Skip to content
Kembali ke hasil pencarian

Analisis Jaringan Sosial Berlapis

Diperkenalkan oleh
Kivela, M.; Boccaletti, S. et al.
Tahun
2014
Jenis
Structural network analysis framework
Keluarga
Network science

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

Ukuran huruf

Apa fungsinya?

Analisis jaringan sosial berlapis memperluas metode jaringan tunggal klasik ke pengaturan di mana aktor terhubung melalui berbagai jenis ikatan yang berbeda — seperti persahabatan, kolaborasi profesional, dan interaksi daring — secara bersamaan.

Dengan memodelkan setiap jenis hubungan sebagai lapisan terpisah dan secara eksplisit merepresentasikan koneksi antar lapisan, metode ini menangkap kompleksitas struktural yang akan disembunyikan oleh satu jaringan agregat.

Intuisi di balik metode

Dalam kehidupan sehari-hari, orang tertanam dalam jaringan yang tumpang tindih: seorang kolega juga seorang teman, kontak Twitter, dan rekan penulis. Menggabungkan semua ikatan ini menjadi satu grafik akan kehilangan informasi tentang ikatan mana yang beroperasi dalam konteks mana. Analisis berlapis mempertahankan perbedaan ini dengan menumpuk jenis hubungan sebagai lapisan dan menghubungkan node setiap orang di berbagai lapisan. Hal ini memungkinkan peneliti untuk mengajukan pertanyaan seperti: aktor mana yang sentral di setiap lapisan, atau bagaimana pengaruh menyebar dari satu jenis ikatan ke jenis lainnya?

Sejarah

Kerangka kerja matematis formal untuk jaringan berlapis dikonsolidasikan dalam sepasang makalah berpengaruh tahun 2014 oleh Kivela et al. dan Boccaletti et al., yang menyatukan karya sebelumnya tentang jaringan multiplikatif, jaringan yang saling bergantung, dan model jaringan-dari-jaringan. Pendekatan ini tumbuh dari fisika dan ilmu kompleksitas dan sejak itu diadopsi secara luas dalam sosiologi, penelitian organisasi, studi komunikasi, dan epidemiologi, di mana berbagai jenis hubungan adalah norma daripada pengecualian.

Kapan digunakan

Gunakan analisis jaringan sosial berlapis ketika aktor tertanam dalam berbagai jenis hubungan yang berbeda secara kualitatif yang Anda yakini memiliki efek struktural independen, dan ketika menggabungkannya menjadi satu grafik akan mengaburkan variasi penting. Metode ini sesuai untuk kumpulan data dengan identitas lapisan yang jelas — misalnya, ikatan daring versus luring, jaringan persahabatan versus nasihat, atau komunikasi lintas platform. Lebih pilih SNA lapisan tunggal ketika hanya satu jenis hubungan yang diukur, ketika kumpulan data sangat kecil (kurang dari sekitar 30 node), atau ketika pertanyaan penelitian tidak bergantung pada perbedaan jenis ikatan. Metode ini memerlukan perangkat lunak yang mendukung objek grafik berlapis (misalnya, MuxViz, R igraph dengan atribut lapisan, alat berbasis NetworkX) dan keakraban peneliti dengan konsep sentralitas berlapis.

Batasan dan pertimbangan

  • Memerlukan data lengkap atau hampir lengkap di semua lapisan; hilangnya satu lapisan menimbulkan bias sistematis.
  • Biaya komputasi tumbuh seiring dengan jumlah lapisan dan node, membuat analisis jaringan berlapis yang sangat besar menjadi mahal.
  • Interpretasi lebih kompleks daripada SNA lapisan tunggal; mengkomunikasikan hasil kepada audiens non-teknis memerlukan kehati-hatian.
  • Konvensi perangkat lunak dan pelaporan standar masih berkembang dibandingkan dengan SNA klasik.
  • Jaringan kecil (kurang dari ~30 node) sering kali menghasilkan estimasi sentralitas dan komunitas yang tidak stabil dalam pengaturan berlapis.

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

Kelebihan

  • Menangkap kompleksitas penuh kehidupan sosial dengan mempertahankan jenis hubungan yang berbeda daripada meratakannya.
  • Memungkinkan perbandingan posisi struktural di berbagai lapisan, mengungkapkan aktor yang sentral dalam beberapa konteks tetapi periferal dalam konteks lain.
  • Deteksi komunitas di berbagai lapisan mengidentifikasi pengelompokan sosial yang kuat yang bertahan di berbagai jenis hubungan.
  • Metrik kopling antar-lapisan mengukur seberapa kuat konteks hubungan yang berbeda menentukan posisi sosial.
  • Dapat diperluas ke varian temporal dan terarah, membuatnya dapat diterapkan pada berbagai pertanyaan ilmu sosial.

Penerapan

  • Penelitian organisasi yang menguji ikatan nasihat, persahabatan, dan pelaporan secara bersamaan di antara karyawan.
  • Studi jaringan sosial daring-luring yang menghubungkan interaksi spesifik platform dengan hubungan tatap muka.
  • Pemodelan epidemiologis penyebaran penyakit di berbagai lapisan kontak rekan kerja, rumah tangga, dan transportasi.
  • Penelitian ilmu politik tentang pembentukan koalisi di berbagai jaringan legislatif, media, dan lobi.
  • Studi sains tentang sains yang menggabungkan lapisan kolaborasi penulisan, kutipan, dan afiliasi institusional.
  • Studi komunikasi yang melacak difusi informasi di berbagai platform media sosial secara bersamaan.

Cara kerjanya

Cara kerjanya

1

Setiap jenis hubungan sosial yang berbeda dikodekan sebagai lapisan terpisah: sebuah grafik yang nodenya adalah himpunan aktor yang sama tetapi tepinya hanya mencerminkan jenis hubungan tersebut. Lapisan dapat mewakili saluran komunikasi, cuplikan temporal, atau jenis ikatan yang berbeda secara kualitatif seperti pencarian nasihat versus dukungan emosional.

2

Tepi yang disebut kopling antar-lapisan menghubungkan representasi setiap aktor di berbagai lapisan, memodelkan fakta bahwa orang yang sama berpartisipasi dalam berbagai konteks hubungan. Kopling dapat bersifat kategoris (aktor yang sama, lapisan berbeda) atau berbobot untuk mencerminkan kekuatan ketergantungan antar-lapisan.

3

Ukuran sentralitas standar — derajat, antara, eigenvektor — digeneralisasi ke pengaturan berlapis, menghasilkan skor spesifik lapisan dan agregat. Ukuran seperti PageRank berlapis atau keserbagunaan memungkinkan perbandingan kepentingan node di seluruh sistem penuh daripada di dalam satu lapisan pun.

4

Algoritma deteksi komunitas yang diadaptasi untuk jaringan berlapis mengidentifikasi kelompok aktor yang terhubung padat dalam komunitas yang sama di berbagai lapisan secara bersamaan. Hal ini mengungkapkan apakah pengelompokan sosial konsisten di berbagai jenis hubungan atau terfragmentasi berdasarkan konteks.

5

Hasil diinterpretasikan baik di tingkat lapisan maupun di seluruh sistem berlapis penuh. Peneliti memeriksa lapisan mana yang mendorong struktur jaringan keseluruhan, mengidentifikasi aktor yang menjembatani lapisan, dan menguji apakah pola yang dapat diamati dalam satu lapisan bereplikasi di lapisan lain.

Kesalahan umum

  • Memperlakukan pilihan lapisan sebagai tidak relevan — definisi lapisan adalah keputusan teoretis substantif yang membentuk semua hasil hilir.
  • Mengabaikan kekuatan kopling antar-lapisan dan mengasumsikan independensi antar lapisan tanpa justifikasi empiris.
  • Menggunakan sentralitas agregat (tergabung) sebagai satu-satunya hasil dan menghilangkan analisis spesifik lapisan.
  • Gagal membedakan antara jaringan multiplikatif (node yang sama, jenis tepi yang berbeda) dan jaringan multilevel (node pada tingkat hierarkis yang berbeda), yang memerlukan model yang berbeda.
  • Melaporkan penugasan komunitas tanpa memvalidasi stabilitas melalui uji permutasi atau pemeriksaan ketahanan.

Pertanyaan yang sering diajukan

Apa perbedaan antara jaringan berlapis dan jaringan multiplikatif?

Jaringan multiplikatif adalah kasus khusus dari jaringan berlapis di mana himpunan node yang sama muncul di setiap lapisan dan tepi antar-lapisan menghubungkan setiap node hanya ke pasangannya di lapisan lain. Jaringan berlapis lebih umum dan memungkinkan himpunan node yang berbeda per lapisan dan koneksi antar-lapisan yang sewenang-wenang.

Perangkat lunak apa yang dapat saya gunakan untuk analisis jaringan sosial berlapis?

MuxViz menyediakan antarmuka grafis untuk visualisasi dan sentralitas berlapis. Paket R igraph dan multinet, serta pustaka Python seperti pymnet, mendukung konstruksi dan analisis jaringan berlapis secara terprogram.

Bagaimana cara memutuskan lapisan mana yang akan dimasukkan?

Pemilihan lapisan harus didorong oleh teori: sertakan hanya jenis hubungan yang secara konseptual berbeda dan relevan dengan pertanyaan penelitian. Menambahkan lapisan yang redundan atau sangat berkorelasi jarang meningkatkan wawasan dan meningkatkan kompleksitas analitis.

Bisakah SNA berlapis menangani data yang hilang di satu lapisan?

Kehilangan parsial dapat diakomodasi dengan memberi bobot pada lapisan atau menggunakan strategi imputasi, tetapi ketiadaan sistematis dari seluruh lapisan untuk sebagian aktor menimbulkan bias. Analisis sensitivitas yang mengecualikan aktor atau lapisan yang bermasalah sangat direkomendasikan.

Apakah sentralitas berlapis dapat dibandingkan antar studi?

Tidak secara langsung, karena nilai sentralitas bergantung pada jumlah dan jenis lapisan yang disertakan. Selalu laporkan struktur lapisan bersama dengan nilai sentralitas, dan bandingkan peringkat relatif daripada skor mentah antar studi.

Metode terkait

Sumber

  1. Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203–271.

    Buka referensi DOI
    Disalin.
  2. Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122.

    Buka referensi DOI
    Disalin.