Analisis Node Dengan Metode Degree Centrality Dan Follower Rank Pada Tagar Twitter

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 2, April 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i2.4053 Hal 367−372 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Analisis Node Dengan Metode Degree Centrality Dan Follower Rank Pada Tagar Twitter

Erits Talapessy, Hendry^*

Fakultas Teknologi Informasi, Teknik Informatika, Universitas Kristen Satya Wacana, Salatiga, Indonesia Email: [email protected], ^*[email protected]

Email penulis Korespondensi: [email protected]

Submitted 18-04-2022; Accepted 24-04-2022; Published 29-04-2022 Abstrak

Twitter adalah salah satu platform media sosial yang paling populer sebagai sarana informasi dan interaksi dengan orang lain. Sejak diluncurkan pada tahun 2006, Twitter telah diklasifikasikan sebagai situs microblogging. Data berupa analisis node (aktor) di Twitter dapat dianalisis menggunakan pendekatan metode social network analysis. Penelitian ini dirancang untuk menganalisis data pada tweet yang berisi hashtag "#LuhutPenghisapDarahRakyat". Analisis ini menggunakan metode degree centrality untuk mengidentifikasi node (aktor) yang berpengaruh dan metode follower rank untuk menemukan node (aktor) yang populer. Data yang diteliti adalah 2803 node dan 8030 edges yang diambil dari tanggal 6 November 2021 hingga 7 November 2021. Hasil penelitian menunjukkan bahwa akun

@arthan38836243 merupakan aktor dengan nilai degree centrality tertinggi yaitu 265 dan akun @teriwinarno merupakan aktor dengan nilai popularitas atau follower rank tertinggi yaitu 0.988081224. Hal ini menunjukkan bahwa aktor yang berpengaruh belum tentu sama dengan aktor yang populer. Penelitian ini menemukan bahwa diantara 10 aktor utama dengan nilai degree centrality tertinggi salah satu aktor merupakan akun buzzer pada Twitter.

Kata Kunci: Twitter; SNA; Degree Centrality; Follower Rank, Node Abstract

Twitter is one of the most popular social media platform as a means of information and interaction with other people. Since its launch in 2006, Twitter has been classified as a microblogging site. Data in the form of node analysis (actors) on Twitter can be an alyzed using a social network analysis method approach. This study was designed to analyze data on tweet containing the hastag

“#LuhutPenghisapDarahRakyat”. This analysis uses the degree centrality method to identify influential nodes (actors) and the follower rank method to find popular nodes (actors). The data were 2803 nodes and 8030 edges data was taken from November 6,2021 to November 7,2021. The results show that the @arthan38836243 account is the actor with the higshest degree centrality value, which is 265 and the @teriwinarno account is the actor with the highest popularity value or follower rank, which is 0.988081224. This shows that influential actors are not necessarily the same as popular actor. This studt that among the 10 main actors with the high est degree centrality value, one of the actors was a buzzer account on Twitter.

Keywords: Twitter; SNA; Degree Centrality; Follower Rank; Node

1. PENDAHULUAN

Perkembangan teknologi komunikasi saat ini tidak hanya untuk mencari informasi saja tetapi juga untuk membantu dalam mengirim dan menerima informasi bahkan kini dijadikan kebutuhan masyarakat dunia[1]. Media sosial menjadi konsumsi sehari-hari banyak digunakan oleh pengguna internet seperti Facebook, Twitter, Instragram, dan lainnya[2]. Media sosial merupakan salah satu komunitas virtual dan juga distribusi informasi. Berdasarkan survei yang dilakukan Asosiasi Penyelengara Jasa Internet Indonesia (APJII) pada kuartal II tahun 2019-2020, penetrasi internet di Indonesia mencapai 196,7 juta pengguna. Dibandingkan tahun 2018, jumlah ini meningkat 23,5 juta atau 8,9 juta atau 8,9%[3]. Hal ini menunjukkan bahwa masyarakat Indonesia sangat aktif dalam melakukan pertukaran virtual melalui media sosial. Salah satu media sosial yang sering digunakan adalah Twitter, Sejak diluncurkan pada 2006 Twitter dikategorikan sebagai situs miscroblogging[4]. Twitter adalah layanan bagi teman, keluarga, kolega untuk berkomunikasi dan tetap terhubung melalui pertukaran pesan yang cepat dan sering atau real time menggunakan 140 karakter tweet untuk pengikut mereka atau followers[4][5].

Pada November 2021 tagar Luhut Penghisap Darah Rakyat menjadi trending topik di Twitter[6] dan Luhut Binsar Pandjaitan merupakan Menteri Koordinat bidang Kemaritiman dan Investasi (Menko Marves) Republik Indonesia[7].

Menjadi perbincangan warganet dikarenakan telah merugikan dan menipu rakyat Indonesia dan banyak pengguna Twitter mendesak agar luhut dipecat dari jabatannya. Menyikapi permasalahan yang ada maka penelitian ini bertujuan untuk mengidentifikasi tagar atau hastag “#LuhutPenghisapDarahRakyat”, dengan cara melakukan pencarian percakapan pada media Twitter untuk melihat node berpengaruh menggunakan metode degree centrality serta melihat node populer menggunakan metode follower rank.

Terdapat beberapa penelitian terdahulu yang meneliti dan membahas juga mengenai analisis node (aktor) antara lain seperti Pada peneltian berjudul Analisis Sentralitas Aktor pada Struktur Jaringan Politik dengan Menggunakan Metode Sosial Network Analysis (SNA) Studi Kasus Group Facebook Lembaga Survei Sosial Media. Penelitian ini bertujuan Untuk mengetahui tingkat pengaruh aktor dalam pola komunikasi dari struktur jaringan politik dan hasil

(2)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 2, April 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i2.4053 Hal 367−372 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Pada penelitian berjudul #Vaccination: Identifying Influencers In The Vaccination Discussion On Twitter Through Social Network Visualisation, penelitian ini bertujuan Untuk mengeksplorasi diskusi tentang isu-isu terkait vaksinasi di platform media sosial, khususnya Twitter, dari temuan penelitian, 6 (enam) peserta berpengaruh seperti dokter, selebriti, organisasi media, promotor homeopati, Instansi pemerintah, blogger dan jurnal media terkenal[9]. Pada Penelitian berjudul Teori Graf Dalam Analisis Jejaring Sosial Hubungan Aktor Utama Dengan Pengguna Internal Laporan Keuangan, penelitian Jejaring sosial yang dirancang untuk menganalisis distribusi informasi keuangan berdasarkan struktur untuk menganalisis keseluruhan organisasi suatu perusahaan, terutama struktur departemen keuangan. yang mempublikasikan informasi keuangan adalah departemen akuntansi dan keuangan memiliki tiga jaringan informasi, pialang informasi terbesar, yaitu direktur keuangan, direktur produksi dan direktur personalia[10]. Pada peneltian berjudul Analisi Aktor Populer Dan Sutrada Berpengaruh Berdasarkan Data DBPEDIA Menggunakan Algoritma Closeness Centrality Dan Node2vec, Penelitian ini bertujuan untuk mengidentifikasi aktor dan sutradara paling populer di industri film Indonesia, dan dari temuannya, ditemukan bahwa Rima Melati adalah aktor paling populer karena dekat dengan nilai sentral. Kebanyakan adalah Sophan Sophiaan[11].

Pada penelitian terdahulu, analisis node (aktor) dilakukan hanya untuk mengetahui aktor yang berpengaruh saja belum ada analisis aktor yang berpengaruh terhadap nilai popularitasnya. Maka dilakukan penelitian ini untuk bagaimana mengetahui aktor yang berpengaruh berdasarkan metode degree centrality dan mengetahui aktor yang paling populer berdasarkan metode follower rank.

2. METODOLOGI PENELITIAN

Penelitian ini dilakukan dengan melakukan kombinasi pendekatan metode Social Network Analysis (SNA) dan metode eksperimen. Dalam penelitian ini, untuk mengetahui aktor berpengaruh menggunakan metode degree centrality[12] dan analisis aktor popular menggunakan metode follower rank[13]. Sosial Network Analysis (SNA) adalah metode analisis dalam pemetaan jaringan sosial media untuk menemukan node yang paling berpengaruh dalam jaringan informasi terkait tagar “#LuhutPenghisapDarahRakyat”[14][15].

a. Degree Centrality

Degree Centrality adalah jumlah koneksi atau interaksi yang dimiliki node atau aktor, hal ini menunjukkan bahwa suatu simpul atau partisipan sangat berpegaruh dalam jaringan proses.

𝐷𝑒𝑔𝑟𝑒𝑒 𝐶𝑒𝑛𝑡𝑟𝑎𝑙𝑖𝑡𝑦(𝑁𝑖) = ∑ 𝑋𝑖𝑗(𝑖 ≠ 𝑗)

𝑛

𝑗=1

(1)

Menurut persamaan (1) diatas, sentralitas derajat adalah banyaknya garis atau hubungan dengan suatu simpul (Ni). Hij adalah jumlah koneksi atau hubungan yang dimiliki node Ni, dimana node terhubung dengan baik ke node lain dalam jaringan[12].

b. Follower Rank

Follower Rank adalah pengukuran untuk mengetahui nilai popularitas dari node yang berpengaruh dalam sebuah network

𝐹𝑜𝑙𝑙𝑜𝑤𝑒𝑟 𝑅𝑎𝑛𝑘 (𝑖) = 𝐹1

𝐹1 + 𝐹3 (2)

Menurut persamaan (2) diatas, F1 adalah jumlah pengikut atau followers dari node. F3 adalah aktor yang terhubung ke node lain atau sentralitas derajat[13]. Nilai yang lebih tinggi berarti lebih banyak pengikut atau popular.

2.1 Dataset

Pemilihan sampel menggunakan metode Purposive sampling, yaitu teknik penentuan sampel dengan sesuai dengan tujuan penelitian. Terdapat teknik-teknik untuk menentukan sampel. Sampel penelitian ini adalah data tweet dengan tagar

“#LuhutPenghisapDarahRakyat” yang di crawling lewat Twitter API. Data yang dihasilkan adalah 2803 nodes dan 8030 Edges. Data dikumpulkan pada 6 November 2021 hingga 7 November 2021 dimana pada periode waktu ini merupakan masa tagar “#LuhutPenghisapDarahRakyat” menjadi trending topik di Twitter[6].

2.2 Tahapan Penelitian

Pada tahapan penelitian menggambarkan bagaimana penelitian analisis Node dengan metode degree centrality dan follower rank pada tagar Twitter dilakukan. Tahapan-tahapan tersebut antara lain dapat dilihat pada gambar 1.

(3)

Gambar 1. Diagram Alir Fase Penelitian a. Crawling Data

Merupakan proses untuk mengumpulkan data tweet dari Twitter menggunakan perantara Twitter API. Data tweet yang dikumpulkan mengandung tagar “#LuhutPenghisapDarahRakyat”. Proses crawling data menggunakan software Gephi 0.9.2.

b. Pembentukan Komunitas

Merupakan proses untuk memudahkan melihat spesifik komunitas yang terbentuk dari data crawling menggunakan algoritma ForceAtlas2[16]. Proses pembentukan komunitas dengan algoritma ForceAtlas2 menggunakan software Gephi 0.9.2.

c. Network Overview

Merupakan proses pengamatan komunitas terhadap sisa node dan edge setelah menggunakan filter Degree Range.

Proses network overview menggunakan software Gephi 0.9.2.

d. Degree Centrality

Merupakan proses ini untuk mendapatkan 10 aktor/node berpengaruh berdasarkan nilai degree centrality tertinggi, sesuai dengan persamaan (1) , sentralitas derajat adalah banyaknya garis atau hubungan dengan suatu simpul (Ni). Hij adalah jumlah koneksi atau hubungan yang dimiliki node Ni, dimana node terhubung dengan baik ke node lain dalam jaringan[12].

e. Follower Rank

Merupakan proses ini untuk mendapatkan 10 aktor/node popular berdasarkan nilai degree centrality tertinggi, sesuai dengan persamaan (2) F1 adalah jumlah pengikut atau followers dari node. F3 adalah aktor yang terhubung ke node lain atau sentralitas derajat[13].

f. Profil 10 Aktor Utama

Merupakan proses analisa profil dari 10 aktor dengan nilai degree centrality tertinggi, dimana setiap akun dari 10 aktor/node ini analisa mulai kapan akun dibuat berdasarkan tanggal aktif dan analisa apakah akun tersebut masih aktif, tidak aktif ataupun disuspended oleh Twitter berdasarkan keterangan.

3. HASIL DAN PEMBAHASAN

Crawling data lewat API Twitter dengan tagar “#luhutpenghisapdarahrakyat” menggunakan software Gephi 0.9.2 terlihat pada tabel 1.

Table 1. Hasil Crawling data

Aktor Tweet Nodes Edges

671 1785 2803 8030

Proses crawling data tweet menghasilkan 1785 tweets yang mengandung tagar “#luhutpenghisapdarahrakyat”, dengan melibatkan 671 aktor. Nodes yang dikumpulkan sebanyak 2803 dan edges sebanyak 8030.

Pada proses pembentukan komunitas dapat dilihat pada gambar 2 merupakan graph awal tagar

Crawling Data

Pembentukan Komunitas

Network Overview

Degree Centrality

Follower Rank

Profil 10 Aktor Utama

(4)

Gambar 2. Graph Awal Tagar #LuhutPenghisapDarahRakyat

Untuk mempermudah analisa maka menggunakan filter degree range = 6 terhadap data awal. Hasilnya berupa tampilan seperti pada gambar 3.

Gambar 3. Graph Degree Range = 6

Setelah proses filter dengan degree range = 6, didapakan 518 nodes dan 3553 edges. Pada sisa node dan edge yang tersisa dilakukan pengamatan dan hasil dari proses network overview seperti terlihat pada tabel 2 .

Table 2. Hasil Network Overview

Avarage Degree Network Diameter Graph Density Modularity

6,859 8 0,013 0,092

Pada average degree menunjukkan angka 6,859 pada tabel 2, yang berarti bahwa rata-rata suatu node berhubungan dengan 6 node lainnya. Pada network diameter menunjukkan angka 8 yang berarti bahwa jarak terpanjang antar node ialah 8 node. Pada graph density didapatkan 0,013 yang dimana angka diperoleh membuat network ini tidak padat dan tidak dekat disebabkan oleh skala kepadatan densitas harus dalam skala 0 hingga 1[17]. Sedangkan pada modularity mendapatkan 0,092.

Selanjutnya pada perhitungan degree centrality terhadap 671 akun untuk mendapatkan 10 akun dengan nilai degree centrality tertinggi. Hasil perhitungan degree centrality dapat dilihat pada tabel 3.

Table 3. Hasil Degree Centrality

No ID Aktor/User Degree Centrality In Degree Out Degree

1 @arthan38836243 265 3 262

2 @cumi_bakar2067 209 17 192

3 @insrikandi___ 149 90 59

4 @wongindonesia12 145 116 29

5 @bfofzlhan 133 66 67

6 @cabutmandat555 111 34 77

7 @kangutang04 100 90 10

8 @cint4n 99 59 40

9 @cintanirmala2 85 48 37

10 @teriwinarno 81 54 27

Degree centrality adalah jumlah dari banyaknya arah menuju ke node (InDegree) dan banyaknya arah keluar dari node (OutDegree). InDegree diperoleh dari banyaknya retweet terhadap cuitan/tweet aktor, sedangkan OutDegree diperoleh dari banyaknya aktor melakukan reply atau retweet terhadap cuitan/tweet dari aktor. Berdasarkan hasil perhitungan degree centrality, akun @arthan38836243 merupakan aktor dengan nilai degree centrality tertinggi yaitu 265, dengan nilai InDegree sebanyak 3, dan nilai OutDegree sebanyak 262. Sedangkan diantara 10 akun dengan nilai degree centrality tertinggi, akun @teriwinarno merupakan aktor dengan nilai degree centrality terendah yaitu 81, dengan nilai InDegree sebanyak 54, dan nilai OutDegree sebanyak 27. Hal ini membuat akun @arthan38836243 adalah aktor yang paling berpengaruh jika dibandingkan dengan aktor-aktor lainnya yang mengandung tagar

“#LuhutPenghisapDarahRakyat”.

Setelah melakukan perhitungan degree centrality, dilakukan perhitungan follower rank terhadap 10 node (aktor) dengan nilai degree centrality tertingggi. Berdasarkan tabel 4, hasil perhitungan follower rank menunjukkan bahwa

(5)

@teriwarno merupakan node (aktor) yang mempunyai nilai popularitas atau follower rank tertinggi yaitu 0.988081224 dibandingkan dengan aktor lain yang pada tweet dengan tagar “#LuhutPenghisapDarahRakyat”.

Table 4. Hasil Follower Rank

ID Aktor/User Followers Following Follower Rank

@teriwinarno 6715 6226 0.988081224

@insrikandi___ 7049 6105 0.979299806

@cintanirmala2 2685 3381 0.969314079

@wongindonesia12 3054 2949 0.954673335

@bfofzlhan 1861 1704 0.9332999

@kangutang04 1075 645 0.914893617

@cint4n 920 909 0.902845927

@cumi_bakar2067 374 222 0.641509434

@cabutmandat555 134 166 0.546938776

@arthan38836243 256 188 0.491362764

Dan tahapan terakhir dalam analisa data tweet ialah dilakukan Analisa pada profil data tweet berdasarkan 10 aktor dengan nilai degree centrality terbesar. Hasil Analisa profil dapat dilihat pada tabel 5.

Table 5. Profil 10 Aktor Utama

ID Aktor/User Tanggal Aktif Keterangan

@arthan38836243 09 Desember 2020 Aktif

@cumi_bakar2067 07 April 2021 Aktif

@insrikandi___ 12 Juli 2020 Aktif

@wongindonesia12 28 Juli 2021 Aktif

@bfofzlhan 07 Mei 2020 Tidak Aktif

@cabutmandat555 26 Oktober 2021 Aktif

@kangutang04 26 April 2021 Aktif

@cint4n 09 September 2021 Aktif

@cintanirmala2 17 Mei 2016 Aktif

@teriwinarno 07 Desember 2016 Suspended

Berdasarkan tabel 5 hasil analisa profile terhadap 10 aktor dengan nilai degree centrality terbesar terlihat bahwa dari 10 aktor utama, 8 aktor aktif, 1 aktor tidak aktif dan 1 aktor suspended oleh Twitter dikarenakan melanggar aturan Twitter. Dan jika dilihat dari waktu pembuatan akun, @insrikandi___ yang dikategorikan masih baru namun telah memiliki follower yang lumayan banyak.

4. KESIMPULAN

Penelitian ini menunjukkan bahwa dengan menggunakan metode degree centrality aktor yang berpengaruh dapat ditemukan dan dengan metode follower rank aktor yang populer dapat diketahui. Hasil analisis data tweet dengan tagar

“#LuhutPenghisapDarahRakyat” menghasilkan aktor @arthan38836243 merupakan aktor yang berada pada posisi ke-1 berdasarkan tabel 3 dengan nilai degree centrality tertinggi yaitu 265, nilai InDegree 3, dan nilai OutDegree 262, namun berdasarkan tabel 4 @arthan38836243 berada pada posisi ke-10 dengan nilai popularitas atau follower rank terendah yaitu 0.491362764. Sedangkan aktor @teriwinarno merupakan aktor yang berada pada posisi ke -1 berdasarkan tabel 4 dengan nilai popularitas atau follower rank tertinggi yaitu 0.988081224, namun berdasarkan tabel 3 @teriwarno berada pada posisi ke-10 dengan nilai degree centrality terendah yaitu 81, nilai inDegree 54, dan nilai OutDegree 27. Hal ini menunjukkan bahwa aktor yang berpengaruh belum tentu sama dengan aktor yang populer. Disisi lain berdasarkan tabel 5 hasil analisa terhadap 10 aktor utama mengacu pada nilai degree centrality diketahui bahwa aktor @arthan38836243 dikategorikan sebagai aktor berpengaruh dengan nilai degree centrality tertinggi masih aktif pada media sosial Twitter sedangkan aktor @teriwarno yang dikategorikan sebagai aktor populer dengan nilai popularits atau follower rank tertinggi telah suspended pada media sosial Twitter.

REFERENCES

[1] J. Nurvania and K. M. Lhaksamana, “Analisis Sentimen Pada Ulasan di TripAdvisor Menggunakan Metode Long Short-Term Memory ( LSTM ),” e-Proceeding Eng., vol. 8, no. 4, pp. 4124–4135, 2021.

[2] I. F. Ramadhy and Y. Sibaroni, “Analisis Trending Topik Twitter dengan Fitur Ekspansi FastText Menggunakan Metode Logistic Regression,” J. Ris. Komputer), vol. 9, no. 1, pp. 2407–389, 2022, doi: 10.30865/jurikom.v9i1.3791.

(6)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 2, April 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i2.4053 Hal 367−372 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 2022).

[6] Trends24, “Top Twitter Trends For Indonesia Now,” trends24. https://trends24.in/indonesia/ (accessed Nov. 06, 2021).

[7] https://maritim.go.id/, “Kementerian Koordinator Bidang Kemaritiman Dan Investasi,” https://maritim.go.id/.

https://maritim.go.id/ (accessed Mar. 17, 2022).

[8] A. I. Sugiarta, D. Syamsuar, and E. S. Negara, “Analisis Sentralitas Aktor pada Struktur Jaringan Politik dengan Menggunakan Metode Social Network Analysis (SNA) : Studi Kasus Group Facebook Lembaga Survei Sosial Media,” 2018.

[9] J. B. Sanawi, M. C. Samani, and M. Taibi, “#Vaccination: Identifying influencers in the vaccination discussion on twitter through social network visualisation,” Int. J. Bus. Soc., vol. 18, no. S4, pp. 718–726, 2017.

[10] M. R. Sari and K. T. Dwiyanti, “Teori Graf Dalam Analisis Jejaring Sosial: Hubungan Aktor Utama Dengan Pengguna Internal Laporan Keuangan,” J. Akunt. dan Keuang. Indones., vol. 15, no. 1, pp. 21–35, 2018, doi: 10.21002/jaki.2018.02.

[11] K. Mufidah, N. Syahputra, and N. A. Rakhmawati, “Analisis Aktor Popular Dan Sutradara Berpengaruh Berdasarkan Data Dbpedia Menggunakan Algoritma Closeness Centrality Dan Node2Vec,” Maj. Ilm. UNIKOM, vol. 18, no. 1, pp. 37–48, 2020, doi: 10.34010/miu.v18i1.3836.

[12] E. Mailoa, “Analisis Node dengan Centrality dan Follower Rank pada Twitter,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 5, pp. 937–942, 2020, doi: 10.29207/resti.v4i5.2398.

[13] A. Kartino, M. Khairul Anam, Rahmaddeni, and Junadhi, “Analisis Akun Twitter Berpengaruh terkait Covid-19 menggunakan Social Network Analysis,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 697–704, 2021, doi:

10.29207/resti.v5i4.3160.

[14] M. T. Bahri and D. S. Widhyharto, “Wajah Prosedural Kebijakan Psbb Jakarta Tahap Ii Berbasis Social Network Analysis (Sna),”

J. Kebijak. Publik, no. September, pp. 1–10, 2020, [Online]. Available:

https://jkp.ejournal.unri.ac.id/index.php/JKP/article/view/7920

[15] M. Habibi, A. Priadana, and M. Rifqi Ma’arif, “Hashtag Analysis of Indonesian COVID-19 Tweets Using Social Network Analysis,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 15, no. 3, p. 275, 2021, doi: 10.22146/ijccs.61626.

[16] M. Yusuf and I. Krisnadi, “Analisis Jaringan Sosial Pada Publikasi Bidang Teknik Elektro Indonesia di IEEE,” Prosiding- Seminar Nas. Tek. Elektro UIN Sunan Gunung Djati Bandung, no. 1965, pp. 19–26, 2019.

[17] F. Ma, X. Wang, and P. Wang, “Scale-free networks with invariable diameter and density feature: Counterexamples,” Phys. Rev.

E, vol. 101, no. 2, pp. 1–17, 2020, doi: 10.1103/PhysRevE.101.022315.