Skip to content
Kembali ke hasil pencarian

Analisis Jaringan Sosial

Diperkenalkan oleh
Moreno, J.L.; formalized by Wasserman & Faust
Tahun
1934 (sociometry); 1994 (modern formalization)
Jenis
Structural/relational 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 (SNA) adalah metode struktural yang memetakan dan mengukur hubungan serta aliran antar individu, kelompok, organisasi, atau entitas lain yang dimodelkan sebagai node yang terhubung oleh ikatan (edge).

Alih-alih berfokus pada atribut individu, SNA mengungkap bagaimana pola koneksi membentuk perilaku, pengaruh, aliran informasi, dan hasil dalam suatu sistem.

Intuisi di balik metode

Penelitian tradisional memperlakukan unit (individu, organisasi) sebagai kasus independen. SNA memperlakukan koneksi di antara mereka sebagai unit analisis utama. Siapa yang terhubung dengan Anda—dan seberapa sentral posisi Anda dalam jejaring hubungan—membentuk informasi apa yang Anda terima, seberapa besar pengaruh Anda, dan apakah kelompok terbentuk di sekitar Anda. Dengan menggambar peta jaringan, peneliti dapat melihat struktur yang tidak terlihat: perantara yang menjembatani kluster yang terputus, hub yang berpengaruh, periferal yang terisolasi, dan komunitas yang erat yang bertindak sebagai ruang gema.

Sejarah

Analisis jaringan sosial berakar pada sosiometri Jacob Moreno pada tahun 1930-an dan sosiologi relasional Georg Simmel. Dasar-dasar teori graf dikembangkan pada tahun 1950-an–1970-an oleh Bavelas, Harary, dan rekan-rekannya. Bidang ini dikonsolidasikan oleh buku teks penting Wasserman dan Faust tahun 1994 dan pendirian jurnal Social Networks. Munculnya platform online dan data jejak digital setelah tahun 2000 memicu pertumbuhan eksplosif, menjadikan SNA sebagai metode inti dalam ilmu sosial komputasi.

Kapan digunakan

Gunakan SNA ketika pertanyaan penelitian pada dasarnya bersifat relasional—tentang bagaimana koneksi, aliran, atau posisi struktural membentuk hasil—dan ketika data relasional (ikatan antar aktor) dapat dikumpulkan atau direkonstruksi. Sangat cocok untuk mempelajari difusi informasi, pola kolaborasi, hierarki pengaruh, struktur organisasi, jaringan kutipan, dan kohesi sosial. Jangan gunakan SNA ketika Anda hanya memiliki data atribut (tidak ada data ikatan), ketika batas jaringan tidak dapat didefinisikan secara masuk akal, ketika sampel terlalu jarang untuk menghasilkan metrik yang bermakna, atau ketika pertanyaan penelitian tentang atribut tingkat individu daripada struktur relasional.

Batasan dan pertimbangan

  • Spesifikasi batas jaringan bersifat konsekuensial dan seringkali ambigu secara teoretis.
  • Pengumpulan data relasional memberatkan; generator nama berbasis survei menderita bias ingatan dan non-respons.
  • Banyak metrik SNA mengasumsikan data jaringan lengkap; ikatan yang hilang mendistorsi perkiraan sentralitas.
  • Metrik SNA standar memperlakukan node sebagai independen, melanggar asumsi independensi yang diperlukan oleh uji statistik klasik.
  • Jaringan besar memerlukan sumber daya komputasi dan perangkat lunak khusus (misalnya, igraph, NetworkX, Gephi).

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

Kelebihan

  • Menangkap fenomena struktural—perantara, kekompakan, sentralitas—yang tidak terlihat oleh metode berbasis atribut.
  • Dapat diterapkan pada berbagai domain: jaringan sosial, organisasi, bibliometrik, biologis, dan digital.
  • Rangkaian metrik dan model yang kaya memungkinkan analisis deskriptif dan inferensial.
  • Terintegrasi secara alami dengan alat visualisasi yang mengkomunikasikan struktur kompleks secara intuitif.
  • Dapat diterapkan pada jaringan kecil (berbasis survei) dan sangat besar (komputasi).
  • Kompatibel dengan perluasan longitudinal dan berlapis untuk jaringan dinamis atau multipel.

Penerapan

  • Memetakan jaringan komunikasi dan berbagi pengetahuan organisasi.
  • Mengidentifikasi penyebar berpengaruh dan hambatan dalam studi difusi informasi.
  • Analisis jaringan bibliometrik dan penulis bersama dalam scientometrics.
  • Deteksi komunitas di platform sosial online dan data jejak digital.
  • Penelusuran kontak epidemiologis dan pemodelan penyebaran penyakit.
  • Pemetaan rantai pasokan dan ketergantungan antarorganisasi.

Cara kerjanya

Cara kerjanya

1

Peneliti menentukan batas jaringan (aktor mana yang disertakan) dan jenis ikatan yang akan dipelajari—persahabatan, kolaborasi, kutipan, pencarian nasihat, pertukaran informasi. Keputusan konseptual ini bersifat substantif: definisi ikatan yang berbeda menghasilkan jaringan yang berbeda secara struktural bahkan dengan aktor yang sama.

2

Data relasional dikumpulkan melalui survei (berbasis daftar atau generator nama ingatan bebas), catatan arsip (penulis bersama, log email, data transaksi), atau observasi langsung. Hasilnya adalah daftar pasangan berurutan atau tidak berurutan, seringkali dengan bobot ikatan atau stempel waktu.

3

Ikatan dan aktor dikodekan sebagai graf G = (V, E) di mana V adalah himpunan node dan E adalah himpunan edge. Graf dapat berupa tak berarah atau berarah, biner atau berbobot. Matriks ketetanggaan atau daftar edge adalah masukan untuk semua komputasi selanjutnya.

Rumus
G = (V, E) \text{ where } V = \text{nodes}, E = \text{edges}
4

Metrik tingkat node—derajat, antara, kedekatan, sentralitas eigenvector, koefisien pengelompokan—dihitung untuk mengkarakterisasi posisi struktural setiap aktor. Metrik tingkat graf—densitas, diameter, panjang jalur rata-rata, transitivitas—menggambarkan properti jaringan global.

5

Algoritma deteksi komunitas (misalnya, Louvain, Girvan-Newman) atau pemodelan blok mengidentifikasi subkelompok. ERGM atau regresi QAP menguji hipotesis tentang pembentukan ikatan. Dekomposisi inti-periferi dan bipartit mengungkapkan struktur tingkat makro.

6

Temuan struktural diinterpretasikan berdasarkan pertanyaan substantif. Sentralitas antara yang tinggi dapat menunjukkan perantara atau penjaga gerbang; kluster yang padat dapat menunjukkan kekompakan atau redundansi. Visualisasi (tata letak berorientasi gaya tarik, diagram akord) membantu komunikasi hasil.

Kesalahan umum

  • Memperlakukan nilai metrik (misalnya, sentralitas antara) sebagai bermakna tanpa memvalidasi bahwa definisi batas dan ikatan sesuai dengan pertanyaan penelitian.
  • Menerapkan regresi biasa pada data jaringan tanpa memperhitungkan ketergantungan diad (gunakan QAP, ERGM, atau model multilevel sebagai gantinya).
  • Menginterpretasikan estetika visualisasi—penempatan node dalam tata letak berorientasi gaya tarik bersifat sewenang-wenang—sebagai cerminan jarak atau kepentingan nyata.
  • Mencampuradukkan densitas dengan kekompakan atau sentralitas dengan kepentingan tanpa dasar teoretis.
  • Mengabaikan data yang hilang: bahkan 10–20% ikatan yang hilang dapat secara substansial mengubah peringkat sentralitas.

Pertanyaan yang sering diajukan

Berapa ukuran jaringan minimum untuk SNA yang bermakna?

Tidak ada minimum yang ketat, tetapi jaringan yang sangat kecil (kurang dari ~15 node) menghasilkan peringkat sentralitas yang tidak stabil yang sensitif terhadap perubahan ikatan tunggal. SNA deskriptif dapat bekerja pada jaringan kecil; metode inferensial seperti ERGM memerlukan jaringan yang lebih besar (biasanya 30+ node) untuk perkiraan yang stabil.

Bisakah saya menggunakan SNA dengan data jaringan yang tidak lengkap atau sampel?

Ikatan yang hilang merupakan ancaman serius terhadap validitas. Strategi meliputi analisis sensitivitas, imputasi prediksi tautan, atau desain jaringan ego yang tidak memerlukan data jaringan lengkap. Laporkan tingkat ketidaklengkapan dan uji ketahanan kesimpulan utama.

Bagaimana cara memilih di antara berbagai ukuran sentralitas?

Pilihan harus dimotivasi secara teoretis. Sentralitas derajat menangkap aktivitas atau paparan langsung; sentralitas antara menangkap perantara dan kontrol atas aliran; sentralitas kedekatan menangkap kecepatan mencapai orang lain; sentralitas eigenvector menangkap pengaruh melalui koneksi berstatus tinggi. Masing-masing menjawab pertanyaan struktural yang berbeda.

Bagaimana cara menguji hipotesis secara statistik dalam SNA?

Regresi standar melanggar asumsi independensi. Gunakan metode berbasis permutasi (korelasi dan regresi QAP) untuk hipotesis tingkat ikatan, atau Model Graf Acak Eksponensial (ERGMs) untuk hipotesis struktural tingkat jaringan. Untuk data longitudinal, Model Aktor Stokastik (SAOMs) sesuai.

Apakah visualisasi sama dengan analisis?

Tidak. Visualisasi jaringan adalah alat komunikasi; penempatan node dalam algoritma berorientasi gaya tarik ditentukan oleh kriteria estetika, bukan oleh kepentingan struktural. Selalu laporkan metrik kuantitatif bersama dengan visualisasi.

Metode terkait

Sumber

  1. Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.

    ISBN: 978-0-521-38707-1
    Disalin.
  2. Scott, J. (2017). Social Network Analysis (4th ed.). SAGE Publications.

    ISBN: 978-1-4739-5515-1
    Disalin.