Sentralitas Kedekatan
- Diperkenalkan oleh
- Bavelas, A.; formalized by Freeman, L. C.
- Tahun
- 1950 (formalized 1979)
- Jenis
- Node-level centrality index
- Keluarga
- Network science
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Sentralitas kedekatan mengukur seberapa cepat sebuah simpul dapat mencapai semua simpul lain dalam sebuah jaringan dengan menghitung kebalikan dari jarak jalur terpendek rata-ratanya ke setiap simpul lain.
Pertama kali dijelaskan oleh Bavelas (1950) dan disatukan secara formal oleh Freeman (1979), sentralitas ini mengidentifikasi simpul yang dapat menyebarkan informasi atau sumber daya secara efisien ke seluruh graf — bukan sekadar simpul dengan banyak kontak langsung.
Intuisi di balik metode
Bayangkan menjatuhkan pesan di sebuah simpul dan mengamati seberapa cepat pesan itu mencapai setiap sudut jaringan. Sebuah simpul dengan kedekatan tinggi berada di dekat pusat jejaring koneksi: ia membutuhkan lebih sedikit lompatan rata-rata untuk mencapai siapa pun. Sebuah simpul periferal, bahkan yang memiliki banyak tetangga, mungkin masih jauh dari sebagian besar jaringan. Kedekatan menangkap gagasan geografi-jaringan ini: jarak rata-rata yang pendek berarti kedekatan yang tinggi, dan kedekatan yang tinggi berarti penyiaran yang efisien atau akses cepat ke informasi yang mengalir melintasi graf.
Sejarah
Alex Bavelas memperkenalkan konsep sentralitas komunikasi berdasarkan jalur terpendek pada tahun 1950 saat mempelajari efisiensi pemecahan masalah kelompok di MIT. Makalah landmark Linton Freeman tahun 1979 di Social Networks memformalkan sentralitas kedekatan bersama dengan derajat dan antara (betweenness) sebagai salah satu dari tiga ukuran sentralitas kanonik tingkat simpul, menyediakan kerangka kerja matematis terpadu yang menjadi dasar analisis jaringan sosial modern.
Kapan digunakan
Gunakan sentralitas kedekatan ketika Anda ingin mengidentifikasi simpul yang paling efisien dalam menyiarkan informasi, memobilisasi sumber daya, atau mengakses sisa jaringan dengan perantara minimal — misalnya, menemukan benih difusi optimal, komunikator berpengaruh, atau pusat transit. Ini sesuai untuk graf yang terhubung atau hampir terhubung dari ukuran berapa pun. Jangan gunakan sebagai ukuran sentralitas utama ketika jaringan sangat terfragmentasi (banyak komponen yang terputus), karena skor kedekatan mentah menjadi mendekati nol dan tidak berarti; terapkan normalisasi Wasserman-Faust atau analisis komponen secara terpisah. Hindari mengacaukan kedekatan dengan derajat: sebuah simpul dapat memiliki banyak ikatan langsung namun tetap periferal dalam jangkauan global.
Batasan dan pertimbangan
- Sensitif terhadap konektivitas graf: dalam jaringan yang terputus, ukuran mentah runtuh dan memerlukan penyesuaian normalisasi.
- Memperlakukan semua jalur terpendek sebagai sama pentingnya; tidak memperhitungkan volume lalu lintas atau probabilitas bahwa jalur tertentu benar-benar digunakan.
- Mahal secara komputasi pada graf yang sangat besar (jutaan simpul) karena komputasi jalur terpendek semua pasangan (all-pairs shortest-path) memiliki skala yang buruk tanpa algoritma perkiraan.
- Tidak membedakan antara simpul yang dekat dengan banyak ikatan lemah versus simpul yang dekat dengan beberapa ikatan kuat yang penting secara strategis.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangkap jangkauan global daripada hanya konektivitas lokal, menjadikannya ideal untuk mempelajari aliran dan difusi informasi.
- Skor yang dinormalisasi (0 hingga 1) memungkinkan perbandingan antar jaringan dengan ukuran berbeda.
- Dasar teori yang mapan dengan validasi puluhan tahun dalam sosiologi, epidemiologi, dan ilmu komputer.
- Melengkapi sentralitas derajat dan antara (betweenness) untuk memberikan gambaran peran simpul yang lebih kaya.
- Dapat dihitung secara efisien dengan BFS (tidak berbobot) atau Dijkstra (berbobot) untuk sebagian besar jaringan empiris.
Penerapan
- Mengidentifikasi broker informasi kunci atau pemimpin opini dalam jaringan organisasi dan sosial.
- Memilih simpul benih optimal untuk memaksimalkan kecepatan difusi informasi atau penyakit.
- Memberi peringkat stasiun transit atau persimpangan jalan berdasarkan aksesibilitas keseluruhan mereka dalam jaringan transportasi.
- Menemukan protein atau gen berpengaruh dalam jaringan interaksi biologis.
- Mendeteksi pengadopsi awal yang berpengaruh dalam studi difusi teknologi.
- Memprioritaskan target intervensi dalam jaringan kontak kesehatan masyarakat untuk memperlambat penyebaran epidemi.
Cara kerjanya
Cara kerjanya
Representasikan jaringan sebagai graf di mana simpul adalah aktor (orang, organisasi, halaman web, gen, dll.) dan tepi mengkodekan hubungan atau interaksi. Graf dapat tidak berarah atau berarah; tepi dapat tidak berbobot (setiap lompatan berharga 1) atau berbobot (biaya sama dengan bobot tepi, diinterpretasikan sebagai jarak atau kekuatan terbalik).
Untuk setiap simpul v, hitung jarak jalur terpendek d(u, v) ke setiap simpul lain yang dapat dijangkau u menggunakan Pencarian Lebar Pertama (Breadth-First Search) untuk graf tidak berbobot atau algoritma Dijkstra untuk graf berbobot. Untuk graf berarah, hanya jalur yang mengikuti arah tepi yang valid, sehingga kedekatan masuk (in-closeness) dan kedekatan keluar (out-closeness) dapat berbeda.
Rumus
d(u,v) = \text{shortest path length between nodes } u \text{ and } vJumlahkan semua jarak jalur terpendek dari v ke setiap simpul lain untuk mendapatkan 'farness' v. Farness yang kecil berarti v rata-rata dekat dengan sisa jaringan; farness yang besar menunjukkan periferalitas.
Rumus
\text{farness}(v) = \sum_{u \neq v} d(u, v)Ambil kebalikan dari jarak jalur terpendek rata-rata: C(v) = (n-1) / jumlah d(u,v). Mengalikan dengan (n-1) memberikan skor yang dinormalisasi dalam (0, 1] sehingga simpul dalam jaringan dengan ukuran berbeda dapat dibandingkan. Nilai yang lebih tinggi menunjukkan posisi yang lebih sentral dan dapat dijangkau.
Rumus
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}Dalam graf yang terputus, sebuah simpul tidak dapat mencapai semua simpul lain, sehingga kedekatan mentah adalah nol atau tidak terdefinisi untuk pasangan yang tidak dapat dijangkau. Normalisasi Wasserman-Faust memperluas kedekatan ke graf yang terputus dengan menjumlahkan hanya pada simpul yang dapat dijangkau dan menskalakan ulang berdasarkan fraksi graf yang dapat dijangkau, mencegah skor mendekati nol yang salah untuk komponen yang terisolasi.
Kesalahan umum
- Melaporkan kedekatan mentah pada jaringan dengan komponen yang terputus tanpa menerapkan normalisasi Wasserman-Faust, menghasilkan skor mendekati nol yang menyesatkan.
- Memperlakukan sentralitas kedekatan dan derajat sebagai dapat dipertukarkan — derajat tinggi tidak menyiratkan kedekatan tinggi, dan sebaliknya.
- Mengabaikan apakah tepi berarah: dalam jaringan berarah, kedekatan harus dihitung secara terpisah untuk arah masuk dan keluar.
- Menerapkan kedekatan tidak berbobot ke jaringan berbobot di mana bobot tepi mengkodekan jarak yang bermakna, kehilangan informasi tentang kekuatan hubungan.
- Membandingkan skor kedekatan mentah (tidak dinormalisasi) antar jaringan dengan ukuran berbeda tanpa mengontrol n.
Pertanyaan yang sering diajukan
Bagaimana kedekatan berbeda dari sentralitas derajat?
Sentralitas derajat hanya menghitung tetangga langsung, sehingga sebuah simpul dapat mendapat skor tinggi jika memiliki banyak koneksi meskipun koneksi tersebut semuanya terkonsentrasi di satu sudut jaringan. Kedekatan mempertimbangkan jalur terpendek ke setiap simpul dalam graf, sehingga menghargai jangkauan global. Sebuah hub kluster periferal mungkin memiliki derajat tinggi tetapi kedekatan rendah.
Apa yang harus saya lakukan ketika jaringan saya memiliki komponen yang terputus?
Terapkan normalisasi harmonik atau yang disesuaikan jangkauannya oleh Wasserman-Faust (1994), yang menjumlahkan hanya pasangan yang dapat dijangkau dan menskalakan ulang berdasarkan proporsi jaringan yang dapat dijangkau. Alternatifnya, analisis komponen terhubung terbesar secara terpisah, atau gunakan sentralitas harmonik (jumlah kebalikan jarak), yang secara alami menangani pasangan yang tidak dapat dijangkau dengan memberikan kontribusi nol.
Apakah kedekatan berfungsi pada jaringan berbobot?
Ya. Ganti BFS dengan algoritma Dijkstra menggunakan bobot tepi sebagai jarak (atau kebalikan dari bobot kekuatan/kesamaan jika bobot yang lebih tinggi berarti lebih dekat). Kedekatan berbobot yang dihasilkan mencerminkan topologi dan kualitas koneksi.
Bagaimana cara menafsirkan skor kedekatan yang dinormalisasi?
Skor yang mendekati 1 berarti simpul dapat mencapai setiap simpul lain dalam rata-rata sekitar satu lompatan — ia berada di pusat jaringan. Skor mendekati 0 berarti simpul sangat periferal. Skor di atas sekitar 0,6 biasanya menunjukkan posisi yang benar-benar sentral dalam sebagian besar jaringan empiris.
Apakah kedekatan sesuai untuk jaringan berarah?
Ya, tetapi hitung secara terpisah di setiap arah. Kedekatan masuk (in-closeness) mengukur seberapa mudah orang lain dapat mencapai simpul fokus (berguna untuk mempelajari prestise atau penerimaan simpul), sementara kedekatan keluar (out-closeness) mengukur seberapa mudah simpul fokus dapat mencapai orang lain (berguna untuk mempelajari kapasitas penyiaran).
Metode terkait
Sumber
Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
Buka referensi DOIDisalin.Bavelas, A. (1950). Communication patterns in task-oriented groups. Journal of the Acoustical Society of America, 22(6), 725–730.
Buka referensi DOIDisalin.