Implementasi Hubs and authorities centrality dalam Social network analysis pada Data Twitter

(1)

Implementasi Hubs and authorities centrality dalam Social network analysis pada Data Twitter

Farudi Erwanda1,Adiwijaya2,Gia Septiana3

1_{Prodi S1 Teknik Informatika, Fakultas Teknik, Universitas Telkom} Jalan Telekomunikasi No.1, Dayeuh Kolot, Bandung 40257

farudy.erwanda@gmail.com1_,_{kang.adiwijaya@gmail.com}_2,_{gia.septiana@gmail.com}3 Abstrak

Penelitian yang dilakukan dalam Social network analysis dapat berupa pola penyebaran informasi dan komunikasi serta penentuan seberapa penting suatu informasi dan menentukan pengaruh seorang user dalam suatu komunitas.Relasi following/followed, mention, retweet dan reply dalam Twitter dapat direpresentasikan kedalam suatu graf dimana setiap user menjadi node dan setiap relasi antar user menjadi edge. Untuk menentukanseorang user memiliki sifat influence dan user yang memiliki keterhubungan dengan user yang memiliki sifat influence atau tidak harus mengetahui nilai centrality-nya. Centrality merupakan ukuran dimana suatu node/user dianggap memiliki informasi yang baik.Hubs and Authorities merupakan salah satu metode perhitungancentrality yang menitik beratkan pada dua aspek penilaian yaitu hubness dan authority.Hub dapat digambarkan sebagai nilai dari suatu user yang terhubung dengan userlain yang memiliki sifat influence sedangkan authority dapat digambarkan sebagai indikator nilai suatu usermemiliki sifat influence.Dengan mempertimbangkan dua aspek ini maka tidak hanya user yang memiliki sifat influence saja yang dapat diketahui namun user yang memiliki keterhubungan dengan user yang influence juga dapat diketahui. Sehingga user-user tersebut dapat dijadikan suatu acuan jika ingin mendapatkan informasi tentang user yang memiliki pengaruh dalam komunitas tersebut.

Kata Kunci: Online Social network , Social network analysis, Hubs and authorities centrality.

1. Pendahuluan

Seiring perkembangan teknologi informasi dan komunikasi yang sangat pesat, pola interaksi antar individu maupun kelompok juga mengalami perubahan. Interaksi yang terjalin saat ini dapat dilakukan dengan menggunakan jaringan internet. Salah satu wadah untuk menjalin komunikasi dan interaksi tanpa batas dengan menggunakan jaringan internet adalah onlineSocial network.OnlineSocial network merupakan salah satu media komunikasi onlinedimana setiap penggunanya dapat bersosialisasi satu sama lain. Online Social network yang populer saat ini diantaranya adalah Twitter,Facebook, Path, Instagram dan masih banyak lagi. Banyak informasi yang tersebar secara implisit dalam suatu Social network baik itu informasi yang yang penting maupun tidak.Didalam suatu Social network bentuk interaksi maupun relasi setiap user memiliki suatu pola yang dapat digambarkan kedalam suatu graf [9]. Pada penelitian ini penulis akan menentukan user yang berpengaruh dan user yang memiliki keterhubungan dengan user yang berpengaruh dari salah satu online Social network yaitu Twitter. Relasi yang terjalin pada setiap user seperti follow/followed, mention, retweet, reply akan digambarkan kedalam sebuah graf berarah dan bobot pada setiap node. Berdasarkan graf tersebut akan dibuat sebuah matriks yang digunakan untuk menghitung nilai centrality setiap node. Perhitungan nilai centrality ini bertujuan untuk mengetahui seberapa besar keterpusatan suatu node dalam jaringan twitter tersebut. Berdasarkan masalah awal yang dikemukakan yaitu mencari user yang paling berpengaruh dalam jaringan dan mencari user yang paling memiliki keterhubungan dengan user berpengaruh tersebut, maka penulis memutuskan untuk menggunakan metode Hubs and Authorities. Metode Hubs and Authorities merupakan varian dari metode Eigenvector Centrality [11].Penulis memilih metode ini karena memiliki kelebihan yaitu tidak hanya melibatkan satu aspek penilaian dalam penghitungan centrality, Melainkan dua aspek penting yaitu hub dan authority [2]. Dua aspek ini yang akan menentukan mana user yang berpengaruh dan mana user yang hanya memiliki keterhubungan dengan user yang berpengaruh. Berdasarkan kelebihan metode dan masalah yang ingin diselesaikan dalam ini maka penerapan metode Hubs and Authorities Centrality ini akan merepresentasikan hasil yang diharapkan yaitu dapat mengetahui node yang memiliki sifat yang influential terhadap node lain dan juga dapat mengetahui node yang paling memiliki keterhubungan dengan node yang influential tersebut.

2. Dasar Teori dan Perancangan 2.1. SocialNetwork

Social network atau jejaring sosial merupakan sebuah website yang ada di internet yang dapat menghubungkan setiap user untuk saling berkomunikasi dan berinteraksi seperti berbincang, berbagi kegemaran, ketertarikan, ide dan bahkan menambah pertemanan. Banyak konten pada jejaring sosial yang dapat dimanfaatkan oleh user untuk saling berkomunikasi dan berinteraksi seperti update status, chatting, comment,

(2)

following/followed dan masih banyak lagi. Dengan beragamnya konten yang ada pada jejaring sosial tersebut setiap user dimudahkan dalam menciptakan dan menjaga relasi antara masing-masing user.

2.1.1. RepresentasiSocialNetwork

Dalam suatu jejaring sosial, interaksi antar user yang terjalin dapat menggambarkan sebuah pola yang dapat direpresentasikan kedalam suatu graf dimana user dapat dijadikan sebagai node dan relasi antar user dapat dijadikan sebagai sebuah edge.Berikut merupakan contoh sederhana representasi pertemanan komunitas kecil ke dalam sebuah graf :

Gambar 2.1 Representasi Relasi Pertemanan Dalam Graf 2.2. Social Network Analysis

Social network analysis (SNA) dapat dideskripsikan sebagai sebuah studi yang mempelajari tentang hubungan manusia dengan memanfaatkan teori graf (Tsvetovat & Kouznetsov, 2011, hal 1) [9].Social network analysis ini didasarkan pada asumsi tentang pentingnya suatu unit komunitas dalam berinteraksi. Perspektif jejaring sosial meliputi teori, model, dan aplikasi telah disajikan dalam konsep relasional[13]. Seiring dengan meningkatnya minat dan peningkatan penggunaan,network analysis telah disepakati sebagai prinsip-prinsip utama yang mendasari perspektif suatu jaringan.Social network analysis telah muncul sebagai teknik utama dalam sosiologi modern.Selain itu Social network analysis juga mulai banyak digunakan dan dikembangkan dalam bidang anthropology, biologi, information science, ekonomi, geografi, komunikasi, psikologi Sosial, dan sociolinguistics.Social network analysis saat ini merupakan topik yang populer dalam pembelajaran [5].

2.2.1. ImplementasiSocial Network Analysis

Ada banyak hal yang dapat diketahui bagaimana pola maupun alur informasi yang ada pada suatu komunitas maupun kelompok. Beberapa implementasi Social network analysisselain untuk menentukan influentialuseradalah

- Dalam bidang management dapat dipakai untuk menelusuri pola koordinasi antar orang maupun perusahaan.

- Dalam dunia perdagangan dapat mengetahui rantai jual-beli antar orang maupun perusahaan.

- Pada bidang politik dapat dianfaatkan untuk mengetahui polarisasi politik diantara ormas maupun partai (Dekro, 2001; Krebs, 2004).

- Dalam ilmu komunikasi digunakan untuk menelusuri pola persebaran gosip maupun informasi di sekelompok orang (Kesidis, 2007).

- Dalam kesehatan masyarakat, SNA telah dipakai untuk menelusuri jejaring dan pola penyebaran penyakit menular seperti HIV/AIDS (Davies, 2009; Klovdahl, 2998; Vassileva, 2003).

2.3. Perbedaan Representasi Graf Berarah dan Graf Tidak Berarah Kedalam Matriks

Perbedaan mendasar antara graf berarah dengan graf tidak berarah adalah matriks dari graf tidak berarah selalu menghasilkan matriks yang simetris karena A ke B sama dengan B ke A, namun pada graf berarah matriks yang akan dihasilkan dari representasi graf tersebut adalah bukan matriks simetris, namun tidak menutup kemungkinan jika matriks berarah akan menghasilkan matriks simetris, hal ini dapat terjadi jika node-node yang ada pada graf tersebut mengacu dan diacu oleh node-node yang sama, contoh A mengacu ke B dan B Juga mengacu ke A.

2.4. Hubs and authorities centrality

Hubs and authorities centrality merupakan metode turunan dari eigenvector centrality.perhitungancentrality ini baik digunakan pada graf berarah dari eigenvector centrality (Bonacich 1987) untuk menghitung outgoing links atau biasa disebut hub dan incoming links atau authority [8]. Konsep dasar hubs and authorities adalah bahwa suatu node memiliki dua nilai yaitu nilai hub centrality dan authority centrality. Nilai hub centrality merupakan nilai node dimana node tersebut dianggap memiliki link atau

Farudi _Hisyam

Aidil Amiril

Whida Angga

(3)

terhubung ke node yang memiliki informasi yang penting atau berpengaruh, sedangkan nilai authority centrality merupakan nilai node dimana node tersebut adalah node yang memiliki pengaruh di jaringan tersebut.hubyang baik mengacu pada banyak authority yang baik dan authority yang baik diacu oleh banyak hub yang baik.Berikut proses penghitungan nilai hub dan authority :

Setiap node memiliki nilai authority centralityai dan nilai hub centralityhi dari suatu matriks adjacencyA. nilai authority didefinisikan dengan menjumlahkan nilai hub yang menunjuk pada node tersebut.Begitu juga dengan nilai hub ditentukan dengan menjumlahkan nilai authority yang ditunjuk. Berikut formulanya [15]:

AAT y = y……….…..(1)

ATA x = x…….……..(2)

Formula (1) merupakan formula untuk menghitung nilai hub centrality dan formula (2) merupakan formula untuk menghitung nilai authority centrality.Dimana A merupakan matriks adjacency yang merepresentasikan graf dalam suatu jaringan.AT _{merupakan matriks transpose dari matriks A,  merupakan nilai eigen (eigenvalue)} terbesar dari matriks A dan y merupakan vectoreigen yang memiliki nilai hub centrality sedangkan x merupakan vectoreigen yang memiliki nilai authority centrality.Disini dapat dikatakan bahwa AAT merupakan matriks hub dan AT_{A merupakan matriks authority.}

2.5. Perhitungan Nilai Hubs and Auhtorities Centrality 2.5.1 Perhitungan Secara Langsung

Berikut langkah-langkah dalam penghitungan nilai hub dan authority secara langsung : - Tentukan bobot dari setiap node berdasarkan relasinya.

- Update authority score nya terlebih dahulu.

- Perhatikan nilai hub score dari node untuk mengupdate authority scorenya. - Update hub score dengan authority score yang sudah di update sebelumnya.

- Lakukan normalisasi terhadap masing-masing score, baik hub score maupun authority score.

- Cara normalisasi hub score yaitu dengan membagi setiap hub score pada node dengan akar dari jumlah kuadrat hub score dari semua node.

- Cara normalisasi authority score yaitu dengan membagi setiap authority score pada node dengan akar dari jumlah kuadrat authority score dari semua node.

- Lakukan iterasi dari tahap pertama sampai tahap ketuju hingga kedua nilai hub dan authority stabil. 2.5.2 Perhitungan dengan Menggunakan Matriks

Berikut akan dijelaskan langkah-langkah menghitung hub dan authoritycentralitymenggunakan matriks : - Rumus persamaan untuk mencari hub centrality adalah AAT_{y = y, dan authority centrality adalah A}T_{Ay =}

y

- Maka langkah pertama yang harus dilakukan adalah mencari matriks transpose dari matriks L. - Lakukan perkalian matriks yaitu matriks A*AT_{untuk hub dan A}T_{*Auntuk authority.}

- Cari nilai eigen dari matriks A*AT_{atau A}T_{*A untuk menenuhi persamaan diatas, nilai eigen value bisa} didapatkan dari persamaan det(A*AT_{- I) = 0 atau bisa juga didapatkan dengan menggunakan algoritma} power iteration. Dalam ini penulis menggunakan algoritma power iteration untuk mendapatkan nilai eigen karena lebih mudah diterapkan dalam sismtem yang memiliki matriks yang besar. Berikut langkah algoritma power iteration.

- Generate sebuah vector random V= rand(n,1) yang berfungsi sebagai pengali matriks A*AT_{/ A}T_{*A dimana n} merupakan orde dari matriks A*AT_{/ A}T_*A.

- Lakukan pengalian antara matriks A*AT_{/ A}T_{*A.dengan vector V, misalkan W= (A*A}T_)*V.

- Lakukan normalisasi untuk hasil sementara sebagai berikut : eigenvalue = √W2 _{(akarkuadrat dari W}2₎

- Update nilai vector V sebagai berikut : V = W/eigenvalue

- Langkah ke enam hingga ke delapan akan diiterasi hingga dirasa nilai eigenvalue telah converge. Setelah iterasi selesai maka sistem akan mengeluarkan nilai eigenvalue yang paling maksimum.

- Langkah terakhir yaitu mencari vektor eigen dengan persamaan ((A*AT_{) - λI)y =0 untuk hub dan ((A}T_{*A) -} λI)y =0 untuk authority.

2.6. Perancangan Sistem

Pada penelitian ini sistem yang akan dibangun merupakan sistem yang dapat menentukan actor/user yang memiliki sifat influential dan user yang paling memiliki keterhubungan dengan user yang influential di jejaring sosial twitter. Inputan dari sistem ini berupa matriks hasil representasi dari user-user yang datanya telah diambil dari twitteraccount @faruerwan. Pengambilan data dari twitter ini menggunakan aplikasi Nodexl.

(4)

Aplikasi Nodexl ini dapat mengambil data dari twitter secara online hanya dengan memasukkan account dan password dari account yang akan diambil datanya. Kemudian dari dataset yang telah didapatkan, akan dilakukan preprocessingterhadap datasetdan selanjutnya dari hasil preprocessing tersebut akan masuk ke tahap akhir yaitu perhitungan nilai centrality danpenentuan ranking dari setiap node dengan sistem yang akan di bangun dengan menggunakan Matlab. Output dari sistem ini adalah sepuluh namauser paling berpengaruh dan sepuluh user yang paling memiliki keterhubungan dengan user berpengaruh dari dataset twittertersebut.Adapun alur perancangan sistem dalam penelitian ini dapat digambarkan dalam diagram sebagai berikut :

Gambar 3.1 Alur Perancangan Sistem 3. Pengujian Dan Analisis Sistem

Pengujian ini memiliki tujuan Menganalisis perubahan nilai centrality terhadap perubahan bobot pada relasi antar user, Mengetahui relasi yang paling mempengaruhi nilai bobot dan nilai centrality dan Mengukur kemampuan sistem dalam perhitungan nilai hub dan authoritycentrality.

3.1. Hasil Pengujian dan Analisis Skenario 1

Pada pengujian ini dilakukan skenario pembobotan dimana bobot follow=x, mention=1, dan reply=1. Berikut tabel hasil perubahan nilai centrality dari pengujian yang dilakukan :

Tabel 4.2 Perubahan Nilai HubCentrality Disetiap Pengujian Pada Skenario Pertama No User BOBOT F=1, M=1, R=1 F=2, M=1, R=1 F=3, M=1, R=1 F=4, M=1, R=1 F=5, M=1, R=1 F=6, M=1, R=1 F=7, M=1, R=1 F=8, M=1, R=1 F=9, M=1, R=1 F=10, M=1, R=1 1 faruerwan 0,246 42 0,24537 0,24528 0,24528 0,24530 0,24532 0,24533 0,24534 0,24535 0,24536 2 ardiansn 0,190 10 0,17857 0,17467 0,17271 0,17154 0,17075 0,17019 0,16977 0,16945 0,16919 3 ayukomal a 0,177 55 0,181 77 0,182 93 0,183 48 0,183 79 0,184 00 0,184 14 0,184 25 0,184 33 0,1844 0 4 andrianw e 0,168 46 0,171 87 0,172 83 0,173 28 0,173 55 0,173 72 0,173 84 0,173 93 0,174 00 0,1740 5 5 sidiik 0,165 99 0,169 43 0,170 40 0,170 40 0,171 13 0,171 30 0,171 42 0,171 51 0,171 58 0,1716 4 6 anggalii 0,162 44 0,165 7 0,166 61 0,167 04 0,167 29 0,167 46 0,167 57 0,167 66 0,167 72 0,1677 8 7 DausRch 0,159 89 0,162 87 0,163 70 0,164 09 0,164 32 0,164 47 0,164 57 0,164 65 0,164 71 0,1647 6 8 doddyagu ng 0,158 73 0,144 47 0,139 91 0,137 67 0,136 33 0,135 44 0,134 81 0,134 33 0,133 96 0,1336 7 9 fathbesar 0,153 13 0,155 80 0,156 55 0,156 89 0,157 09 0,157 23 0,157 32 0,157 39 0,157 44 0,1574 8 10 allanprak osa 0,152 28 0,155 01 0,155 77 0,156 13 0,156 34 0,156 47 0,156 57 0,156 64 0,156 69 0,1567 3 Keterangan :Merah : Penurunan Nilai Centrality dan Hijau : Kenaikan Nilai Centrality

Preprocessing

Menghitung nilai hub cetrality dan authority

centrality Dataset Perangkingan Hasil Rangking Matriks nxn berarah berbobot

(5)

Berdasarkan tebel diatas terlihat bahwa terdapat user yang mengalami kenaikan nilai hubcentrality dan terdapat pula user yang mengalami penurunan nilai hubcentrality.Pada user @faruerwan pada pengujian ke-2 dan pengujian ke-3 mengalami penurunan nilai hubcentrality, hal ini disebabkan karena terjadinya kenaikan nilai eigenvalue pada pengujian ke-2 dan ke-3 namun tidak diiringi dengan penambahan bobot relasi yang signifikan.Berdasarkan rumus pada metode hubcentrality bahwa perhitungan nilai centrality melibatkan adanya perhitungan matematika dimana terdapat operasi pengurangan yang melibatkan nilai eigenvalue. Untuk user @ardiansn dan @doddyagung juga memiliki alasan yang sama mengapa terjadi penurunan nilai hubcentrality terhadap kedua user. Namun pada pengujian ke-4 hingga pengujian ke-10, nilai centrality dari user @faruerwan mengalami kenaikan, hal ini dikarenakan nilai total bobot yang dimiliki sudah dapat mengimbangi peningkatan nilai eigenvalue. Demikian juga yang terjadi pada userlain yang mengalami peningkatan nilai centrality.

Tabel 4.4 Perubahan Nilai AuthorityCentrality Disetiap Pengujian Pada Skenario Pertama No User BOBOT F=1, M=1, R=1 F=2, M=1, R=1 F=3, M=1, R=1 F=4, M=1, R=1 F=5, M=1, R=1 F=6, M=1, R=1 F=7, M=1, R=1 F=8, M=1, R=1 F=9, M=1, R=1 F=10, M=1, R=1 1 faruerwan 0,257 45 0,23670 0,23161 0,22937 0,22812 0,22732 0,22677 0,22637 0,22606 0,22581 2 ayukomal a 0,18349 0,18509 0,18546 0,18563 72 0,185 0,18578 0,18582 0,18585 0,18587 0,18589 3 sidiik 0,180 70 0,17408 0,17193 0,17087 0,17025 0,16983 0,16954 0,16932 0,16915 0,16901 4 ardiansn 0,176 28 0,17415 0,17331 0,17287 0,17261 0,17243 0,17230 0,17220 0,17213 0,17206 5 andrianwe 0,169 20 0,16751 0,16687 0,16655 0,16635 0,16622 0,16612 0,16605 0,16600 0,16595 6 muhmir 0,168 88 0,16419 0,16258 0,16177 0,16129 0,16096 0,16073 0,16056 0,16042 0,16032 7 anggalii 0,158 38 0,16147 0,16232 0,16272 0,16295 0,16310 0,16320 0,16328 0,16334 0,16339 8 doddyagu ng 0,15808 0,15195 0,14989 0,14887 26 0,148 0,14785 0,14756 0,14734 0,14717 0,14704 9 faris_alfa_ m 0,15204 0,14536 0,14322 0,14218 56 0,141 0,14115 0,14086 0,14064 0,14047 0,14034 10 dariusputr a 0,14969 0,15227 0,15296 0,15328 46 0,153 0,15358 0,15366 0,15372 0,15377 0,15380 User-user yang diperlihatkan pada Tabel 4.2 dan 4.3 merupakan 10 user yang memiliki rangking 10 besar pada perhitungan hub dan authoritycentrality dengan data yg digunakan adalah data normal (yang dimaksud data normal adalah pembobotan memiliki nilai 1 pada masing-masing relasi, baik follow, mention maupun reply). Dari kedua tabel perubahan nilai centrality tersebut disimpulkan bahwa perubahan nilai yang terjadi baik hubcentrality maupun authoritycentrality masih terjadi perubahan yang wajar. Karena rentang perubahan nilai centrality yang terjadi hanya sekitar 0,001-0,01 saja.

Pada pengujian ini dilakukan skenario pembobotan dimana bobot follow=1, mention=x, dan reply=1. Tabel 4.7 Perubahan Nilai HubCentrality Disetiap Pengujian Pada Skenario Kedua No User BOBOT F=1, M=1, R=1 F=1, M=2, R=1 F=1, M=3, R=1 F=1, M=4, R=1 F=1, M=5, R=1 F=1, M=6, R=1 F=1, M=7, R=1 F=1, M=8, R=1 F=1, M=9, R=1 F=1, M=10, R=1 1 faruerwan 0,2464 2 0,24777 0,25054 0,25161 0,23527 0,20230 0,17654 0,16003 0,14914 0,14154 2 ardiansn 0,1901 0 0,21109 0,22783 0,22632 0,18136 0,12032 0,08158 0,05970 0,04647 0,03781 3 ayukomal a 0,17755 0,17049 0,15847 0,13466 0,13466 0,05153 0,02999 0,01911 0,01313 0,00955 4 andrianw e 0,16846 0,16264 0,15296 0,13357 0,09675 0,06052 0,03984 0,02873 0,02221 0,01802 5 sidiik 0,1659 0,1601 0,1504 0,1312 0,0949 0,0594 0,0391 0,0282 0,0218 0,0177

(6)

9 2 6 5 8 2 3 5 5 6 anggalii 0,1624 4 0,15686 0,14760 0,12905 0,09374 0,05890 0,03895 0,0282 0,02186 0,01779 7 DausRch 0,1598 9 0,15476 0,14605 0,12813 0,09341 0,05887 0,03901 0,02828 0,02195 0,01787 8 doddyagu ng 0,15873 0,17016 0,18062 0,18180 0,15519 0,11392 0,08520 0,06760 0,05613 0,04811 9 fathbesar 0,1531 3 0,1481 0,14070 0,12399 0,09100 0,05783 0,03862 0,02818 0,02199 0,01798 10 allanprak osa 0,15228 0,14776 0,13984 0,12314 0,09024 0,05725 0,0382 0,02786 0,02174 0,01778 Berdasarkan tabel diatas terlihat bahwa terjadi perubahan nilai hubcentrality yang sangat derastis.Perubahan tersebut yaitu terjadinya penurunan nilai centrality yang terjadi di hampir semua user. Perbandingan skala perubahan yang terjadi pada skenario pertama dengan skenario kedua ini adalah 1:10, pada skenario pertama perubahan nilai centrality yang terjadi hanya sekitar 0,01 sedangkan pada skenario kedua ini perubahan yang terjadi sekitar 0,1 bahkan lebih. Terlihat bahwa perubahan pembobotan pada skenario pembobotan ini sangat mempengaruhi nilai centrality. Hal ini dikarenakan jumlah bobot mention yang mengalami kelipatan jumlah yang sangat derastis. Misal userA pada data normal melakukan mention kepada B sebanyak 10 kali. Jika pada data normal maka nilai bobot hanya diberi nilai 10 saja, namun dengan adanya penerapan skenario pembobotan ini nilai jumlah bobot yang diperoleh userA untuk outdegree adalah sebesar 100 pada pengujian ke sepuluh. Hal tersebut yang membuat perubahan nilai centrality yang sangat derastis. Pada tabel diatas hampir semua user mengalami penurunan nilai centrality karena user-user pada tabel diatas merupakan user yang hanya memiliki jumlah relasi follow yang besar. Sehingga saat user yang memiliki jumlah relasi mention yang besar memiliki bobot yang jauh lebih besar akibat skenario pembobotan ini maka nilai centralityuser yang tidak memiliki jumlah relasi mention yang besar akan mengalami penurunan.

Tabel 4.9 Perubahan Nilai AuthorityCentrality Disetiap Pengujian Pada Skenario Kedua No User BOBOT F=1, M=1, R=1 F=1, M=2, R=1 F=1, M=3, R=1 F=1, M=4, R=1 F=1, M=5, R=1 F=1, M=6, R=1 F=1, M=7, R=1 F=1, M=8, R=1 F=1, M=9, R=1 F=1, M=10, R=1 1 faruerwa n 0,25745 0,28936 0,35281 0,47184 98 0,625 0,70919 0,73268 0,73796 0,73827 0,73720 2 ayukomal a 0,18349 0,18167 0,17624 0,16003 10 0,122 0,08157 0,05767 0,04467 0,03704 0,03216 3 sidiik 0,180 70 0,19114 0,19863 0,19218 0,15222 0,10106 0,06883 0,05057 0,03947 0,03216 4 ardiansn 0,176 28 0,17014 0,15962 0,13829 0,09810 0,05914 0,03720 0,02558 0,01888 0,01466 5 andrianw e 0,16920 0,17426 0,17602 0,16501 80 0,125 0,07996 0,05222 0,03695 0,02791 0,02210 6 muhmir 0,168 88 0,17569 0,17864 0,16813 0,12877 0,08248 0,05435 0,03880 0,02955 0,02357 7 anggalii 0,158 38 0,15276 0,14334 0,12455 0,08916 0,05454 0,03481 0,02424 0,01806 0,01414 8 doddyagu ng 0,15808 0,16683 0,17214 0,16404 21 0,126 0,08050 0,05271 0,03744 0,02841 0,02261 9 faris_alfa _m 0,15204 0,16716 0,17997 0,17959 67 0,145 0,09833 0,06781 0,05035 0,03965 0,03256 10 dariusput ra 0,14969 0,14499 0,13662 0,1191 27 0,085 0,05199 0,03305 0,02294 0,01706 0,01333 Berdasarkan tabel diatas dapat dilihat perubahan nilai authoritycentrality juga mengalami perubahan yang sangat derastis sama seperti pada nilai hubcentrality. Berdasarkan analisa yang dilakukan maka disimpulkan bahwa hal ini juga terjadi karena tidak meratanya relasi mention yang terjadi pada setiap user.

Pada pengujian ini dilakukan skenario pembobotan dimana bobot follow=1, mention=1, dan reply=x. Tabel 4.12 Perubahan Nilai HubCentrality Disetiap Pengujian Pada Skenario Ketiga

(7)

N o User BOBOT F=1, M=1, R=1 F=1, M=1, R=2 F=1, M=1, R=3 F=1, M=1, R=4 F=1, M=1, R=5 F=1, M=1, R=6 F=1, M=1, R=7 F=1, M=1, R=8 F=1, M=1, R=9 F=1, M=1, R=10 1 faruerwan 0,246 42 0,24967 0,25331 0,25508 0,24990 0,23085 0,19832 0,16319 0,13354 0,11068 2 ardiansn 0,190 10 0,19049 0,18863 0,18256 0,16904 0,14562 0,11655 0,09052 0,07116 0,05750 3 ayukomal a 0,17755 0,17258 0,16522 0,15380 86 0,135 0,11031 0,08213 0,05883 0,04255 0,03172 4 andrianw e 0,16846 0,16476 0,15924 0,15051 0,13630 0,11517 0,09078 0,06971 0,05434 0,04365 5 sidiik 0,165 99 0,16232 0,15690 0,14836 0,13450 0,11388 0,09006 0,06946 0,05441 0,04392 6 anggalii 0,162 44 0,15897 0,15381 0,14562 0,13223 0,11219 0,08894 0,06875 0,05397 0,0436 7 DausRch 0,159 89 0,15660 0,15164 0,14368 0,13057 0,11086 0,08794 0,06802 0,05342 0,04322 8 doddyagu ng 0,15873 0,17880 0,20315 0,23366 88 0,270 0,30983 0,34054 0,35944 0,37038 0,37716 9 fathbesar 0,153 13 0,14997 0,14522 0,13761 0,12507 0,10621 0,08425 0,06514 0,05112 0,04131 10 allanprak osa 0,15228 0,14903 0,14417 0,13646 84 0,123 0,10499 0,08313 0,06417 0,0503 0,04061 Berdasarkan tabel diatas terlihat jelas bahwa secara umum banyak user yang mengalami penurunan nilai hubcentrality.Hanya terdapat tiga user saja yang mengalami kenaikan nilai centrality itupun dua diantara ketiganya hanya mengalami kenaikan nilai centrality pada pengujian ke-1 dan sampai pengujian ke-4.Hanya terdapat satu user yang konsisten mengalami kenaikan nilai centrality mulai dari pengujian ke-1 sampai ke-10 yaitu user dengan id @doddyagung. Peningkatan nilai centrality secara signifikan pada user tersebut dikarenakan user tersebut memiliki jumlah persentase relasi outdegreereply yang cukup besar yaitu 11% dari total keseluruhan relasi reply pada dataset.

Tabel 4.13 Perubahan Nilai AuthorityCentrality Disetiap Pengujian Pada Skenario Ketiga N o User BOBOT F=1, M=1, R=1 F=1, M=1, R=2 F=1, M=1, R=3 F=1, M=1, R=4 F=1, M=1, R=5 F=1, M=1, R=6 F=1, M=1, R=7 F=1, M=1, R=8 F=1, M=1, R=9 F=1, M=1, R=10 1 faruerwan 0,257 45 0,29367 0,34755 0,42632 0,53488 0,66077 0,76890 0,83869 0,87824 0,90064 2 ayukomal a 0,18349 0,17970 0,17390 0,16451 01 0,149 0,12572 0,09867 0,07517 0,05797 0,04595 3 sidiik 0,180 70 0,18269 0,18253 0,17832 0,16680 0,14533 0,11769 0,09239 0,07326 0,05958 4 ardiansn 0,176 28 0,18431 0,19082 0,19330 0,18714 0,16774 0,13849 0,10992 0,08764 0,07147 5 andrianwe 0,169 20 0,16589 0,16068 0,15210 0,13776 0,11612 0,09098 0,06920 0,05330 0,04224 6 muhmir 0,168 88 0,17021 0,17086 0,16978 0,16486 0,15384 0,13830 0,12362 0,1126 0,10496 7 anggalii 0,158 38 0,15518 0,15027 0,14231 0,12910 0,10918 0,08597 0,06576 0,05093 0,04055 8 doddyagu ng 0,15808 0,16029 0,16057 0,15689 81 0,145 0,12470 0,09765 0,07329 0,05528 0,04275 9 faris_alfa _m 0,15204 0,15013 0,14670 0,14050 38 0,129 0,11172 0,09042 0,07142 0,05719 0,04704 1 0 dariusputr a 0,14969 0,14671 0,14209 0,13455 01 0,122 0,10311 0,08112 0,06202 0,04803 0,03826

(8)

Pada umumnya perubahan nilai authoritycentrality pada pengujian skenario pembobotan ketiga ini juga cenderung menurun.Hanya beberapa user saja yang mengalami kenaikan nilai centrality.Salah satu user yang secara signifikan mengalami peningkatan centrality adalah user dengan id @faruerwan.User ini mengalami peningkatan nilai authoritycentrality karena memiliki presentase relasi indegreereply yang cukup besar yaitu sebanyak 13% dari total keseluruhan relasi reply yang ada.

4. Kesimpulan dan Saran 4.1. Kesimpulan

Berdasarkan pengujian dan analisis yang dilakukan maka dapat ditarik kesimpulan sebagai berikut : 1. Penggunaan metode Hub and AuthoritiesCentrality mampu merepresentasikan bahwa user yang memiliki

nilai centrality paling tinggi adalah user yang memiliki pengaruh (AuthorityCentrality) dan user yang dapat dijadikan referensi untuk menemukan user yang berpengaruh pada jaringan tersebut.

2. Nilai Hub dan Authoritycentrality tidak hanya ditentukan oleh jumlah indegree dan outdegreeuser namun juga melihat user yang meliliki keterhubungan dengan user tersebut. Semakin banyak memiliki relasi ke user yang memiliki nilai indegree dan outdegree yang tinggi maka nilai centrality juga akan semakin tinggi.

3. Berdasarkan ketiga skenario pembobotan maka skenario pembobotan yang paling mempengaruhi perubahan nilai hub dan authoritycentrality dan yang mempengaruhi perubahan perangkingan adalah skenario kedua yaitu perubahan bobot yang dilakukan pada relasi mention.

4. Relasi yang sangat mempengaruhi seorang user memiliki pengaruh di jaringan tersebut atau tidak adalah relasi mention. Kesimpulan ini juga seiring sejalan dengan penelitian [14] yang menyatakan bahwa dengan memposting tweet yang menarik maka user tersebut akan mendapatkan relasi mention yang banyak dengan adanya retweet yang masuk akibat user lain menyukai tweet yang diposting. Dengan adanya relasi tersebut maka tidak menutup kemungkinan user memiliki relasi yang lebih luas seperti di follow dan reply. Daftar Pustaka :

[1] Borgati, Steve. P. 2005.Centrality and NetworkFlow.Social network , 55-71.

[2] Chris, H.Q. and Ding, H. Z. 2003. Hubs and Authorities on the World. Link Analisys , 2-3. [3] Dodds, Peter. 2011. Measures of Centrality. Complex Network , 22.

[4] Linton, C. Freeman. 1987. Centrality In Social network Conceptual Clarification. Lehigh University. [5] Linton, C. Freeman. 2006. The Development of Social network analysis. Vancouver: Empirical Press. [6] Meghabghab, G. 2001. Discovering Authorities and hubs in Different Topological Web Graph

Structure.Department of Science Technology, Roane State, Oak Ridge, TN 373830, USA. [7] Munir, Renaldi. 2010. Matematika Diskrit (Revisi Keempat). Bandung: Informatika Bandung.

[8] Stephen, Andrew T. and Olivier Toubia. 2008. Deriving Value from Social Commerce. Journal of Marketing Research.

[9] Susanto, Budi. 2013. Metode Analisis Jejaring Sosial. Text dan WebMining , 3-13.

[10] T. Kretschmer, H. Kretschmer. 2010. A New Centrality Coefficient for Social network analysis Applicable to Bibliometric and Webometric data. Humboldt-University Berlin : Department of Library and Information Science,26-D-10117

[11] Von, Ahn Luis. 2008. Hubs and Authorities. Science of the Web Course Notes.Carnegie Mellon University.

[12] Wason, Ritika. 2012. Comparative Analysis Of Pagerank And HITS Algorithms. International Journal of Engineering Research & Technology (IJERT).

[13] Wasserman, S. and K, Faust. 1994. Social network analysis. Cambridge: Cambridge University Press. [14] W.Leila, Q.Paulo, & M. De Oliveira. José Palazzo (2011), Analyzing the strength of ties of Retweetin

health, Brasil.

[15] Zhu, Xiaojin. 2010. Link Analysis on Graf. Advanced Natural Language Processing , 1-2. [16] __. Centrality.URL :http://en.wikipedia.org/wiki/Centrality, diakses bulan Oktober 2013.

[17] __.SoftwareSocial network analysis. URL