BAB III PERANCANGAN MODEL
3.3 Preprocessing
3.3.1 Pembuatan Matriks
Preprocessing dilakukan sebelum dataset memasuki proses inti.
Berdasarkan Gambar 3.2 dapat dilihat alur yang terjadi saat preprocessing.
Preprocessing yang dilakukan adalah pembuatan matriks dari dataset tersebut dengan cara merepresentasikannya ke dalam matriks nxn dengan n adalah jumlah node yang terambil.
3.3.1 Pembuatan Matriks
Dari dataset tersebut kemudian direpresentasikan ke dalam bentuk matriks nxn dengan n adalah jumlah node yang terambil untuk dianalisis.
Gambar 3.4 menunjukkan tabel berisi daftar pengguna yang terambil serta relasi yang terjadi. Relasi dipresentasikan dengan bilangan biner, yang artinya apabila memiliki relasi maka kolom tersebut bernilai 1, sedangkan jika tidak maka bernilai 0.
Gambar 3.3 Real Graf Facebook
Gambar 3.4 Representasi Matriks nxn Social Network Facebook dengan n=50
Gambar 3.5 Random Graph
Gambar 3.6 Representasi Matriks nxn Random Graph
Gambar 3.7 Scale-free graph
Gambar 3.8 Representasi Matriks nxn Scale-Free Graph
3.4 Parameter Simulasi
Pada penelitian ini menggunakan beberapa parameter yang akan digunakan pada skenario simulasi pembentukan matriks di random graph dan scale-free graph.
Parameter Random Graph
Parameter Nilai
Jumlah node 50
Probabilitas 0.1
Tabel 3.1 Parameter simulasi random graph Parameter Scale-free Graph
Parameter Nilai
Jumlah node 50
mlinks 4
Seed [1 0 0 1 ; 1 1 0 0 ; 1 0 1 0 ; 0 0 0 1]
Tabel 3.2 Parameter simulasi scale-free graph 3.5 Skenario Simulasi
Percobaan dilakukan terhadap 50 node dari jaringan manusia riil(facebook), random network, dan scale free-network. Node tersebut diubah ke dalam bentuk matriks adjacency yang bernilai 0 dan 1 yang kemudian dianalisis dengan menggunakan metrik centrality. Pada random graph menggunakan parameter seperti tabel 3.1 di atas yaitu jumlah node dan probabilitas untuk menghasilkan sebuah matriks nxn, sedangkan pada scale-free graph menggunakan parameter mlinks dan seed. Berikut adalah tahap-tahap pembentukan matriks adjacency pada jaringan manusia riil (nyata), random network, dan scale-free network.
3.5.1 Real Human Network
Algoritma:
1. Masukkan data facebook ke dalam touchgraph.
2. Ubah graf secara manual menjadi bilangan biner 0 dan 1, yang artinya jika berteman maka 1, jika tidak maka 0.
3. Selesai
3.5.2 Random Graph Algoritma:
1. Buat variabel A=erdos_reyni(n,p)
2. Nilai n diisi dengan jumlah node yang akan dimasukkan yaitu 50 dan nilai p diisi dengan probabilitas dari setiap node yaitu 0.1
3. Kemudian buat variabel x=full(A) 4. Selesai
3.5.3 Scale-free Graph Algoritma:
1. Buat variabel seed= [1 0 0 1 ; 1 1 0 0 ; 1 0 1 0 ; 0 0 0 1]
2. Buat variabel SFNet=SFNG(Nodes,mlinks,seed)
3. Nilai Nodes diisi dengan jumlah node yang akan dimasukkan yaitu 50, nilai mlinks diisi dengan jumlah link setiap node yaitu 4, dan seed merupakan variabel yang berisi bilangan biner 0 dan 1.
4. Selesai
37 BAB IV
PENGUJIAN DAN ANALISIS 4.1 Perhitungan Centrality
Pada bagian ini dilakukan perhitungan dengan menggunakan metrik centrality pada jaringan manusia riil, random network, dan scale-free network.. Dari hasil perhitungan kemudian akan dianalisis hasil dari proses perhitungan yang dilakukan. Setidaknya terdapat 3 buah metode dasar untuk dapat menghitung bobot centrality dari setiap node dalam suatu graf, yaitu: betweenness centrality, closeness centrality, dan degree centrality.
Betweenness centrality adalah cara untuk menentukan bobot setiap node berdasar jalur terpendek yang dilewati oleh node lainnya. Closeness centrality adalah cara untuk mengukur kedekatan satu individu dengan individu lainnya, dan degree centrality adalah cara untuk mengukur popularitas individu dalam sebuah jaringan sosial. Adapun rumus untuk menghitung betweenness centrality, closeness centrality, dan degree centrality adalah:
Betweenness Centrality:
CB (i) =
Keterangan:
σ_st (v) = jumlah shortest paths dari node s ke t yang melewati node v σ_st = jumlah shortest paths dari node s ke t
Keterangan:
C(i) = Menghitung bobot suatu node ke i
(simple_dijkstra(adj,i)) = Jumlah jarak terpendek antara node i dengan node lainnya
Closeness Centrality:
C(i) = 1 / sum (simple_dijkstra(adj,i))
Keterangan:
CD = Menghitung bobot suatu node sum = Perintah penjumlahan
adj = Jumlah edge/link yang terbentuk pada node i dengan node lain pada matriks adjacency
4.2 Real Human Network 4.2.1 Betweenness Centrality
Gambar 4.1 Grafik hasil betweenness centrality pada Real Human Network
Berdasarkan rumus, betweenness centrality adalah metode untuk menghitung bobot setiap node berdasar seberapa banyak node i dilalui oleh dua node lain dalam graf berdasar jalur terpendeknya. Nilai betweenness centrality 0-600 pada gambar 4.1 grafik di atas merupakan jarak terpendek suatu node yang dilalui oleh node lainnya. Berdasarkan grafik betweenness
Degree Centrality:
CD = sum (adj)
centrality real graph (facebook) di atas nilai betweenness tertinggi ada di node 1, karena node 1 merupakan pusat (central) dalam real human network.
Node 1 memiliki nilai betweenness sebesar 595,3566 yang artinya node tersebut berperan sebagai jembatan (penghubung) antara satu node dengan node yang lainnya ketika node tersebut ingin bertemu dan node 1 juga terhubung dengan semua node yang ada. Jika dibandingkan dengan yang lainnya node 1 memiliki hasil yang paling signifikan, karena node 2-50 memiliki hasil yang lebih rendah dan memiliki nilai betweenness yang hampir sama. Jika dilihat dari grafik di atas, maka node 1 merupakan node yang menghubungkan satu node dengan node lainnya, karena semakin besar nilai betweenness suatu node maka semakin besar pula node tersebut dilewati oleh node lainnya berdasarkan jarak terpendek.
4.2.2 Closeness Centrality
Gambar 4.2 Grafik hasil closeness centrality pada Real Human Network
Berdasarkan rumus, closeness centrality adalah salah satu cara untuk mengukur centrality dalam suatu jaringan sosial yang fokus terhadap seberapa dekat suatu aktor dengan semua aktor lainnya. Closeness centrality akan menghitung bobot centrality sebuah node berdasar jumlah jarak terpendek
antara node i dengan node lainnya. Angka 0-0.025 pada gambar 4.2 grafik di paling signifikan dibandingkan dengan node lainnya. Dapat dikatakan demikian karena semakin besar nilai closeness sebuah node, maka semakin besar juga kedekatan node tersebut dengan node yang lainnya.
4.2.3 Degree Centrality
Gambar 4.3 Grafik hasil degree centrality pada Real Human Network
Berdasarkan rumus, degree centrality adalah cara untuk mengukur popularitas individu berdasarkan jumlah relasi yang dimiliki. Angka 0-50 pada sumbu y gambar 4.3 grafik di atas merupakan relasi/hubungan yang dimiliki suatu node dengan node lainnya. Pada degree centrality node 1 memiliki jumlah hubungan/relasi sebanyak 49. Jika dilihat dari grafik di atas ada beberapa node yang populer seperti node 15, 20, 24, 28, 32, 34, 40, dan
y
46, namun relasi yang dimiliki tidak sebanyak (sepopuler) node 1. Dapat dikatakan node 1 adalah individu yang paling populer, karena node 1 merupakan pusat diantara node yang lainnya dan memiliki hubungan langsung dengan semua node yang ada. Jadi semakin besar nilai degree suatu node maka semakin penting (populer) pula node tersebut dalam real human network.
4.2.4 Hubungan Betweenness, Closeness, dan Degree Centrality
Dari ketiga grafik real human network di atas dapat dilihat bahwa node 1 merupakan node yang populer (penting) yang diukur dengan betweenness, closeness, dan degree centality. Nilai betweenness dari node 1 sebesar 595,3566 yang mana node 1 menjadi jalur terpendek antar node. Pada closeness node 1 memiliki nilai sebesar 0,0204 yang berarti node 1 memiliki hubungan yang dekat dengan node lainnya. Kemudian pada degree node 1 memiliki hasil sebesar 49 yang menunjukkan jumlah hubungan/relasi langsung dengan node lainnya. Dari hasil analisis tersebut dapat dikatakan bahwa hubungan node 1 terhadap betweenness, closeness, dan degree adalah node 1 memberikan pengaruh lebih besar kepada node lainnya dan menjadi node yang paling penting dalam sebuah jaringan relasi manusia dilihat dari ketiga metrik centrality. Analoginya adalah tipe orang populer yang kenal dengan semua orang akan memiliki pengaruh yang lebih besar karena dapat menyebarkan informasi lebih cepat tanpa perlu perantara pihak ketiga. Ini menunjukkan bahwa sifat karakteristik hubungan manusia itu terjadi berdasarkan hubungan sekitarnya.
4.3 Random Graph (Erdos Reyni)
Gambar 4.4 Grafik hasil betweenness centrality pada Random Graph
Berdasarkan rumus yang ada, betweenness centrality adalah cara untuk mengukur bobot node berdasarkan jalur terpendek (shortest path). Angka 0-400 pada gambar 4.4 grafik di atas merupakan jarak terpendek sebuah node ketika dilewati oleh node lainnya. Pada betweenness centrality random graph, node yang memiliki nilai betweenness tertinggi adalah node 25 yaitu 325,6295.
Jika melihat grafik di atas, ada beberapa node yang memiliki nilai betweenness yang cukup tinggi seperti node 7, 9, 10, 33, 44, 45, dan 46, sedangkan di real human network hanya ada satu node yang memiliki nilai betweenness paling tinggi. Perbedaan yang sangat mencolok terlihat dari grafik real human network dan random graph, karena nilai betweenness di random graph lebih kecil jika dibandingkan dengan nilai betweenness di real human network. Ini menunjukkan bahwa ketika betweenness direpresentasikan pada setiap node di random graph hampir setiap node
mempunyai kecenderungan sebagai penghubung antar satu node dengan node
Gambar 4.5 Grafik hasil closeness centrality pada Random Graph
Berdasarkan gambar 4.5 grafik di atas, closeness centrality merupakan cara untuk mengukur kedekatan sebuah individu dengan individu lainnya.
Angka 0-0.01 pada grafik di atas adalah nilai kedekatan dari sebuah node terhadap node lainnya. Pada closeness centrality di random graph, setiap node memiliki nilai kedekatan yang hampir sama contohnya seperti node 3, 7, 9, 10, 13, 14, 16, 17, 23, 28, 30, 31, 33, 34, 36, 41, 44, 45, 46, dan 48, namun ada satu node yang memiliki nilai closeness tertinggi sebesar 0.0096 yaitu node 25. Beberapa node tersebut pun memiliki perbedaan hasil yang tidak jauh dengan node 25. Ini menunjukkan bahwa setiap node di random graph memiliki hubungan/relasi kedekatan yang sama kuat.
4.3.3 Degree Centrality
Gambar 4.6 Grafik hasil degree centrality pada Random Graph
Berdasarkan gambar 4.6 grafik di atas, degree centrality adalah cara untuk menentukan individu yang paling populer (penting) dalam sebuah jaringan sosial. Angka 0-10 pada gambar 4.6 grafik di atas merupakan jumlah koneksi suatu node terhadap node lainnya. Jika dibandingkan dengan real human network, pada random graph node yang paling populer adalah node 25 dan 46, hal ini dikarenakan kedua node ini memiliki jumlah koneksi yang sama yaitu 9. Jika diamati ada beberapa node juga yang memiliki hasil hampir sama seperti node 3, 7, 9, 10, 16, 17, 23, 28, 30, 33, dan 44. Dari grafik di atas terlihat jelas perbedaan degree centrality yaitu di real human network hanya ada satu node yang populer dan memiliki hubungan langsung dengan node lainnya, sedangkan di random graph ada dua node yang memiliki jumlah koneksi yang sama dengan node lainnya. Ini menunjukkan bahwa ketika degree centrality direpresentasikan di random graph maka penyebarannya juga secara acak.
4.3.4 Hubungan Betweenness, Closeness, dan Degree Centrality
Pada random graph terdapat lebih dari satu node yang populer. Jika dilihat dari nilai betweenness, node 25 memiliki nilai sebesar 325,6295 yang mana merupakan node yang berperan sebagai penghubung antara node satu dengan node lainnya. Namun nilai betweenness di random graph lebih kecil jika dibandingkan dengan nilai betweenness di real human network. Pada closeness node 25 memiliki nilai sebesar 0,0096 yang berarti node 25 memiliki hubungan kedekatan dengan node lainnya. Kemudian pada degree centrality, nilai dari node 25 sebesar 9 yang mana node 25 memiliki jumlah hubungan/relasi sebanyak 9. Jika dilihat dengan seksama pada degree centrality node yang memiliki hasil tertinggi tidak hanya pada node 25, tetapi juga node 46 memiliki nilai degree yang sama dengan node 25 yaitu 9. Dari hasil analisis tersebut, hubungan setiap node terhadap betweenness, closeness, dan degree adalah bersifat acak.
4.4 Scale-Free Network Graph (SFNG) 4.4.1 Betweenness Centrality
Gambar 4.7 Grafik hasil betweenness centrality pada Scale-free graph
Gambar 4.7 grafik di atas menunjukkan bahwa node 1 memiliki nilai betweenness yang paling tinggi di antara node yang lainnya yaitu sebesar 575,3217 yang artinya node 1 merupakan node yang menghubungkan satu node ketika ingin bertemu dengan node lainnya. Jika dibandingkan dengan grafik di real human network dan random graph, scale-free graph memiliki hasil yang hampir sama dengan real human network. Dapat dilihat dari grafik di atas bahwa hanya ada satu node yang memiliki hasil signifikan. Hal ini menunjukkan bahwa karakteristik scale-free graph mirip dengan real human network. Analoginya, anggap persimpangan sebagai node. Semakin banyak jalan yang harus melewati persimpangan itu (misal tidak ada jalan alternatif), maka semakin penting arti persimpangan tersebut.
4.4.2 Closeness Centrality
Gambar 4.8 Grafik hasil closeness centrality pada Scale-free graph
Gambar 4.8 grafik di atas menunjukkan bahwa node 1 memiliki nilai kedekatan yang tinggi. Dapat dikatakan bahwa node 1 merupakan node yang memiliki hubungan/relasi yang dekat dengan semua node. Node 1 memiliki
nilai closeness sebesar 0.0125. Kemudian node yang memiliki nilai yang hampir sama dengan node 1 adalah node 5 dengan nilai kedekatan 0.0118.
Jika dibandingkan dengan closeness di real human network, nilai setiap node di scale-free graph hampir sama, namun tetap node 1 yang memiliki nilai kedekatan yang paling tinggi dengan node lainnya.
4.4.3 Degree Centrality
Gambar 4.9 Grafik hasil degree centrality pada Scale-free graph
Gambar 4.9 grafik di atas menunjukkan bahwa node 1 memiliki nilai degree paling tinggi yaitu sebesar 45. Node 1 berarti menjadi node yang populer (penting) dibandingkan dengan node lainnya. Sama seperti degree di real human network node 1 menjadi node yang memiliki jumlah hubungan paling banyak dengan node lainnya. Hal ini menunjukkan scale-free graph mempunyai karakteristik yang sama dengan real human network. Jadi, semakin besar nilai degree suatu node maka semakin penting (populer) pula node tersebut.
4.4.4 Hubungan Betweenness, Closeness, dan Degree Centrality
Pada Scale-free graph, node yang memiliki nilai yang paling tinggi adalah node 1. Nilai betweenness dari node 1 sebesar 575,3217, nilai closeness sebesar 0,0125 dan nilai degree sebesar 45. Node 1 menjadi jalur terpendek/jembatan yang yang menghubungkan node satu dengan node lainnya. Node 1 juga memiliki hubungan yang dekat dengan semua node, dan menjadi node yang paling populer dikarenakan memiliki hubungan/relasi yang paling banyak. Dari hasil analisis tersebut, hubungan node 1 terhadap betweenness, closeness, dan degree yaitu node 1 menjadi individu yang paling populer, karena node 1 memberikan pengaruh yang besar daripada node lainnya.
4.5 Rekap Perbandingan Real Human Network dengan Random Graph
Dari hasil analisis dengan menggunakan metrik centrality pada real human network dan random graph, keduanya memiliki perbedaan yang cukup mencolok. Dapat dilihat dari perhitungan betweenness centrality pada real human network hanya ada satu node yang menjadi penghubung antara satu node dengan node lainnya dan juga memiliki nilai tertinggi, sedangkan pada random graph ada beberapa node yang menjadi jembatan antar node. Jadi ketika betweenness direpresentasikan pada random graph nilai betweenness lebih kecil dibandingkan dengan real human network. Dari sisi closeness real human network hanya ada satu node yang memiliki hubungan yang dekat dengan node lainnya. Jika dibandingkan di random graph semua node memiliki kedekatan yang sama kuat karena setiap node memiliki perbedaan nilai yang tidak jauh.
Kemudian pada degree real human network, tetap hanya ada satu node yang menjadi node yang paling populer (penting) karena memiliki jumlah relasi yang banyak terhadap node lainnya, tetapi ketika melihat di random graph ada dua node yang memiliki jumlah relasi yang sama dan menjadi node yang populer dalam jaringan tersebut. Dari perbandingan tersebut
menunjukkan bahwa jaringan manusia riil hanya memiliki satu node yang populer, node tersebut menjadi penghubung antar node dan memiliki kedekatan dengan node lainnya dalam jaringan tersebut, sedangkan random graph sebaliknya memiliki lebih dari satu node yang populer hal ini dikarenakan random graph memiliki karakteristik acak.
4.6 Rekap Perbandingan Real Human Network dengan Scale-free Network Graph
Dari hasil analisis yang telah dilakukan pada real human network dan scale-free network graph dengan menggunakan metrik centrality yaitu keduanya memiliki nilai yang hampir sama. Kita dapat melihat dari perhitungan betweenness, pada real human network ada satu node yang menjadi jembatan (hub node) antara satu node dengan node lainnya yaitu node 1 karena node 1 merupakan pusat (central) dalam jaringan tersebut, sedangkan pada scale-free graph node 1 juga menjadi jalur terpendek antar node. Dari sisi closeness, node 1 di real human network memiliki hubungan yang dekat dengan semua node yang ada. Jika dibandingkan dengan real human network, nilai setiap node di scale-free graph hampir sama, namun tetap node 1 yang memiliki kedekatan yang paling tinggi dengan node lainnya. Kemudian pada degree, di real human network node yang memiliki relasi yang kuat dengan node lainnya adalah node 1, demikian pula pada scale-free graph node 1 pun menjadi node yang paling populer karena memiliki relasi hampir maksimum.
Jadi dari perbandingan tersebut menunjukkan bahwa node 1 menjadi pusat dari semua node yang ada, node 1 merupakan penghubung antar node. Node 1 juga memiliki kedekatan dengan node lainnya, serta memiliki hubungan relasi paling banyak dibanding node lainnya. Jadi, ketika melihat hasil analisis yang dilakukan, jaringan manusia riil memiliki karakteristik yang sama dengan scale-free network graph.
50 BAB V PENUTUP 5.1 Kesimpulan
Adapun beberapa kesimpulan yang diperoleh dari perhitungan dan análisis yang dilakukan dengan menggunakan metrik centrality terhadap Jaringan Manusia Rill, Random Network, dan Scale-free Network adalah:
1) Perhitungan centrality di Jaringan Manusia Riil dilihat dari betweenness, closeness, dan degree centrality dalam penentuan central dari suatu jaringan.
Dimana hanya ada satu node yang menjadi jembatan (hub node) antar satu node dengan node lainnya dilihat dari betweenness centrality, memiliki hubungan yang dekat dengan node lainnya dilihat dari closeness centrality, dan memiliki relasi/hubungan langsung dengan node lainnya dilihat dari degree centrality.
2) Setiap node di random graph mempunyai kecenderungan sebagai penghubung antar satu node dengan node lainnya berdasarkan perhitungan yang dilakukan dengan betweenness centrality. Setiap node memiliki hubungan kedekatan yang sama kuat karena random graph memiliki karakteristik acak dilihat dari perhitungan closeness centrality dan degree centrality.
3) Sebagian orang menganggap bahwa hubungan/relasi manusia di dunia ini adalah random/acak, namun dari penelitian yang telah dilakukan dengan menggunakan betweenness, closeness, dan degree centrality dapat disimpulkan bahwa hubungan manusia tidak acak. Hal ini dapat dilihat dari perhitungan metrik centrality pada real human network, random graph, dan scale-free graph. Scale-free graph sendiri memiliki karakteristik yang sama dengan real human network dilihat berdasarkan parameter yang ada yaitu jumlah node, mlinks, dan seed.
DAFTAR PUSTAKA
1. Bonacich, P., 2005. “Centrality and network flow”. Journal of Social Networks. 27, 55-71.
2. Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks 1, 215-239.
3. Freeman, L.C., Borgatti, S.P., White, D.R., 1991. Centrality in valued graphs:
a measure of betweenness based on network flow. Social Networks 13, 141–
154.
4. John, Paul Hatala.2006.Social Network Analysis in Human Resource Development : A New Methodology, Louisana State University. Loisana : SagePublications
5. Kretschmer, Hildrun. Kretschmer Theo. 2010. A New Centrality Measure for Social Network Analysis Applicable to Bibliometric and Webometric Data.
Humboldt-University Berlin : Department of Library and Information Science, 26-D-10117
6. Opsahl, T., Agneessens, F., Skvoretz, J., (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks 32 (3), 245-251, dari http://toreopsahl.com/2010/04/21/article-node-centrality-in weighted-networks-generalizing-degree and-shortestpaths/
7. Scott John. "Social Network Analysis Theory and Application". 2011.
8. Susanto Budi, et al. “Penerapan Social Network Analysis dalam Penentuan Centrality”. Fakultas Teknologi Informasi. Universitas Kristen Duta Wacana.
Yogyakarta.
9. Tsevetovat Maksim and Kouznetsov Alexander."Social Network Analysis for Startups". O'Reilly. 2011.
10. Yunita Diska, et al. “Analisis dan Implementasi Betweenness Centrality pada Social Network Twitter dengan Metode Linear Scaling Berbasis Pengguna”.
Fakultas Informatika. Universitas Telkom. Bandung
LAMPIRAN Tabel Data Hasil Pengujian
Real Human Network
Node ID
Hasil Pengujian
Betweenness Closeness Degree
1 595.3566 0.0204 49
2 96.3403 0.0135 24
3 10.7971 0.0132 22
4 6.2471 0.0133 23
5 23.6805 0.0137 25
6 22.5422 0.0119 14
7 0 0.0105 3
8 33.3432 0.0137 25
9 2.1667 0.0106 4
10 6.3516 0.0112 9
11 19.6873 0.013 21
12 1.1107 0.0109 6
13 15.762 0.0139 26
14 8.1845 0.0114 10
15 29.0098 0.0149 31
16 7.45 0.0112 9
17 43.1148 0.0133 23
18 15.1344 0.0139 26
19 14.3871 0.0139 26
20 46.5276 0.0149 31
21 1.5683 0.0114 10
22 3.1934 0.0127 19
23 9.376 0.012 15
24 22.8019 0.0149 31
25 14.2127 0.0137 25
26 1.3012 0.011 7
27 6.6236 0.0125 18
28 22.1238 0.0149 31
29 46.1703 0.0164 37
30 1.229 0.0116 12
31 8.8464 0.0114 10
32 30.983 0.0159 35
33 4.9863 0.0128 20
34 32.0449 0.0152 32
35 13.3354 0.0139 26
36 4.6603 0.0132 22
37 7.5076 0.0109 6
38 20.5001 0.0128 20
39 10.1952 0.0132 22
40 42.0056 0.0152 32
41 2.9386 0.0108 5
42 10.7861 0.0137 25
43 7.5845 0.0114 10
44 1.3679 0.0112 9
45 25.9195 0.0141 27
46 23.4793 0.0152 32
47 22.9402 0.013 21
48 10.7908 0.0133 23
49 10.9293 0.0132 22
50 2.4052 0.0127 19
Random Graph
Node ID
Hasil Pengujian
Betweenness Closeness Degree
1 40.2183 0.0077 3
2 110.9913 0.0076 4
3 113.1001 0.0086 6
4 50.2286 0.0072 4
5 16.3333 0.0066 3
6 41.2214 0.007 4
7 174.1603 0.0088 7
8 28.239 0.0074 3
9 214.1476 0.0084 6
10 199.1525 0.0077 6
11 38.819 0.0071 4
12 0 0.0061 2
13 93.7778 0.0085 5
14 48.5568 0.0076 4
15 40.9786 0.0071 4
16 123.3976 0.0081 6
17 126.5739 0.0087 6
18 69.027 0.0076 4
19 86.7017 0.0074 5
20 0 0.0056 1
21 106.4397 0.0067 3
22 33.9714 0.007 4
23 133.5149 0.0082 6
24 34.3889 0.0067 3
25 325.6295 0.0096 9
26 0 0.0051 1
27 17.4371 0.0072 3
28 116.3098 0.0081 6
29 22.4443 0.0071 4
30 113.5603 0.0082 6
31 70.802 0.0081 5
32 5.5833 0.006 2
33 196.896 0.0083 7
34 96.5492 0.0083 5
35 32.2952 0.0068 3
36 85.8965 0.0082 5
37 37.846 0.0075 5
38 16.3767 0.007 3
39 37.4714 0.0075 3
40 59.9191 0.0074 4
41 102.2004 0.0082 5
42 29.9667 0.0075 3
43 93.5535 0.0077 6
44 168.7384 0.0088 7
45 186.1144 0.0085 6
46 261.9137 0.0092 9
47 0 0.0063 2
48 90.524 0.0079 5
49 74.2366 0.0076 5
50 81.796 0.0074 4
Scale-free Network Graph
Node ID
Hasil Pengujian
Betweenness Closeness Degree
1 575.3217 0.0125 45
2 97.3899 0.01 17
3 66.2375 0.01 15
4 26.9468 0.009 13
5 455.1541 0.0118 38
6 257.0518 0.011 28
7 235.1694 0.0112 26
8 62.6133 0.0102 12
9 14.7413 0.0093 10
10 177.9569 0.0102 20
11 218.1983 0.011 20
12 66.7739 0.0094 14
13 9.0869 0.0085 6
14 11.5599 0.0081 8
15 10.0235 0.009 8
16 7.8415 0.0091 8
17 247.1911 0.0108 24
18 45.7215 0.0085 14
19 66.8155 0.0098 14
20 4.3397 0.0083 6
21 33.0199 0.009 10
22 14.2621 0.0094 8
23 49.5013 0.0088 10
24 1.3333 0.0074 6
25 20.5911 0.0094 8
26 3.9206 0.0083 6
27 11.5512 0.0089 8
28 4.6667 0.0084 6
29 2.2595 0.0081 6
30 5.2185 0.0083 6
31 0 0.0081 6
32 74.1156 0.0092 14
33 10.0027 0.0088 6
34 9.627 0.0083 8
35 11.9702 0.0088 6
36 17.9302 0.0088 8
37 28.5113 0.0093 8
38 22.8297 0.0083 8
39 7.8345 0.008 6
40 10.9425 0.0085 6
41 34.4029 0.0088 8
42 10.7333 0.0076 6
43 18.7474 0.0088 6
44 3.4696 0.0094 6
45 5.7512 0.0081 6
46 2.3598 0.0093 6
47 9.5687 0.0083 6
48 17.7979 0.0088 8
49 3.7679 0.0083 6
50 2.179 0.0081 6