Skip to content
Kembali ke hasil pencarian

Analisis Jaringan Berlapis — Jaringan Multiplex

Diperkenalkan oleh
Kivelä et al. (2014); De Domenico et al. (2013)
Tahun
2013–2014 (formal mathematical framework)
Jenis
Graph-theoretic network model

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

Ukuran huruf

Apa fungsinya?

Analisis jaringan berlapis adalah kerangka kerja teori graf, yang diformalkan oleh Kivelä et al. (2014) dan De Domenico et al. (2013), yang merepresentasikan kumpulan node yang sama secara simultan di berbagai lapisan relasi.

Di mana jaringan berlapis tunggal meruntuhkan semua relasi menjadi satu graf, model berlapis mempertahankan konteks relasional yang berbeda dari setiap lapisan — platform sosial, jenis interaksi biologis, atau tingkatan infrastruktur — sambil juga memodelkan bagaimana lapisan saling terhubung melalui tepi antar-lapisan.

Intuisi di balik metode

Bayangkan sekelompok peneliti yang berkolaborasi melalui email, menjadi penulis bersama makalah, dan saling mengikuti di jaringan profesional. Satu diagram jaringan akan menggabungkan ketiga hubungan tersebut menjadi satu graf yang kusut, kehilangan informasi bahwa hubungan penulisan bersama jauh lebih kuat daripada mengikuti di Twitter. Analisis jaringan berlapis menempatkan setiap jenis relasi pada lapisannya sendiri — seperti transparansi terpisah yang ditumpuk di proyektor — namun memungkinkan Anda untuk menanyakan bagaimana aktivitas di satu lapisan memprediksi atau memperkuat aktivitas di lapisan lain. Sentralitas dalam pengaturan ini tidak lagi hanya 'seberapa baik terhubungnya node ini secara keseluruhan?' tetapi 'seberapa penting node ini di semua lapisan secara bersamaan, menghitung jalur di dalam lapisan dan lintas lapisan?'

Sejarah

Ilmu jaringan lama memodelkan sistem kompleks sebagai graf tunggal, tetapi menjadi jelas selama tahun 2000-an bahwa banyak sistem dunia nyata melibatkan berbagai jenis relasi yang berinteraksi satu sama lain. De Domenico et al. (2013) memberikan formulasi matematis tensorial yang ketat yang menyatukan berbagai upaya sebelumnya. Kivelä et al. (2014), menerbitkan tinjauan definitif di Journal of Complex Networks, menetapkan kosakata bersama — lapisan, aspek, matriks supra-adjacency, tepi antar-lapisan — dan meninjau aplikasi di seluruh biologi, transportasi, media sosial, dan infrastruktur. Kedua makalah ini bersama-sama merupakan dasar formal kanonik bidang ini.

Kapan digunakan

Analisis jaringan berlapis sesuai ketika entitas yang diminati berpartisipasi dalam lebih dari satu jenis relasi secara bersamaan dan relasi tersebut tidak dapat diruntuhkan tanpa kehilangan informasi yang bermakna. Kerangka kerja ini membutuhkan setidaknya 20 node dengan tepi antar-lapisan yang terdefinisi dan bobot lapisan membawa makna substantif — penugasan lapisan arbitrer menghasilkan metrik kopling yang tidak dapat diinterpretasikan. Normalitas tidak diperlukan. Metode ini cocok untuk tujuan penelitian eksploratif, deskriptif, dan relasional. Jika tersedia kurang dari 20 node, analisis sentralitas berlapis tunggal adalah pilihan yang lebih aman.

Batasan dan pertimbangan

  • Membutuhkan setidaknya 20 node dengan tepi antar-lapisan yang didefinisikan secara eksplisit; dengan node yang lebih sedikit, metode ini tidak dapat secara andal memunculkan struktur multiplex.
  • Bobot lapisan harus membawa makna substantif; jika lapisan didefinisikan secara arbitrer, metrik kopling tidak dapat diinterpretasikan.
  • Biaya komputasi tumbuh seiring dengan jumlah lapisan dan node; graf multiplex besar membutuhkan representasi jarang yang efisien.
  • Ukuran sentralitas multiplex berperilaku berbeda dari padanan berlapis tunggalnya dan memerlukan interpretasi yang cermat untuk menghindari kekeliruan antara keduanya.

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

Kelebihan

  • Mempertahankan kekhususan struktural setiap jenis relasi sambil tetap memungkinkan perbandingan antar-lapisan, sesuatu yang tidak dapat dilakukan oleh satu jaringan gabungan.
  • Metrik sentralitas multiplex mengidentifikasi node yang penting justru karena mereka terhubung dengan baik di berbagai lapisan, bukan hanya dominan di satu lapisan.
  • Dapat diterapkan di berbagai domain substantif — platform media sosial, jaringan biologis multi-omik, sistem infrastruktur — tanpa memerlukan asumsi distribusi.
  • Menangkap properti yang muncul (kegagalan beruntun, komunitas multiplex) yang tidak terlihat dalam analisis lapis demi lapis.

Penerapan

  • Menganalisis interaksi media sosial lintas platform, di mana setiap platform (Twitter, Facebook, LinkedIn) adalah lapisan yang berbagi node pengguna yang sama.
  • Analisis jaringan biologis multi-omik, di mana jaringan regulasi gen, interaksi protein, dan reaksi metabolik membentuk lapisan terpisah di atas entitas molekuler bersama.
  • Studi ketahanan infrastruktur, di mana jaringan listrik, transportasi, dan komunikasi dimodelkan sebagai lapisan yang terhubung untuk menilai risiko kegagalan beruntun.
  • Penelitian jaringan kolaborasi, mengidentifikasi peneliti atau institusi yang bertindak sebagai hub di berbagai lapisan penulisan bersama atau kutipan.

Cara kerjanya

Cara kerjanya

1

Analis mengidentifikasi jenis relasi yang berbeda yang membentuk sistem dan menugaskannya ke sebuah lapisan. Setiap lapisan harus mencakup kumpulan node yang sama, atau setidaknya subkumpulan yang terdefinisi dengan baik. Tepi antar-lapisan — koneksi yang menghubungkan node di satu lapisan ke node yang sama atau berbeda di lapisan lain — ditentukan bersama dengan tepi di dalam lapisan. Langkah ini bersifat konseptual tetapi krusial: jika lapisan didefinisikan secara ambigu, semua metrik hilir akan tidak dapat diinterpretasikan.

2

Graf berlapis dirakit sebagai matriks supra-adjacency atau objek tensorial. Dalam representasi supra-adjacency, semua lapisan ditumpuk di sepanjang diagonal blok dan blok kopling antar-lapisan muncul di luar diagonal. Objek matematis ini mengkodekan baik topologi di dalam lapisan maupun kekuatan kopling antar-lapisan, menjadikannya alat utama untuk komputasi selanjutnya.

3

Ukuran sentralitas berlapis — derajat multiplex, antara multiplex, sentralitas eigenvector multiplex, dan koefisien partisipasi — dihitung dari struktur supra-adjacency. Metrik ini secara fundamental berbeda dari padanannya yang berlapis tunggal karena memperhitungkan jalur lintas-lapisan. Algoritma deteksi komunitas yang diadaptasi untuk graf berlapis juga dapat diterapkan pada tahap ini untuk mengidentifikasi kelompok node yang terhubung padat di berbagai lapisan secara bersamaan.

4

Analis memeriksa pola kopling antar-lapisan: apakah sentralitas tinggi pada satu lapisan berkorelasi dengan sentralitas tinggi pada lapisan lain (korelasi lapisan), apakah komunitas sejajar di berbagai lapisan (kesamaan lapisan), dan node mana yang bertindak sebagai hub multiplex atau jembatan. Node dengan koefisien partisipasi tinggi aktif secara merata di berbagai lapisan; node dengan partisipasi rendah adalah spesialis lapis-spesifik. Wawasan struktural ini masuk ke dalam interpretasi domain — misalnya, institusi penelitian mana yang menjembatani berbagai jaringan kolaborasi, atau protein mana yang penting di berbagai jenis interaksi biologis.

Kesalahan umum

  • Mendefinisikan lapisan tanpa justifikasi teoretis menghasilkan metrik kopling yang didefinisikan secara numerik tetapi secara substantif tidak bermakna — selalu dasarkan batas lapisan pada pengetahuan domain.
  • Mencampuradukkan sentralitas multiplex dengan sentralitas berlapis tunggal: sebuah node bisa sentral secara global dalam multiplex namun periferal di setiap lapisan individual, dan sebaliknya.
  • Mengabaikan tepi antar-lapisan sepenuhnya dan memperlakukan lapisan sebagai graf independen menghilangkan keuntungan utama dari kerangka kerja — kopling antar-lapisan — dan mengurangi analisis menjadi serangkaian studi jaringan terpisah.
  • Menjalankan analisis multiplex pada kurang dari 20 node; pola struktural yang terdeteksi dalam graf multiplex yang sangat kecil kemungkinan tidak dapat diandalkan dan analisis sentralitas berlapis tunggal harus lebih disukai.

Pertanyaan yang sering diajukan

Bagaimana jaringan berlapis berbeda dari sekadar menjalankan analisis jaringan terpisah pada setiap jenis relasi?

Analisis terpisah mengabaikan bagaimana aktivitas di satu lapisan mengkondisikan aktivitas di lapisan lain. Analisis berlapis secara eksplisit memodelkan tepi antar-lapisan dan menghitung ukuran sentralitas yang melintasi jalur lintas-lapisan, mengungkapkan node yang kepentingannya berasal justru dari peran jembatan mereka di berbagai lapisan — sesuatu yang tidak dapat dideteksi oleh analisis berlapis tunggal.

Apa itu tepi antar-lapisan dan apakah saya selalu membutuhkannya?

Tepi antar-lapisan menghubungkan salinan node di satu lapisan ke salinan di lapisan lain, mengkodekan bagaimana kedua lapisan tersebut terhubung. Dalam jaringan multiplex, mereka biasanya menghubungkan setiap node ke dirinya sendiri di berbagai lapisan (kopling diagonal). Mereka harus didefinisikan; menghilangkannya memisahkan lapisan menjadi graf independen dan menggagalkan tujuan kerangka kerja berlapis.

Apa yang dikatakan oleh koefisien partisipasi?

Koefisien partisipasi sebuah node mengukur seberapa merata koneksinya didistribusikan di berbagai lapisan. Nilai mendekati 1 berarti node aktif di banyak lapisan secara kurang lebih sama; nilai mendekati 0 berarti koneksinya terkonsentrasi di satu lapisan. Node partisipasi tinggi adalah generalis multiplex; node partisipasi rendah adalah spesialis lapis-spesifik.

Kapan saya harus beralih ke analisis sentralitas berlapis tunggal?

Ketika tersedia kurang dari 20 node, atau ketika data tidak mengandung jenis relasi yang benar-benar berbeda dengan kopling antar-lapisan yang substantif. Dalam kasus tersebut, biaya tambahan kerangka kerja berlapis tidak sepadan dan analisis sentralitas standar pada satu graf gabungan lebih andal.

Metode terkait

Sumber

  1. Kivelä, M. et al. (2014). Multilayer Networks. Journal of Complex Networks, 2(3), 203–271.

    Buka referensi DOI
    Disalin.
  2. De Domenico, M. et al. (2013). Mathematical Formulation of Multilayer Networks. Physical Review X, 3(4), 041022.

    Buka referensi DOI
    Disalin.