Mumpung ada discount 50% dari oreilly.com, dua hari yang lalu saya beli ebook berjudul “Social Network Analysis for Startup”, karya Tsvetova M. Buku ini cocok dengan saya karena pengarangnya berasal dari computer science (bukan orang sosial murni) dan sekaligus praktisi di bidang social media analysis. Buku ini membahas teori SNA tapi juga bagaimana cara implementasinya secara komputasi menggunakan tools NetworkX. Berikut adalah pembahasan isi buku tersebut:
Riset mengenai SNA (Social Network Analysis) sebenarnya sudah dimulai puluhan tahun yang lalu, jauh sebelum era Facebook dan Twitter dan sebenarnya tidak terbatas pada social media saja.
SNA sendiri fokus pada relasi. Relasi ikut menentukan siapa kita dan bagaimana kita akan bertingkah laku. Relasi dapat berupa pertemanan, pengaruh, kepercayaan atau benci, konflik dan sebagainya.
Di dalam pengantar buku ini, dibahas contoh tentang pentingnya “informal network”. Informal network ini sering tidak terlihat tetapi memiliki pengaruh besar. Ditampilkan contoh sebuah perusahan yang mengubah struktur organisasi tapi menjadi kacau karena mengabaikan informal network yang ada.
Menggunakan contoh yang terjadi di Mesir, social media menjadi media yang powerfull karena memiliki kemampuan untuk menjaga dan memperkuat weak ties (keterhubungan lemah). Weak ties adalah: (1) hubungan yang sedikit atau tidak mengandung kaitan emosi, (2) orang yang terhubung tidak memiliki kemiripan dan (3) frekuensi komunikasinya rendah. Mengapa weak ties powerfull? Hubungan emosi yang rendah memungkinkan orang memiliki pendapat yang berbeda tanpa menimbulkan konflik; frekuensi komunikasi yang rendah memungkinkan kedua belah pihak menerima informasi yang berbeda dalam waktu yang berbeda (tidak-sinkron). Ketidaksinkronan ini justru yang dapat memperkaya informasi. Informasi baru yang berharga juga lebih mudah masuk dalam hubungan ini.
Menentukan individu yang paling penting dan berpengaruh di jejaring.
Bab 3 buku ini membahas kekuatan dan pengaruh individu (node) dalam jaringan. Beberapa ukuran yang dapat digunakan:
- Degree centrality: jumlah koneksi yang dimiliki sebuah node.
- Closeness centrality: jarak rata-rata antara node dengan semua node yang lain di jaringan. Ukuran ini menggambarkan kedekatan node ini dengan node lain. Semakin dekat, semakin terhubung orang tersebut dengan lainnya. Analoginya adalah tipe orang “gaul” yang kenal dengan semua orang akan memiliki pengaruh yang lebih besar karena dapat menyebarkan informasi lebih cepat tanpa perlu perantara pihak ketiga. Untuk mengukur jarak terpendek antar node dapat digunakan algoritma Dijkstra.
- Betweenness centrality: ukuran ini memperlihatkan peran sebuah node menjadi bottleneck. Node menjadi penting jika menjadi communication bottleneck. Analoginya, anggap persimpangan sebagai node. Semakin banyak jalan yang harus melewati persimpangan itu (misal tidak ada jalan alternatif), maka semakin penting arti persimpangan tersebut. Jika pada persimpangan tersebut lampu lalulintas mati, maka dapat berakibat fatal karena aliran mobil (informasi) akan terhambat. Ukuran ini juga dapat digunakan untuk mengidentifikasi boundary spanners, yaitu orang atau node yang berperan sebagai penghubung (jembatan) antara dua komunitas. Betweenness centrality sebuah node dihitung dengan menjumlahkan semua shortest path yang mengandung node tersebut.
- Eigenvector centrality: ukuran ini memberikan bobot yang lebih tinggi pada node yang terhubung dengan node yang juga memiliki keterhubungan tinggi. Dapat dikatakan versi rekursif dari degree centrality.
- PageRank: Ukuran ini digunakan Google untuk menentukan kualitas suatu page. Dapat digunakan untuk jaringan yang berbentuk graph berarah. Prinsip yang digunakan adalah semakin penting sebuah node, maka semakin banyak node tersebut direfer oleh node lain. Contohnya, situs seperti kompas.com punya peringkat yang tinggi karena banyak direfer di page lain. Dan misalkan blog ini direfer oleh kompas.com, maka peringkat blog ini juga akan naik.
Cliques (“geng”), cluster (kelompok ) dan komponen.
Jika sebelumnya dibahas dari sisi individu, berikutnya dibahas kelompok-kelompok yang terbentuk di jejaring.
Beberapa konsep untuk membagi jejaring adalah komponen dan ego network. Komponen adalah bagian dari jejaring yang tidak terhubung dengan yang lain. Sebuah komponen dapat dipecah menjadi komponen yang lebih kecil yang kemudian dianalisis secara terpisah. Sedangkan ego network adalah bagian dari network yang berpusat pada sebuah node (disebut ego). Eksperimen Noah Friedkin[ref] memperlihatkan bahwa dalam jejaring sosial, seseorang akan mengenal baik teman di derajat pertama dengan tingkat kesalahan hanya 30%. Tingkat kesalahan ini melonjak menjadi 70% pada derajat kedua (temannya teman) dan menjadi 100% pada derajat ketiga (temannya temannya teman). Jadi umumnya radius dari egonetwork tidak lebih dari tiga.
Salah satu metric yang dapat digunakan dalam kelompok adalah clustering coefficient yang menghitung proporsi keterhubungan node di dalam kelompok. Semakin kuat ikatan kelompok (semakin tinggi clustering coefficient) maka semakin terhubung satu sama lain node-node di dalam kelompok tersebut.
Dibahas juga hubungan yang disebut triad, yang merupakan hubungan antara 3 node. Misalnya terdapat tiga node A, B, C. Jika A, B dan C saling terhubung, ini disebut closed triad. Contohnya keluarga dengan bapak, ibu dan anak. Penelitian Newcomb [ref] menunjukan struktur closed triad paling stabil karena orang ketiga dapat berperan sebagai penengah konflik dan penyeimbang (terburuk adalah hubungan asymetric, disusul symetric). Analoginya di Twitter, hubungan symetric dimana hanya satu pihak memfollow yang lain adalah hubungan yang paling lemah. Hubungan yang lebih kuat terjadi jika keduabelah pihak saling follow. Tetapi yang terkuat adalah jika pihak ketiga yang terhubung dengan semuanya.
Hubungan yang menarik adalah pada open triad. Pada open triad, A terhubung B, B terhubung C, tapi A tidak terhubung dengan C. Open triad dapat terjadi karena memang disengaja. B sengaja membuat A dan C tidak terhubung. Di satu sisi ini dapat membebani B, misalnya dalam kondisi B menjadi teman curhat A dan C, tapi juga dapat menjadi keuntungan saat B menjadi broker. Misalnya B membeli barang di A seharga X lalu dijual kepada C dengan X+laba. Open triad yang disengaja ini disebut juga forbidden triad, structural hole atau brokerage structure. Penelitian Burt [ref] memperlihatkan bahwa pebisnis yang memiliki banyak structural hole lebih sukses dalam pasar yang kompetitif. Structural holes juga menjadi jembatan antar komunitas (boundary spanners).
Selain close dan open triad, ada 14 kombinasi lainnya bagaimana tiga node dapat terhubung. Analisis ke-16 bentuk triad dalam jaringan disebut dengan triad census. Sebagai contoh node yang memiliki struktur triad dengan banyak outgoing link dan structural holes dapat diduga sebagai sumber informasi dan group leader.
–bersambung–