Friendship Network

5 years ago, I created my first friendship (ego) network from LinkedIn; since then, I haven’t had a chance to make a similar network from other platforms. Friendship networks allow me to see my existence in the virtual world, social life, reputation, circle, interest, and most importantly, behavior.

This time, I created my IG (ego) network. It consists of my reciprocal relations on IG ( i follow you, and you follow me). From reciprocal connections with 800 IG accounts, the network expands quickly to around 90000 accounts. A huge dataset and laborious task to filtered since we don’t have API access to IG. Thanks to my colleagues @apriandito, who provided me with the data, and @dianrdn, who gave the visualization idea.

242694570 10159281610535202 1496117956343141225 n

Different color means different group. Node with the same color means they belong to the same group. Some names show up on each group means they are my bridges to the respective group. If your name is not there, you are less influential as my bridge ( it doesn’t mean that you are less meaningful to me). If you believe you are in my network, you can guess where you are and our group name (what is the label of our group).

Advertisement

Taksonomi SNA

Social Network Analysis (SNA) atau dalam lingkup keilmuan lebih besarnya disebut Network Science terdiri dari banyak keilmuan yang menggabungkan ilmu dasar seperti teori graf, statistik, simulasi, dan visualisasi data. Saat menyusun disertasi,  saya pernah menggambarkan taksonomi SNA, namun tidak tuntas waktu itu. Kali ini saya gambar Taksonomi SNA versi final (awal 2021). Semoga taksonomi ini bermanfaat buat rekan rekan yang ingin mengetahui betapa luasnya lingkup keilmuan SNA.

Keterangan: saya hanya mengeksplorasi atau pernah melakukan atau menggunakan area lingkaran yang berwarna abu. Lingkaran yang berwarna putih belum pernah saya eksplorasi. Jadi sebenarnya masih banyak area SNA yang belum saya pelajari.  

Taxonomy SNA

Buku Pengenalan Social Network Analysis (SNA)

Sudah sejak 3 tahun yang lalu saya berencana menulis buku tentang pengenalan Social Network Analysis (SNA). Saya lihat kebanyakan buku SNA ditulis dalam bahasa Inggris, belum nemu yang dalam bahasa Indonesia. Berdasarkan pengalaman riset di lab. Social Computing and Big Data (SCBD), dan juga riset disertasi saya tentang SNA, maka saya tekatkan untuk harus segera menulis buku SNA.Namun rencana ini tidak semulus yang saya perkirakan, ternyata membutuhkan usaha yang tidak mudah untuk menjaga konsistensi komitmen menulis. Nah, .. akhirnya toh buku ini selesai juga setelah mencicil selama 3 tahun. Buku selesai ditulis pada bulan oktober 2020, tapi bukunya sendiri baru diluncurkan / dijual ke pasar bulan januari 2021 ini.

SNA adalah salah satu bidang keahlian saya, makanya sudah seharusnya saya menulis tentang bidang ini. Pada era Industri 4.0 dan ledakan data yang masif dewasa ini, SNA sangat membantu untuk menstrukturkan, mengukur, dan memformulasikan jejak digital manusia sehingga bisa membantu para pengambil keputusan untuk memahami perilaku manusia. SNA merupakan metodologi fundamental, seperti statistik bisa diimplementasikan ke berbagai domain, seperti bidang bisnis, komunikasi, politik, perbankan, rekayasa, keamanan, dan lain lain.

Buku yang saya tulis ini judul lengkapnya adalah “Pengenalan Social Network Analysis : Konsep dan Praktis”. Dari judul terlihat yang saya sampaikan adalah konsep dasar SNA dari sisi teori graf sampai penjelasan permodelan sosial dan praktis dalam artian implementasi pada beberapa bidang, dan yang paling akhir buku ini dilengkapi kode python dan R yang bisa dicoba sebagai latihan untuk komputasi metrik SNA. Buku ini cocok buat mahasiswa atau khalayak umum yang ingin memahami SNA, terutama sih pada prakteknya untuk analisa data data media sosial.

Oh ya buku ini saya tulis bersama dengan co-author saya Dian. Beliau adalah alumni dari lab. SCBD, yang saat ini menjadi dosen di FEB Telkom University.

Buku ini dijual dengan harga 85000 untuk Hard Copy, dan 75000 untuk Soft Copy. Untuk pembelian, bisa melalui Link Tokopedia berikut :

https://www.tokopedia.com/scbd-shop/buku-pengenalan-social-network-analysis-konsep-dan-praktis

1  1

3

Isu Rasialisme pada Kerusuhan di US

Kerusuhan yang terjadi di Amerika (Riot in USA) beberapa hari terakhir ini diduga karena isu rasial. Setelah ngubek ngubek percakapan di Twitter memang terbukti isu rasial merupakan isu dominan yang melatari demo di kota kota besar di US. Gerakan Black Lives Matter yang muncul sejak beberapa tahun belakangan menjadi semakin intense karena kejadian terbunuhnya George Floyd oleh polisi kulit putih di Mineapolis.  

50 tahun yang lalu US masih implementasi hukum segregasi, ini sudah menjadi budaya yang mengakar di masyarakatnya, tidak akan mudah dihilangkan begitu saja. Seperti di Indonesia, jaman diponegoro masyarakat kita sudah terkenal murah senyum, sampai sekarangpun (sudah ratusan tahun), kita tetap murah senyum. Ini menunjukkan bahwa 50 tahun itu masih terhitung sebentar untuk merubah budaya.

Anyway hasil discourse network analysis, diperoleh kata kata dominan berikut. Terdapat juga tweet dari Trump, namun tidak terlalu dominan, walaupun tweet Trump malah tidak “wise”, alias tidak membuat demo menjadi semakin reda. Bersyukur di Indonesia, kita tidak begitu. Warna ungu dan warna hijau merupakan kumpulan kata kata dominan. yang kata kata tidak dominan tidak saya tunjukkan. 

Screen Shot 2020 05 30 at 13 37 18

Fenomena #SayaBertanya

Hashtag #SayaBertanya muncul pertama kali pada 6 Februari 2017 setelah mantan presiden SBY memposting tweet yang ditujukan kepada Presiden dan Kapolri. Saya tidak menyoal tweet pak SBY tersebut, tapi saya lebih tertarik viralitas hashtag ini yang ternyata sangat populer. Viralitas tersebut disebabkan kreativitas warga twitter sendiri yang membuat guyonan menggunakan hashtag tersebut, terlepas itu sindiran atau hanya sekedar guyonan. Meme dan variasi kata pendek ini diaplikasikan ke dalam permasalahan pacaran, gebetan, harga bahan pokok, kemacetan, dan hal hal keseharian masing masing orang. Viralitas ini juga menyebar sampai ke facebook, instagram, dan path.

Sayangnya saya baru sempat ambil data sejak tanggal 7 Februari, jadi lumayan telat sehari dari puncak masa populer hashtag tersebut. Akan tetapi walaupun telat, dimana saya mengambil tweets antara tanggal 7-9 februari (selama kurang lebih 50 jam). Saya mendapatkan 25 ribu tweet yang memuat hashtag #SayaBertanya. Menurut saya termasuk lumayanlah, sebenarnya proses crawling sampai saat ini masih tetap berjalan, tapi saya sudah ga sabar untuk segera analisa dan nunggu hasilnya :P. Dari 25 ribu tweet tersebut, saya memperoleh 8613 aktor dan 15898 relasi, cukup lumayan ramai / padat percakapan yang terjadi disana baik dalam bentuk retweet maupun reply / mention.  

Viralitas hashtag ini menunjukan bagaimana dinamisnya bangsa kita di media sosial. Bagaimana kreativitas merubah hal hal yang biasa menjadi suatu hiburan dan menjadi topik pembicaraan serius maupun santai. Fenomena yang asyik untuk diteliti dan dijadikan percobaan perilaku manusia di internet.

Berikut ini pola interaksi hashtag #SayaBertanya

Sayabertanya1

Sayabertanya2

Berikut ini ini adalah aktor aktor dominan dalam percakapan tersebut. @SBYudhoyono paling banyak dimention, diteruskan oleh @jokowi dan @basuki_btp. 3 kelompok terbesar adalah kelompok (modularity class) no 11, 544, dan 540. @jokowi @basuki_btp tidak termasuk ke dalam kelompok dominan. 

Screen Shot 2017 02 09 at 9 14 00 PM  2

Berikut ini contoh contoh tweet tweet dari hashtag ini yang lucu lucu (menurut saya lho)

Screen Shot 2017 02 09 at 8 43 47 PM

Screen Shot 2017 02 09 at 8 43 52 PMScreen Shot 2017 02 09 at 8 44 10 PM

Contoh contoh lain bisa dilihat di artikel (di detik) berikut ini : 

https://inet.detik.com/cyberlife/d-3415131/netizen-heboh-sayabertanya-kepada-presiden

Rekayasa Komunikasi / Communication Engineering

Tadi malam sambil ngopi ngopi dan makan gorengan, saya ngobrol ngobrol asyik (unofficial) dengan beberapa rekan social media officer (SMO). SMO ini sebenernya kerjanya rangkap rangkap menjadi Humas, Customer Relationship Management (CRM), Branding, Analisa Kompetitor, membangun massa dan lain lain melalui corong media sosial organisasi / perusahaan. Berat bukan pekerjaan mereka ? .. sepertinya mudah tapi tanggung jawabnya sangat besar dan belum ada alat ukur yang pasti bagaimana mengukur keberhasilan pekerjaan mereka, akibatnya banyak SMO yang disalahkan karena dianggap tidak optimal mendukung aktivitas organisasi dalam berhubungan dengan pihak luar. Beberapa rekan SMO mengungkapkan strategi mereka untuk mengatasi hal tersebut, seperti menghitung like, retweet, engagement, dll .. tapi rasanya belum ada pemahaman mendasar bagaimana menjelaskan pengukuran pengukuran yang dilakukan, sampai saya ingat ide saya 5 tahun lalu (mengenai rekayasa komunikasi) saat saya pertama kali belajar mengenai social network analysis (SNA).

Ide yang saya lontarkan saya sebut sebagai Rekayasa Komunikasi ( Communication Engineering), yang tujuannya adalah bagaimana kita bisa merekayasa jejaring sosial sehingga bentuk, ukuran, dan engagementnya sesuai yang kita inginkan. Teringat hal tersebut, saya langsung presentasikan di depan para SMO mengenai beberapa faktor dan framework untuk merekayasa komunikasi online ini. Dengan paham rekayasa komunikasi kita bisa menangkis hoax, mengukur viralitas (diseminasi informasi), mengukur brand awareness, meningkatkan jumlah engagement, meningkatkan audience secara terukur dengan menyediakan langkah langkah strategis sesuai feedback dari bentuk jaringan, dll.

Contoh ilustrasi jejaring sosial bisa dilihat pada gambar 1, berikut ini. Misal terdapat 34 orang / aktor di dalam jejaring sosial yang membicarakan tentang suatu brand / organisasi. Maka bentuk jaringan 34 orang yang semuanya saling terhubung tentu akan berbeda dengan bentuk jaringan 34 orang yang masing masing punya satu hubungan. Disini jejaring sosial memainkan peran penting dalam mengukur kompleksitas hubungan yang ada (diukur dari berapa banyaknya hubungan atau densitas jejaring sosial). Kita bisa monitor bentuk jaringan sosial percakapan per hari untuk melihat apakah usaha usaha yang dilakukan SMO mendapatkan respon positif (jaringan membesar) atau bahkan respon kurang (jaringan menciut). Kita juga bisa identifikasikan orang orang yang berpengaruh di dalam jaringan (aktor nomer 1, 33, 34) baik pengaruhnya baik ataupun buruk. Kelompok yang terbentuk di dalam jejaring sosial dan lain lain

 

NewImage

  gambar 1. jejaring sosial 34 orang 

Framework yang saya usulkan supaya kerja SMO menjadi terukur menggunakan rekayasa komunikasi adalah pada gambar 2 sebagai berikut. Disini dapat dilihat bahwa sumbu X dan sumbu Y menunjukan bahwa network (ukuran, densitas, bentuk jaringan) menjadi tolak ukur apakah 5 faktor (content, context, buzzer, threat, interactivity) membawa perubahan signifikan ke network. Saya uraikan satu satu faktor tersebut.

Framework SMO

gambar 2. framework rekayasa komunikasi 

1. Content

Konten adalah hal pertama yang bisa meningkatkan engagement atau memperbesar ukuran jaringan (Viral). Kita bisa melakukan day-to-day monitoring terhadap ukuran jaringan. Apakah konten yang kita tampilkan memperbesar jaringan secara signifikan, mengecilkan jaringan atau tetap saya tidak ada perubahan. Dengan target engagement audience yang besar (menjadi massa) maka kita harus memperbanyak konten / akun yang menampilkan cerita yang berhubungan dengan brand dari berbagai sisi, kemudian kita lihat konten mana yang berhasil menjadi viral dan konten mana yang tidak, serta mendefinisikan karakteristik audience kita

2. Context

Dengan konteks yang sesuai maka ukuran ukuran jaringan juga bisa membesar secara cepat, contoh adalah menyesuaikan dengan trending topics, seperti Om Telolet Om , Persib Juara dan lain lain. Sama seperi konten diatas kita evaluasi konteks yang kita tampilkan apakah sukses menjadi viral, jika tidak, langkah apa yang diperlukan supaya menjadi viral

3. Buzzer

Buzzer sebetulnya bukan suatu keharusan, akan tetapi jika kita ingin membentuk massa dengan cepat (tidak melihat kualitas) maka menyewa buzzer merupakan langkah yang praktis. Perlu diingat bahwa kehadiran buzzer perlu dievaluasi dengan ukuran berapa besar jaringan yang buzzer berhasil bentuk yang akhirnya terintegrasi dengan jaringan brand kita. Dan apakah jaringan ini bersifat permanen atau temporary. Evaluasi jaringan membantu SMO dalam melihat efektivitas seorang Buzzer

4. Threat

Identifikasi ancaman merupakan salah satu faktor yang penting agar supaya jaringan yang ktia bentuk dengan susah payah tidak menjadi bubar dan hancur. Identifikasi ancaman dilanjutkan dengan langkah meminimalisir ancaman. Kita bisa melakukan proses analisa sentimen terhadap jaringan brand kita. Jaringan yang terbentuk bisa dibagi menjadi kelompok jaringan positif dan kelompok jaringan negatif. Identifikasi tokoh pada jaringan negatif dan langkah langkah untuk meminimalisir supaya tidak viral perlu dilakukan bergantung kepada kondisi isu yang digulirkan. Identifikasi hoax juga bisa dimulai dari aktvitas pada faktor ini.

5. Interactivity

Dalam rangka pencarian informasi yang efektif dan efisien, banyak pengguna intereat beralih menggunakan media sosial sebagai jalur komunikasi utama ke perusahaan. CRM melalui media sosial sudah banyak diadopsi oleh perusahaan perusahaan besar. Akan tetapi masih banyak juga perusahaan yang belum melakukan hal ini. Dengan menyediakan jalur komunikasi antar pelanggan-perusahaan melalui media sosial, maka viralitas dan ukuran jaringan akan meningkat, apalagi aktivitas CRM biasanya bisa kita lihat juga sebagai Frequently Asked Question (FAQ), sebuah dokumentasi penting yang wajib dipunyai oleh sebuah brand. Interactivity yang tinggi sangat disukai audience dan secara positif memperbesar ukuran jaringan.

Ke lima faktor diatas adalah faktor faktor yang bisa kita rekayasa untuk meningkatkan viralitas, brand awareness, menambah jumlah user, dan meminimalisir ancaman. Saya pernah berkata bahwa di era ICT saat ini. Komunikasi bukan hanya masalah kualitas konten tapi juga pengukuran penyebarannya, makanya sebetulnya orang orang yang melakukan aktivitas rekayasa ini lebih kita sebut sebagai engineer (insinyur) daripada seorang ahli sosial. Entah yang lains etuju apa tidak … Semoga bermanfaat …

Network dan Sentimen #SaveGojek

Kemarin selama beberapa jam layanan ojek online dilarang beroperasi oleh Kemenhub. Tagar #SaveGojek langsung merajai media twitter. Sambil nungguin Sarah ujian balet pagi ini, saya iseng crawl twitter tentang fenomena kemarin. Bagaimana network dan sentimen dari tweet tweet tersebut, bisa dilihat pada gambar dibawah ini. Network diperoleh dari percakapan yang terjadi. Crawling dengan library twitteR di R diperoleh 10 ribu tweet dalam rentang dari pukul 8:30 pagi sampai dengan pukul 14:00 siang tanggal 18 desember 2015. Saya berhentikan crawling data sampai 14:00 karena saat itu pelarangan ojek online di tunda, yang artinya ojek online sudah diperbolehan lagi.

Setelah melakukan penyaringan tweet saya memperoleh sekitar 2000 percakapan. Banyak sekali ditemukan tweet sampah, tampaknya ada orang / kelompok yang berusaha mengaburkan isu #SaveGojek dengan isu isu lain yang tidak berkaitan (sampah). Konstruksi interaksi di twitter membentuk network percakapan dengan visualisasi sebagai pada gambar dibawah ini. Seperti karakteristik cuitan pada twitter, mayoritas diwarna oleh opini pribadi, dan mayoritas akhirnya tidak membentuk percakapan yang memadai. 

Savegojek

Peringkat akun akun populer (me-mention + di-mention) adalah berturut turut @jokowi, @kurawa, @pramonoanung dan seterusnya. lengkapnya ada pada tabel dibawah ini, semakin besar nilai degreenya maka semakin populer akun itu di twitter.

 

Rankingsavegojek

Adapun sentimen dari tagar #SaveGojek dapat dilihat pada wordcloud berikut ini. Terlihat bahwa sentimen yang terjadi mayoritas adalah sentimen negatif terkait pelarangan ojek online, terutama berkaitan dengan kata kata dilarang, dukung, rakyat, inovasi, membantu, Jonan dan lain lain.  

Savegojekwordcloud

Partisipasi dalam Konferensi Big Data 2015

Konferensi Big Data Indonesia (KBI) adalah event besar Big Data di Indonesia. Tahun ini adalah tahun ke dua KBI dilakukan, setelah event pertama tahun lalu di Jogjakarta. Tahun ini KBI akan diadakan di Bandung, dimana komunitas idBigData akan berpartner dengan Telkom University. Tujuan dari KBI adalah untuk mempermudah penyampaian informasi Big Data kepada para peserta dengan mengkombinasikan antara penjelasan, diskusi, showcase (demo) dan studi kasus. Konferensi adalah forum yang akan menggabungkan praktisi, peneliti dan pendidik untuk berdiskus inovasi dani state-of-the-art Big Data khususnya di Indonesia dan untuk kemajuan pembangunan Indonesia.Profil lengkap dan pengenalan mengenai KBI 2015 bisa dilihat di link ini. Visi dan Misi KBI 2015 berkenaan dengan kemandirian / kedaulatan bangsa Indonesia atas datanya sendiri, hal ini tertuang pada executive summary berikut ini 

Event ini adalah event kedua saya ikut berpartisipasi dalam acara idBigData, setelah idBigData MeetUp #4 bulan juni 2015. Pada event KBI 2015 banyak sekali pembicara dan pakar di bidang bidang yang berhubungan dengan Big Data, detailnya bisa dilihat pada halaman ini. Para pembicara diantaranya adalah Walikota Bandung Ridwan Kamil, Dirjen Pos dan Penyelenggaraan Informatika Kominfo Prof. Dr. Kalamullah Ramli, Ketua Dewan TIK Nasional Dr. Ing. Ilham Akbar Habibie, dan masih banyak lagi ahli ahli di bidangnya masing masing. Dari Telkom University saya mewakili bidang yang menjadi spesialiasi saya yaitu Social Network Analysis.  

Ok jangan sampai ketinggalan dan ramaikan event KBI 2015 di Telkom University tanggal 1-2 Desember 2015. Have Fun dengan Big Data

887403 10153407754613073 8598826414545641952 o

Pembicara

Kekuatan Hubungan Lemah Pada Jejaring Sosial

Karya Granovetter yang paling terkenal adalah paper “The Strength of Weak Ties”  (1973). Paper ini merupakan paper yang paling banyak disitasi di bidang sosiologi. Ide Granovetter sangat revolusioner pada jamannya, dimana dia melihat bahwa keberhasilan penyebaran informasi menuju ke populasi yang lebih besar pada bidang pemasaran, politik, dan lain lain bergantung kepada hubungan pertemanan lemah yang dimiliki seseorang atau kelompok. Berlawanan dengan anggapan orang pada masa itu, hubungan (pertemanan) yang kuat ternyata justru tidak akan membawa atau menyebarkan informasi ke audience yang lebih luas. 

Secara empiris, hal ini bisa kita buktikan. Hubungan transitivity , yaitu jika si A kenal B, dan B kenal C, maka kemungkinan besar A akan kenal C, dari sini bisa dilihat kalo melibatkan banyak orang maka akan timbul hubungan pertemanan yang kuat atau sering di sebut clique  dimana setiap anggota suatu jejaring sosial akan kenal semua anggota jejaring sosial tersebut. Dua sifat diatas akan membentuk cluster / community / kelompok pada jejaring sosial, dimana pada suatu kelompok biasanya mempunyai pemikiran atau ide yang sama dalam melihat suatu permasalahan. Informasi yang beredar didalam grup itu akan menyebar keluar (secara luas) melalui hubungan hubungan lemah antara orang orang di dalam grup dengan orang orang di luar. Untuk tahu lebih detail melihat formulasi dan eksperimennya, silahkan baca papernya dari link diatas. 

Ilustrasi lainnya adalah kita bisa menyebarkan suatu informasi ke khalayak yang lebih luas dibantu oleh semua teman teman kita, dimana tentu saja yang dominan jumlahnya adalah teman teman yang hubungannya lemah. Temen teman dekat kita tentu jumlahnya terbatas dan lebih sedikit dengan teman yang tidak begitu dekat. Jadi cermatilah teman teman anda, perhatikan dan lihat apakah ada peluang bagi anda untuk memanfaatkannya untuk kepentingan anda dalam menyebarkan informasi ?

 

400px Tie network

ilustrasi penyebaran informasi antar kelompok karena adanya hubungan lemah 

Social Network Analysis menggunakan Software Wolfram Mathematica

Mathematica adalah software untuk permodelan, komputasi, dan banyak analisa matematika lainnya keluaran dari Wolfram. Beberapa fitur andalan dari software ini struktur matematika, komputasi geometris, persamaan diferensial, machine learning, struktur dan data semantik, proses random, visualisi dan banyak lagi lainnya. Sejak Mathematica versi 9, Salah satu fitur yang menarik di software (karena banyak berhubungan dengan riset saya) ini adalah fitur Social Network Analysis (SNA) atau analisa jejaring sosial.

Memang banyak software untuk membantu analisa jejaring sosial baik dari segi manajemen data jejaring sosial, manajemen real-time / streaming data jejaring sosial, visualisasi dan rekayasa jejaring sosial, perhitungan metrik jejaring sosial dan lain lain, baik untuk jaringan ukuran kecil maupun besar. Paket / Library SNA pada Mathematica ini menyangkut ke permodelan jaringan, simulasi jejaring sosial, visualisasi sederhana dan perhitungan standard metrik jaringan.

Mathematica ini juga digunakan diberbagai bidang, salah satunya adalah bidang bisnis dan ekonomi. Untuk selanjutnya, saya melengkapi entri blog ini dengan penjelasan lewat gambar gambar ..

Screen Shot 2015-02-27 at 7.42.21 PM (2)Mathematica yang saya gunakan adalah versi 10 (2014)

Screen Shot 2015-02-27 at 8.01.50 PMMathematica bisa diaplikasikan pada bidang bidang diatas, banyak sekali bukan ?

Screen Shot 2015-02-27 at 7.49.33 PM (2)

Visualisasi jejaring sosial melalui sosial media facebook, twitter dan lain lainnya

Screen Shot 2015-02-27 at 7.50.05 PM (2)Perhitungan metrik Clique untuk mengetahui kekuatan hubungan pada jejaring sosial

Screen Shot 2015-02-27 at 7.51.32 PM (2)Perhitungan komunitas atau grup pada data media sosial facebook

Screen Shot 2015-02-27 at 7.51.48 PM (2)Menghitung metrik k-cores untuk deteksi komunitas pada jearing sosial

Screen Shot 2015-02-27 at 7.52.16 PM (2)Perhitungan Degree Centrality, metrik yang umum digunakan pada SNA

Screen Shot 2015-02-27 at 7.52.29 PM (2)Permodelan jejaring sosial dengan yang memenuhi sifat / fenomena small world

Screen Shot 2015-02-27 at 7.52.42 PM (2)Melihat sifat assortative mixing / homophilly pada jejaring sosial

Screen Shot 2015-02-27 at 7.52.55 PM (2)Mencari partisi graf pada jejaring sosial