Skip to content
Kembali ke hasil pencarian

Sentralitas Eigenvektor Tertimbang

Diperkenalkan oleh
Bonacich, P. (binary); Opsahl, T. et al. (weighted extension)
Tahun
1987 (binary); 2010 (weighted generalization)
Jenis
Spectral centrality measure
Keluarga
Network science

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

Ukuran huruf

Apa fungsinya?

Sentralitas eigenvektor tertimbang memperluas ukuran sentralitas eigenvektor klasik ke graf di mana sisi-sisinya membawa bobot numerik, memberi skor pada setiap simpul secara proporsional terhadap jumlah skor tetangganya dikalikan dengan bobot sisi penghubung.

Simpul mendapat skor tinggi bukan hanya karena memiliki banyak koneksi tetapi karena terhubung kuat ke simpul berpengaruh lainnya, membuat ukuran ini sensitif terhadap kekuatan ikatan dan posisi jaringan secara bersamaan.

Intuisi di balik metode

Dalam jaringan tak tertimbang, sentralitas eigenvektor menangkap prestise secara rekursif: terhubung ke simpul penting meningkatkan kepentingan Anda sendiri. Dalam jaringan tertimbang, ikatan lemah ke aktor sentral dihitung lebih rendah daripada ikatan kuat ke aktor yang sama. Sentralitas eigenvektor tertimbang menginternalisasi intuisi ini dengan mengganti matriks ketetanggaan sederhana dengan matriks bobot, sehingga seorang peneliti yang berkolaborasi intensif dengan pemimpin bidang diberi peringkat lebih tinggi daripada yang hanya memiliki kolaborasi singkat dengan pemimpin yang sama. Skor setiap simpul sebanding dengan jumlah tertimbang dari skor tetangganya.

Sejarah

Sentralitas eigenvektor diperkenalkan oleh Phillip Bonacich pada tahun 1987 sebagai ukuran prestise untuk jaringan sosial, menggeneralisasi derajat sederhana dengan memberi bobot pada setiap koneksi oleh sentralitas sumbernya. Perluasan eksplisit ke jaringan tertimbang mendapatkan perlakuan formal dalam Opsahl, Agneessens, dan Skvoretz (2010), yang menyediakan kerangka kerja terpadu yang menggeneralisasi sentralitas berbasis derajat dan jalur ke graf tertimbang. Ukuran ini sekarang menjadi alat standar dalam scientometrics, connectomics saraf, dan analisis jaringan perdagangan internasional.

Kapan digunakan

Gunakan sentralitas eigenvektor tertimbang ketika jaringan Anda memiliki bobot sisi yang bermakna (frekuensi kolaborasi, volume komunikasi, aliran perdagangan, jumlah kemunculan bersama) dan Anda perlu mengidentifikasi simpul yang terhubung kuat dan terhubung ke simpul lain yang terhubung baik. Ini sangat tepat dalam jaringan kolaborasi penulisan, jaringan perdagangan ekonomi, dan analisis konektivitas otak. Hindari jika bobot sisi bersifat ordinal atau diskalakan secara sewenang-wenang, ketika jaringan sangat jarang atau terputus (vektor eigen utama mungkin tidak konvergen atau didominasi oleh klik kecil), ketika bobot mewakili jarak daripada afinitas, atau ketika interpretasi satu skor ringkasan tidak mencukupi dan ukuran berbasis jalur seperti *betweenness* lebih relevan.

Batasan dan pertimbangan

  • Bermasalah pada graf yang terputus atau hampir terputus, di mana vektor eigen utama dapat runtuh menjadi nol untuk komponen periferal.
  • Sensitif terhadap penskalaan bobot: mengalikan semua bobot dengan konstanta mengubah nilai eigen tetapi tidak peringkat, namun transformasi bobot sewenang-wenang dapat mendistorsi hasil.
  • Tidak memperhitungkan panjang jalur atau peran penghubung; simpul pada jalur terpendek yang penting mungkin dinilai terlalu rendah dibandingkan dengan ukuran berbasis *betweenness*.
  • Secara komputasi mahal untuk jaringan padat yang sangat besar; diperlukan aproksimasi jarang atau metode iterasi pangkat (*power-iteration*) pada skala besar.

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

Kelebihan

  • Menangkap kekuatan ikatan dan prestise global secara bersamaan, tidak seperti sentralitas derajat yang mengabaikan siapa tetangganya.
  • Secara teoritis didasarkan pada teori graf spektral; teorema Perron-Frobenius menjamin solusi unik dan non-negatif untuk matriks non-negatif yang terhubung.
  • Sensitif terhadap heterogenitas bobot sisi, memberi penghargaan pada simpul dengan ikatan kuat ke simpul berpengaruh lainnya daripada simpul dengan banyak ikatan lemah.
  • Diimplementasikan secara luas di pustaka jaringan standar (NetworkX, igraph, paket igraph R), membuatnya dapat diakses tanpa kode kustom.
  • Dapat diterapkan pada jaringan tertimbang tak terarah dan terarah.

Penerapan

  • Mengidentifikasi influencer kunci dalam jaringan kolaborasi atau kolaborasi penulisan tertimbang dalam scientometrics.
  • Memetakan wilayah hub dalam jaringan konektivitas otak di mana bobot sisi mencerminkan kekuatan korelasi sinyal.
  • Memberi peringkat negara berdasarkan sentralitas dalam jaringan perdagangan global yang dibobot berdasarkan volume ekspor.
  • Mendeteksi spesies dominan atau simpul kunci dalam jejaring makanan ekologis dengan bobot kekuatan interaksi.
  • Memprioritaskan simpul untuk intervensi dalam jaringan kontak epidemiologis dengan bobot frekuensi kontak.
  • Mengevaluasi kepentingan router atau server dalam jaringan komunikasi yang dibobot berdasarkan volume lalu lintas.

Cara kerjanya

Cara kerjanya

1

Representasikan jaringan sebagai matriks ketetanggaan tertimbang W di mana entri W_ij memegang bobot sisi antara simpul i dan j. Bobot harus non-negatif; matriks simetris berlaku untuk jaringan tak terarah, sementara matriks asimetris memperluas ukuran ini ke graf tertimbang terarah.

Rumus
W \in \mathbb{R}^{n \times n},\; W_{ij} = w_{ij} \geq 0
2

Hitung nilai eigen dan vektor eigen dari W. Vektor eigen utama — yang terkait dengan nilai eigen positif terbesar — memenuhi persamaan rekursif Wx = lambda*x, menjamin bahwa skor setiap simpul sebanding dengan jumlah tertimbang dari skor tetangganya.

Rumus
W \mathbf{x} = \lambda \mathbf{x}
3

Pilih vektor eigen yang sesuai dengan nilai eigen terbesar (teorema Perron-Frobenius menjamin vektor eigen ini memiliki semua entri non-negatif untuk matriks non-negatif yang terhubung), yang merupakan solusi sentralitas yang bermakna.

Rumus
\mathbf{x}^* = \text{eigenvector for } \lambda_{\max}
4

Skalakan ulang entri vektor eigen mentah sehingga skor maksimum sama dengan 1 (atau norma L2 sama dengan 1, tergantung konvensi), menghasilkan skor sentralitas yang dapat diinterpretasikan yang memberi peringkat simpul relatif terhadap simpul paling sentral dalam jaringan.

Rumus
x_i^* = \frac{x_i}{\max_j x_j}

Kesalahan umum

  • Menggunakan jumlah kemunculan bersama mentah sebagai bobot tanpa normalisasi untuk aktivitas simpul, meningkatkan sentralitas untuk simpul bervolume tinggi terlepas dari selektivitasnya.
  • Menerapkan ukuran pada graf yang terputus tanpa terlebih dahulu mengekstrak komponen terhubung terbesar, menghasilkan skor nol yang tidak bermakna untuk simpul periferal.
  • Memperlakukan bobot tipe jarak (misalnya, jarak geografis, latensi) sebagai bobot afinitas, yang membalikkan interpretasi — bobot tinggi seharusnya berarti koneksi kuat, bukan biaya besar.
  • Mengabaikan diagnostik konvergensi saat menggunakan komputasi iteratif (iterasi pangkat); gagal memeriksa apakah algoritma konvergen sebelum mempercayai skornya.

Pertanyaan yang sering diajukan

Bagaimana sentralitas eigenvektor tertimbang berbeda dari sentralitas eigenvektor standar (biner)?

Sentralitas eigenvektor biner menggunakan matriks ketetanggaan tak tertimbang, sehingga setiap tetangga berkontribusi secara setara terlepas dari kekuatan ikatan. Versi tertimbang menggunakan matriks bobot, sehingga tetangga berkontribusi secara proporsional terhadap bobot sisi penghubung, menjadikan kekuatan ikatan secara eksplisit sebagai bagian dari perhitungan prestise.

Bagaimana jika jaringan saya terarah?

Untuk jaringan tertimbang terarah, matriks bobot bersifat asimetris. Anda dapat menghitung vektor eigen kiri (mencerminkan prestise masuk, analog dengan skor hub tertimbang) atau vektor eigen kanan (mencerminkan prestise keluar), tergantung pada apakah Anda peduli tentang siapa yang menerima pengaruh atau siapa yang mengirimkannya. Ini analog dengan perbedaan antara skor otoritas dan hub dalam HITS.

Bisakah bobot sisi negatif digunakan?

Jaminan Perron-Frobenius dari vektor eigen utama non-negatif hanya berlaku untuk matriks non-negatif. Bobot negatif (misalnya, hubungan antagonis) melanggar jaminan ini dan dapat menghasilkan vektor eigen dengan tanda campuran yang sulit diinterpretasikan. Pra-proses bobot negatif dengan memisahkan lapisan positif dan negatif atau menerapkan transformasi nilai absolut dengan hati-hati.

Apakah lebih baik dari sentralitas derajat tertimbang (kekuatan)?

Keduanya menangkap hal yang berbeda. Derajat tertimbang (kekuatan simpul) menghitung total bobot ikatan langsung tetapi mengabaikan siapa tetangganya. Sentralitas eigenvektor tertimbang menggabungkan posisi jaringan global secara rekursif. Dalam praktiknya, kedua ukuran tersebut berkorelasi kuat di banyak jaringan empiris, jadi jika sentralitas eigenvektor gagal konvergen atau graf terputus, kekuatan simpul mungkin merupakan pilihan aman sebagai cadangan.

Bagaimana cara menangani jaringan yang sangat besar?

Gunakan representasi matriks jarang dan algoritma iterasi pangkat (*power-iteration*) (tersedia di NetworkX dan igraph) daripada dekomposisi nilai eigen penuh. Periksa toleransi konvergensi dan batas iterasi. Untuk jaringan dengan jutaan simpul, pertimbangkan pengambilan sampel atau agregasi tingkat komunitas sebelum menerapkan ukuran.

Metode terkait

Sumber

  1. Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182.

    Buka referensi DOI
    Disalin.
  2. Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.

    Buka referensi DOI
    Disalin.