Skip to content
Kembali ke hasil pencarian

Analisis Jaringan Sosial Berbobot

Diperkenalkan oleh
Barrat, A.; Opsahl, T. et al.
Tahun
2004–2010
Jenis
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 (SNA) Berbobot memperluas SNA klasik dengan memberikan nilai numerik — bobot — pada hubungan antaraktor, yang menangkap kekuatan hubungan, frekuensi interaksi, atau aliran sumber daya.

Alih-alih memperlakukan semua koneksi sebagai setara, metode ini mengungkap siapa yang memegang posisi istimewa berdasarkan intensitas, bukan sekadar keberadaan, hubungan mereka.

Intuisi di balik metode

SNA klasik bertanya: siapa terhubung dengan siapa? SNA Berbobot menambahkan: seberapa kuat? Dua kolaborator yang bersama-sama menerbitkan sepuluh makalah menempati posisi struktural yang secara fundamental berbeda dibandingkan dua kolaborator yang hanya berbagi satu kutipan. Bobot mengkodekan perbedaan tersebut. Setiap ukuran sentralitas dan algoritma deteksi komunitas kemudian diadaptasi untuk memperlakukan hubungan bernilai sepuluh sebagai sepuluh kali lebih penting daripada hubungan bernilai satu, menghasilkan peringkat dan kluster yang lebih sesuai dengan pengaruh dan kohesi nyata.

Sejarah

Perlakuan formal terhadap jaringan berbobot dalam fisika dan ilmu jaringan didirikan oleh Barrat, Barthélemy, Pastor-Satorras, dan Vespignani (2004), yang memperkenalkan kekuatan simpul dan koefisien klaster berbobot untuk jaringan empiris besar. Opsahl, Agneessens, dan Skvoretz (2010) membawa ide-ide ini secara eksplisit ke dalam analisis jaringan sosial dengan menggeneralisasi derajat dan sentralitas jalur terpendek dengan parameter bobot yang dapat disetel, menjadikan SNA berbobot sebagai item perangkat standar bagi sosiolog dan peneliti organisasi.

Kapan digunakan

Gunakan SNA berbobot kapan pun data secara alami membawa informasi kekuatan hubungan — volume email, transaksi moneter, jumlah kolaborasi penulisan, kedekatan yang dilaporkan survei — dan ketika memperlakukan semua hubungan sebagai setara akan membuang variasi yang penting secara analitis. Metode ini sangat berharga untuk mempelajari difusi, alokasi sumber daya, dan pengaruh dalam organisasi, jaringan kolaborasi, dan komunitas online. Jangan gunakan ketika bobot hilang, diperkirakan secara sewenang-wenang, atau ketika pertanyaan penelitian hanya menyangkut keterjangkauan atau konektivitas biner; dalam kasus tersebut SNA biasa atau ukuran sentralitas biner lebih tepat dan lebih mudah dibenarkan.

Batasan dan pertimbangan

  • Membutuhkan data bobot numerik yang andal; bobot ordinal atau yang didefinisikan secara longgar menghasilkan metrik yang menyesatkan.
  • Interpretasi lebih kompleks — simpul dengan sedikit tetapi hubungan yang sangat kuat berbeda dari simpul dengan banyak hubungan sedang dalam cara yang bergantung pada konteks penelitian.
  • Normalisasi bobot di berbagai sumber data atau periode waktu menuntut justifikasi yang cermat.
  • Biaya komputasi untuk algoritma jalur terpendek berbobot tumbuh seiring ukuran jaringan.

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

Kelebihan

  • Menangkap kekuatan hubungan dan intensitas interaksi, mengungkap jalur paling aktif dalam jaringan.
  • Peringkat sentralitas berbobot lebih baik dalam memprediksi pengaruh nyata, aliran sumber daya, dan penyebaran informasi dibandingkan padanan binernya.
  • Deteksi komunitas berbobot menemukan kluster yang berinteraksi secara padat yang mungkin terlewatkan oleh modularitas biner.
  • Kompatibel dengan alat SNA standar (igraph, NetworkX, Gephi) melalui parameter bobot sederhana.
  • Dapat diskalakan ke jaringan besar tanpa perubahan metodologis mendasar.

Penerapan

  • Jaringan komunikasi organisasi: mengidentifikasi perantara kunci berdasarkan volume email atau kontak rapat.
  • Kolaborasi ilmiah: memberi peringkat peneliti berdasarkan intensitas kolaborasi penulisan daripada jumlah mentah kolaborasi penulisan.
  • Jaringan keuangan: melacak risiko sistemik melalui aliran pinjaman antarbank berbobot.
  • Komunitas online: mendeteksi subkelompok kohesif berdasarkan intensitas interaksi pengguna.
  • Epidemiologi: memodelkan penyebaran penyakit di sepanjang jaringan kontak yang dibobot berdasarkan durasi paparan.
  • Transportasi dan logistik: mengoptimalkan rute dalam jaringan di mana bobot sisi mewakili kapasitas atau biaya.

Cara kerjanya

Cara kerjanya

1

Sebuah graf berbobot G = (V, E, W) dibangun di mana setiap sisi (i, j) membawa bobot bernilai riil w_ij yang mewakili kekuatan hubungan — frekuensi kontak, aliran moneter, jumlah kolaborasi, atau ukuran relasional kontinu apa pun. Matriks ketetanggaan yang dihasilkan tidak lagi biner: entri di luar diagonal berisi nilai bobot.

2

Metrik jaringan standar digeneralisasi untuk memasukkan bobot. Kekuatan simpul s_i (jumlah semua bobot pada sisi-sisi simpul) menggantikan derajat biner. Sentralitas antara, kedekatan, dan eigenvektor berbobot menggunakan jarak jalur terpendek yang dihitung dari bobot invers sehingga hubungan kuat dihitung sebagai jarak pendek. Koefisien klaster berbobot mengukur seberapa intensif tetangga suatu simpul berinteraksi satu sama lain.

Rumus
s_i = \sum_{j} w_{ij}
3

Algoritma deteksi komunitas seperti metode Louvain mengoptimalkan fungsi modularitas berbobot Q yang memberikan kepadatan hubungan berbobot tinggi di dalam komunitas dan memberikan penalti untuk hubungan tersebut di antar komunitas. Partisi yang dihasilkan mengelompokkan aktor yang berbagi hubungan intensif, bukan sekadar hubungan apa pun.

4

Hasil diinterpretasikan secara struktural: hub berkekuatan tinggi adalah perantara pertukaran intensif, bukan hanya penghubung yang sering. Statistik kepadatan dan kohesi dihitung ulang pada matriks berbobot. Visualisasi menskalakan ketebalan sisi sesuai bobot, membuat arsitektur subgraph hubungan kuat segera terbaca.

Kesalahan umum

  • Menggunakan hitungan mentah (misalnya, jumlah email) tanpa normalisasi untuk periode pengamatan atau aktivitas simpul, sehingga melebih-lebihkan bobot untuk aktor bervolume tinggi.
  • Mengabaikan distribusi bobot — ketika sebagian besar bobot hampir sama, metrik berbobot menambah kebisingan daripada sinyal.
  • Mencampuradukkan bobot dengan kepentingan tanpa justifikasi substantif untuk skema pembobotan.
  • Memvisualisasikan jaringan berbobot yang padat tanpa memfilter hubungan berbobot rendah, menghasilkan graf yang tidak terbaca seperti bola rambut.
  • Menerapkan metrik berbobot pada data yang secara inheren biner (misalnya, hubungan organisasi formal).

Pertanyaan yang sering diajukan

Jenis data apa yang saya butuhkan untuk SNA berbobot?

Anda memerlukan dataset relasional di mana setiap hubungan antara dua aktor membawa nilai numerik — jumlah interaksi, skor kedekatan yang dilaporkan survei, aliran moneter, atau ukuran relasional kontinu apa pun. Daftar sisi sederhana dengan tiga kolom (sumber, target, bobot) sudah cukup untuk sebagian besar alat.

Bagaimana cara memilih skema pembobotan?

Skema pembobotan harus dimotivasi secara teoritis. Hitungan peristiwa mentah adalah pilihan paling umum tetapi harus dinormalisasi untuk panjang jendela pengamatan. Ketika bobot berasal dari survei (misalnya, peringkat kedekatan 1–5), pertimbangkan apakah skala tersebut interval atau ordinal sebelum menggunakannya dalam operasi aritmatika.

Apakah SNA berbobot lebih baik dari SNA biner?

Tidak secara kategoris. Metode ini lebih informatif ketika kekuatan hubungan penting bagi pertanyaan penelitian dan ketika bobot diukur secara andal. Ketika tujuannya adalah analisis keterjangkauan atau bobot diukur dengan buruk, SNA biner lebih sederhana dan menghindari pengenalan kebisingan pengukuran.

Perangkat lunak mana yang mendukung SNA berbobot?

igraph (R dan Python), NetworkX (Python), dan Gephi semuanya mendukung graf berbobot secara native. Paket tnet di R dirancang khusus untuk jaringan berbobot dan dua-mode mengikuti kerangka kerja Opsahl et al.

Bagaimana cara memvisualisasikan jaringan berbobot tanpa bola rambut?

Terapkan ambang batas bobot untuk mempertahankan hanya sisi di atas batas yang bermakna, atau gunakan pohon rentang minimum untuk mempertahankan tulang punggung. Skalakan lebar dan opasitas sisi sesuai bobot, dan terapkan algoritma deteksi komunitas untuk mewarnai simpul berdasarkan kluster sehingga struktur terlihat jelas.

Metode terkait

Sumber

  1. Barrat, A., Barthélemy, M., Pastor-Satorras, R., & Vespignani, A. (2004). The architecture of complex weighted networks. Proceedings of the National Academy of Sciences, 101(11), 3747–3752.

    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.