilalui banyak jalan lebih penting bagi lalu lintas daripada kota yang berada di ujung jalan buntu, meskipun kedua kota tersebut memiliki jumlah tautan jalan langsung yang sama. Ukuran sentralitas menerjemahkan intuisi ini ke dalam angka. Sentralitas derajat hanya menghitung berapa banyak tetangga yang dimiliki sebuah node. Sentralitas antara menghitung seberapa sering sebuah node berada di jalur terpendek antara setiap pasangan lain, mengungkapkan penjaga gerbang. Sentralitas kedekatan mengukur seberapa cepat sebuah node dapat menjangkau semua orang lain. Sentralitas eigenvector memberi bobot kontribusi setiap tetangga berdasarkan seberapa sentral tetangga tersebut, sehingga terhubung dengan node yang berpengaruh lebih penting daripada sekadar jumlah. Setiap ukuran menjawab pertanyaan yang berbeda tentang siapa atau apa yang paling penting dalam jaringan.

Sejarah

Freeman (1979) memberikan klarifikasi konseptual dasar bidang ini, menyatukan tiga ide yang sebelumnya tersebar — derajat, antara, dan kedekatan — di bawah satu kerangka teoretis untuk sentralitas jaringan sosial. Borgatti (2005) memperluas kerangka kerja dengan menghubungkan setiap jenis sentralitas dengan model aliran jaringan tertentu, memberikan ukuran dasar teoretis yang lebih jelas. Sentralitas eigenvector memiliki akar yang lebih awal dalam analisis spektral matriks dan kemudian dioperasionalkan untuk jaringan; PageRank Google (1998) adalah turunan terapan yang paling dikenal.

Kapan digunakan

Analisis sentralitas berlaku kapan pun data relasional dapat direpresentasikan sebagai graf dan pertanyaan berkaitan dengan node mana yang paling penting secara struktural. Ini digunakan dalam analisis jaringan sosial, bibliometrika, biologi, transportasi, dan penelitian sistem informasi. Tidak ada asumsi normalitas yang diperlukan, dan metode ini cocok untuk data jaringan lintas sektoral dan longitudinal. Jaringan harus terhubung, atau komponen harus dianalisis secara terpisah, sehingga ukuran berbasis jalur seperti antara dan kedekatan terdefinisi dengan baik. Diperlukan setidaknya 10 node agar skor dapat diinterpretasikan, dan setidaknya 20 agar peringkat sentralitas bermakna secara statistik. Jaringan berbobot memerlukan definisi bobot yang didasarkan pada teori sebelum sentralitas dihitung.

Batasan dan pertimbangan

  • Sentralitas antara memiliki kompleksitas komputasi O(VE), membuatnya mahal pada jaringan yang sangat besar.
  • Ukuran berbasis jalur (antara, kedekatan) tidak terdefinisi atau memerlukan perlakuan khusus dalam graf yang terputus.
  • Skor sentralitas sensitif terhadap pilihan definisi bobot edge dalam jaringan berbobot; bobot yang dipilih dengan buruk mendistorsi setiap indeks.
  • Dengan kurang dari 20 node, ukuran tersebut kekurangan kekuatan statistik dan harus diperlakukan sebagai deskripsi eksploratif daripada hasil inferensial.

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

Kelebihan

  • Setiap indeks menangkap mekanisme kepentingan struktural yang berbeda, memberikan potret multidimensional dari jaringan.
  • Tidak ada asumsi distribusi yang diperlukan; metode ini bekerja pada graf apa pun terlepas dari jenis variabelnya.
  • Sentralitas derajat dan eigenvector diskalakan secara efisien ke graf yang sangat besar; sentralitas derajat dihitung dalam O(V+E).
  • Didukung secara luas di berbagai disiplin ilmu — dari sosiologi dan biologi hingga ilmu komputer — membuat hasil dapat dikomunikasikan secara luas.

Penerapan

  • Mengidentifikasi pemimpin opini kunci dan perantara informasi dalam jaringan sosial dan organisasi.
  • Memetakan pengaruh ilmiah dengan menghitung sentralitas pada jaringan kolaborasi penulisan atau kutipan.
  • Menemukan node infrastruktur kritis dalam jaringan transportasi, jaringan listrik, dan topologi internet.
  • Memprioritaskan target vaksinasi atau pemantauan dalam jaringan epidemiologi dengan menunjukkan penyebar berantara tinggi.
  • Mendeteksi penjaga gerbang dalam jaringan rantai pasokan dan keuangan untuk menilai risiko sistemik.

Cara kerjanya

Cara kerjanya

1

Sebuah graf dirakit dari data relasional: node mewakili entitas (orang, institusi, halaman web) dan edge mewakili hubungan atau interaksi di antara mereka. Analis memutuskan apakah edge berarah atau tidak berarah dan apakah edge membawa bobot. Dalam jaringan berarah, in-degree dan out-degree dihitung secara terpisah dan diinterpretasikan secara berbeda. Validitas skor sentralitas sepenuhnya bergantung pada apakah struktur graf merupakan representasi yang setia dari hubungan dunia nyata yang sedang dipelajari.

2

Analis memilih indeks sentralitas mana — atau kombinasi indeks — yang sesuai dengan pertanyaan substantif. Sentralitas derajat sesuai ketika konektivitas mentah menjadi perhatian. Sentralitas antara dipilih ketika fokusnya adalah pada perantara dan penjaga gerbang informasi, dengan biaya upaya komputasi yang lebih tinggi (O(VE)) pada graf besar. Sentralitas kedekatan bermakna ketika jaringan terhubung atau ketika komponen dianalisis secara terpisah. Sentralitas eigenvector atau PageRank dipilih ketika prestise dan pengaruh rekursif penting. Untuk jaringan berbobot, definisi bobot harus bermakna secara teoretis sebelum indeks apa pun dihitung.

3

Setiap indeks yang dipilih dihitung di atas graf. Sentralitas derajat dinormalisasi dengan membagi derajat mentah dengan (n-1). Sentralitas antara menghitung jalur terpendek melalui setiap node dan dinormalisasi oleh jumlah total pasangan node. Sentralitas kedekatan adalah kebalikan dari jarak jalur terpendek rata-rata dari sebuah node ke semua node yang dapat dijangkau. Sentralitas eigenvector diselesaikan sebagai eigenvector utama dari matriks ketetanggaan dan memerlukan iterasi hingga konvergensi. Node diberi peringkat berdasarkan setiap skor, dan distribusi skor diperiksa untuk konsentrasi.

4

Skor dan peringkat sentralitas yang dihasilkan diinterpretasikan dalam konteks substantif studi. Node berderajat tinggi adalah hub yang terhubung dengan baik; node berantara tinggi adalah jembatan struktural atau perantara; node dengan kedekatan tinggi dapat menyebarkan informasi dengan cepat; node eigenvector tinggi tertanam dalam lingkungan yang berpengaruh. Beberapa indeks dibandingkan untuk mengungkapkan node yang berperingkat tinggi pada satu dimensi tetapi tidak pada dimensi lain, yang seringkali merupakan temuan yang paling menarik secara teoretis. Jaringan dengan kurang dari 20 node menghasilkan skor sentralitas yang secara statistik tipis dan harus diperlakukan sebagai deskriptif murni.

Kesalahan umum

  • Menerapkan antara atau kedekatan pada graf yang terputus tanpa terlebih dahulu menguraikannya menjadi komponen menghasilkan skor yang tidak terdefinisi atau menyesatkan untuk node yang terisolasi.
  • Memperlakukan kelima indeks sentralitas sebagai dapat dipertukarkan — masing-masing menjawab pertanyaan yang berbeda, dan memilih indeks yang salah untuk hipotesis substantif adalah kesalahan umum.
  • Mengabaikan arah edge dalam jaringan berarah meruntuhkan in-degree dan out-degree menjadi satu angka, kehilangan informasi tentang asimetri hubungan.
  • Menginterpretasikan skor sentralitas dalam jaringan dengan kurang dari 20 node seolah-olah mereka kuat secara statistik — di bawah ambang batas ini, skor hanya bersifat deskriptif dan tidak boleh digunakan untuk menarik kesimpulan inferensial.

Pertanyaan yang sering diajukan

Ukuran sentralitas mana yang harus saya gunakan?

Pilihannya tergantung pada pertanyaan substantif Anda. Gunakan sentralitas derajat untuk mengidentifikasi node dengan koneksi paling langsung. Gunakan sentralitas antara untuk menemukan perantara yang mengontrol aliran informasi antara bagian-bagian jaringan. Gunakan sentralitas kedekatan untuk mengidentifikasi node yang dapat menjangkau semua orang lain dengan cepat. Gunakan sentralitas eigenvector atau PageRank ketika prestise tetangga node sama pentingnya dengan jumlah mereka. Melaporkan dua atau tiga indeks komplementer dan membandingkan peringkat biasanya lebih informatif daripada mengandalkan satu ukuran.

Bisakah analisis sentralitas diterapkan pada jaringan berarah?

Ya. Dalam jaringan berarah, in-degree dan out-degree dihitung dan diinterpretasikan secara terpisah: in-degree mencerminkan seberapa sering sebuah node dipilih atau dikutip oleh orang lain, sementara out-degree mencerminkan berapa banyak orang lain yang dijangkau atau dirujuknya. Antara dan kedekatan juga memiliki varian berarah. Sentralitas eigenvector pada graf berarah biasanya menggunakan eigenvector kiri atau kanan dominan tergantung pada apakah prestise mengalir ke atau dari node.

Berapa ukuran jaringan minimum yang diperlukan untuk hasil yang bermakna?

Registri statistik menetapkan minimum 10 node untuk setiap perhitungan sentralitas, dan interpretasi statistik yang bermakna memerlukan setidaknya 20. Di bawah 20 node, peringkat sejumlah kecil node tidak dapat digeneralisasi, dan statistik jaringan deskriptif adalah pilihan yang lebih jujur.

Bagaimana cara menangani graf yang terputus?

Ukuran berbasis jalur — antara dan kedekatan — tidak terdefinisi antara node dalam komponen yang berbeda. Pendekatan standar adalah menganalisis setiap komponen terhubung secara terpisah, atau membatasi kedekatan pada node yang dapat dijangkau dan menormalisasi sesuai. Sentralitas derajat dan eigenvector tidak memerlukan konektivitas dan dapat dihitung pada seluruh graf.

Metode terkait

Sumber

  1. Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.

    Buka referensi DOI
    Disalin.
  2. Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.

    Buka referensi DOI
    Disalin.