Teknik analisis tradisional tidak cukup untuk mengkaji fenomena sosial di-namis yang kompleks seperti jaringan sosial, penyebaran inovasi dan sistem kom-pleks yang lainnya. Model komputasi dibuat untuk mensimulasikan himpunan proses yang di observasi di dunia nyata untuk memahami proses-proses tersebut dan memprediksi hasil dari proses alami yang diberikan satu set parameter seba-gai input. Jaringan sosial merupakan interaksi sosial diantara aktor-aktor yang memiliki hubungan yang dalam dunia nyata bersifat dinamis dan tidak tetap.
Untuk dapat memahami proses atau prilaku dalam jaringan sosial dinamis diper-lukan model yang dapat digunakan untuk mensimulasikan proses dinamis dalam jaringan sosial tersebut.
Jaringan sosial merupakan paradigma yang sangat penting dalam mema-hami masalah yang sangat beragam mulai dengan masalah penyebaran penyakit menular sampai pada penyebaran informasi (Newman et al., 2006, Rolls et al., 2013). Teknik yang dapat diterapkan dalam jaringan sosial juga dapat digunakan untuk jaringan fisik dan masalah graf lainnya seperti menemukan sumber kon-taminasi pada pasokan air (Habiba et al., 2008).
Masalah-masalah yang telah dikaji sebelumnya kebanyakan hanya bertumpu pada jaringan sosial statis, dimana hubungan antar aktor tetap selama jangka waktu penelitian (Sylvester, 2009). Dalam banyak situasi hal ini merupakan
29
UNIVERSITAS SUMATERA UTARA
asumsi yang tidak realistis sebagai contoh seorang siswa akan berinteraksi dengan rekan di sekolah dan ketika kembali kerumah akan berinteraksi dengan orang yang berbeda. Interaksi orang dewasa yang akan berubah ketika berpindah ketempat kerja yang baru bahkan interaksi pada hewan pun akan berubah pada saat mereka bermigrasi ketempat lain.
Suatu hal yang sulit untuk mengukur jaringan dinamis berbanding jaringan statis. Pengukuran standar yang sering dilakukan untuk jaringan statis akan ter-ganggu ketika hubungan jaringan berubah. Brandes (2008) menjelaskan berbagai bentuk pengukuran sentralitas jaringan dan memperkenalkan algoritma untuk menghitung semua pengukuran yang ditentukan sebelumnya. Sentralitas meru-pakan satu dari dua tujuan utama dalam mengukur jaringan dinamis (Brandes, 2008) relevan dengan algoritma klaster (clustering) yang diperkenalkan dalam (Newman dan Girvan, 2004).
Kebanyakan kajian berkaitan jaringan dinamis dilakukan pada jaringan kom-puter, khususnya jaringan komunikasi tanpa kabel (wireless) (Wang dan Crowfort, 1992, Do, 2008). Domain jaringan komunikasi memiliki kebutuhan berbeda de-ngan analisis jaride-ngan sosial. Kajian oleh Wang dan Crowfort, (1992) dan Do, (2008) hanya menekankan pada analisis lalulintas dalam jaringan saja. Sedang-kan analisis jaringan sosial jarang memperhatiSedang-kan level penggunaan laluan (link), melainkan fokus pada apakah laluan tersedia dan apakah semua laluan diman-faatkan. Sebagai contoh apakah suatu virus akan berpindah dari satu orang kepada orang lain atau tidak.
31
Penelitian yang dilakukan oleh Leskovec et al., (2007) mengkaji jaringan sitasi blog yang bersifat temporal. Jaringan dalam model ini masih statis, tetapi tiap laluan (link) dibobotkan dengan bobot yang menunjukkan berapa lama waktu yang dilalui antara kemunculan sebuah cerita dalam satu blog dengan waktu blog tersebut di sitasi oleh blog lain.
Masalah utama yang paling penting dalam jaringan sosial adalah memaksi-malkan pengaruh, yang mendasari kebanyakan aplikasi dalam dunia nyata, misal-nya dalam merancang sebuah kampanye pemasaran secara viral. Untuk itu perlu dipilih subset node dalam graf sosial yang mana jika diaktifkan maka akan menye-bar ke semua node dalam graf. Diberikan sebuah jaringan G = (G1, . . . , GT) yang dinamik pada satu waktu T , pilih satu set verteks A0 dengan |A0| = k untuk menjadi menebarkan aktivasi yang akan memaksimalkan aktivasi total |AT| se-buah jaringan pada waktu T .
Dalam konteks pemasaran seara viral seseorang akan diberikan sampel se-buah produk untuk memilih satu kelompok orang yang sangat berpengaruh de-ngan harapan mereka akan merekomendasikan produk tersebut kepada teman mereka yang kemudian akan merekomendasikan kepada teman mereka seterusnya sehingga menjadi sebuah rantai yang akan mengalir keseluruh jaringan. Hal ini akan berdampak pada sebanyak mungkin orang yang mengetahui tentang produk baru tersebut. Masalah berkaitan dengan memaksimalkan pengaruh telah luas diteliti antaralain Kempe et al.,(2003), Abramson dan Rosenkopf (1997), Valente (1995), penelitian tersebut dilakukan pada jaringan statis karena masalah
pemili-UNIVERSITAS SUMATERA UTARA
han subset awal yang optimal merupakan NP -Hard, maka pendekatan algoritma harus digunakan. Pendekatan standar adalah menggunakan greedy dimana se-tiap node diukur dan diranking dengan indikator sentralitas. Ranking tertinggi node k kemudian akan dipilih sebagai aktivasi awal. Walaupun metode ini cukup sederhana, tetapi juga sangat efektif (Kempe et al., 2003).
Meskipun begitu pendekatan ini belum digunakan secara menyeluruh pa-da jaringan dinamis terutama papa-da bagian yang telah disebutkan sebelumnya yaitu kurangnya indikator untuk mengukur pengaruh sebuah node pada kondisi dinamis. Habiba et al., 2007 mengemukakan sebuah pengukuran yang disebut lin-tasan keantaraan sementara (temporal path betweenness), yaitu yang berpedoman pada penghitungan lintasan (path) sementara terpendek yaitu lintasan dalam graf yang berkitan dengan waktu.
Sejauh ini Habiba et al., (2007) telah menerapkan lintasan keantaraan tem-poral (temtem-poral path betweenness) pada masalah memaksimalkan dan menutup penyebaran dalam jaringan dengan hasil yang baik (Habiba et al., 2008, Habiba dan Berger-Wolf, 2007). Teknik yang digunakan oleh Habiba et al., sejauh ini adalah dalam penelitian jaringan kendaraan ad hoc (ad hoc vehicular network ) (Do, 2008).
Sylvester (2009) menerapkan sentralitas keantaraan lintasan temporal (tem-poral path betweenness) pada tiga jenis jaringan dinamis buatan yang berbeda un-tuk menilai pemanfaatannya sebagai heuristik unun-tuk teknik greedy dalam memak-simalkan pengaruh. Sebagai tambahan Sylvester (2009) mempertimbangkan
de-33
rajat rata-rata (average degree) sebuah node, penghitungan bobot keseluruhan tetangga (neighbors) dan gagasan baru yaitu koefisien klaster dalam situasi di-namis. Tiga jenis jaringan dinamis yang digunakan dalam Sylvester (2009) yaitu jaringan acak (random), jaringan skala bebas (scale-free) dan jaringan berdasarkan kedekatan (proximity-based). Dalam penelitian ini hanya garis (edge) saja yang ditambah dan dikurangi, node dibiarkan tetap. Graf yang digunakan adalah graf tak berarah dan tidak berbobot. Model yang digunakan dalam Sylverster (2009) adalah model treshold linear dan independent cascade model. Derajat rata-rata, keantaraan temporal (temporal betweenness) dan penghitungan bobot tetangga secara konsisten merupakan pengukuran yang terbaik (Sylverster, 2009)
UNIVERSITAS SUMATERA UTARA