SNA2-Basic Principles

Bersihkan dulu memori pada komputer Anda

rm(list = ls())

Mari mulai membuat Coding

Pertama-tama Anda harus mengaktifkan library(igraph)

library(igraph)

## Warning: package 'igraph' was built under R version 3.5.3

## 
## Attaching package: 'igraph'

## The following objects are masked from 'package:stats':
## 
##     decompose, spectrum

## The following object is masked from 'package:base':
## 
##     union

g3 <- graph(c("Maya","Doni","Lina","Agus","Agus","Siti","Agus","Maya","Doni","Lina","Doni","Maya","Maya", "Danang","Danang", "Lina"),isolates=c("Amin"))

Tampilkan grafiknya

plot(g3,vertex.color="yellow",vertex.size=30)

Keterangan lengkap dalam membuat Grafik

plot(g3, edge.arrow.size=.5, 
          vertex.color="green", # warna isi vertex
          vertex.size=30, # besar vertex
          vertex.frame.color="red", # warna frame vertex
          vertex.label.color="blue", # warna label vertex
          vertex.label.cex=0.8, # besar huruf/labelvertex
          vertex.label.dist=0, # jarak antara lingkaran vertex dengan label/huruf
          edge.curved=0) # tingkat kelengkungan kurva

Melakukan Transformasi Data ke model Adjacency Matrix

g5<-as.matrix(g3)

g5

## IGRAPH 2445973 DN-- 7 8 -- 
## + attr: name (v/c)
## + edges from 2445973 (vertex names):
## [1] Maya  ->Doni   Lina  ->Agus   Agus  ->Siti   Agus  ->Maya  
## [5] Doni  ->Lina   Doni  ->Maya   Maya  ->Danang Danang->Lina

Tampilkan dalam bentuk Hubungan antar Matriks

g5[]

## 7 x 7 sparse Matrix of class "dgCMatrix"
##        Maya Doni Lina Agus Siti Danang Amin
## Maya      .    1    .    .    .      1    .
## Doni      1    .    1    .    .      .    .
## Lina      .    .    .    1    .      .    .
## Agus      1    .    .    .    1      .    .
## Siti      .    .    .    .    .      .    .
## Danang    .    .    1    .    .      .    .
## Amin      .    .    .    .    .      .    .

Dari gambar diatas, setiap individu/aktor diminta untuk memilih siapa saja yang dianggap paling cocok dalam bekerja sama (teamwork). Setiap individu boleh memilih rekannya lebih dari satu orang. Dari matriks diatas kita mengetahui bahwa:
- Maya memilih Doni dan Danang
- Doni memilih Maya dan Lina
- Lina memilih Agus
- Agus memilih Maya dan Siti
- Danang memilih Lina
- Siti dipilih oleh Agus
- Amin tidak memilih siapapun

Prinsip dari SNA adalah Centrality

Ada Tiga jenis Centrality yang menjadi dasar Network:

Degree Centrality, the number of edges attached to the node
Closeness Centrality, ease of reaching other nodes
Betweenness Centrality, who is connected to the most connected nodes
Eigenvector Centrality, role as an intermediary, connector

1. Degree Centrality, yaitu jumlah koneksi yang dimiliki sebuah node. Seberapa sentral atau seberapa hebatnya seseorang (aktor) dalam network tersebut.

2. Closeness Centrality, yaitu perhitungan nilai centrality berdasarkan jumlah jarak yang harus dilalui sebuah node untuk menyebarkan sebuah informasi. Ukuran ini menggambarkan kedekatan node ini dengan node lain. Semakin dekat, semakin terhubung orang tersebut dengan lainnya. Analoginya adalah tipe orang yang populer, dikenal oleh semua orang serta memiliki pengaruh yang lebih besar karena dapat menyebarkan informasi lebih cepat tanpa perlu perantara pihak ketiga.

3. Betweenness Centrality, node yang paling sering dilewati shortest path, ukuran ini memperlihatkan peran sebuah node menjadi bottleneck. Analoginya, anggap persimpangan sebagai node. Semakin banyak jalan yang harus melewati persimpangan itu (misal tidak ada jalan alternatif), maka semakin penting arti persimpangan tersebut. Jika pada persimpangan tersebut lampu lalulintas mati, maka dapat berakibat fatal karena aliran mobil (informasi) akan terhambat.

Eigenvector Centrality, yaitu pengukuran yang memberikan bobot yang lebih tinggi pada node yang terhubung dengan node yang juga memiliki keterhubungan tinggi

Pengukuran Centrality

V(g5)

## + 7/7 vertices, named, from 2445973:
## [1] Maya   Doni   Lina   Agus   Siti   Danang Amin

Ternyata ada 7 Vertex/ nama-nama aktor yang berperan

E(g5)

## + 8/8 edges from 2445973 (vertex names):
## [1] Maya  ->Doni   Lina  ->Agus   Agus  ->Siti   Agus  ->Maya  
## [5] Doni  ->Lina   Doni  ->Maya   Maya  ->Danang Danang->Lina

Disini kita bisa melihat terdapat 8 edges/hubungan yang terjadi, pola hubungan bisa terlihat diatas, siapa memilih siapa dan seterusnya.

plot(g3, edge.arrow.size=.5, 
          vertex.color="green", # warna isi vertex
          vertex.size=30, # besar vertex
          vertex.frame.color="red", # warna frame vertex
          vertex.label.color="blue", # warna label vertex
          vertex.label.cex=0.8, # besar huruf/labelvertex
          vertex.label.dist=0, # jarak antara lingkaran vertex dengan label/huruf
          edge.curved=0) # tingkat kelengkungan kurva

1. Degree Centrality

Gunakan mode=‘in’ untuk mengetahui jumlah edges (tanda panah) yang mengarah ke dirinya

degree(g3, mode='in')

##   Maya   Doni   Lina   Agus   Siti Danang   Amin 
##      2      1      2      1      1      1      0

Gunakan mode=‘out’ untuk mengetahui jumlah edges (tanda panah) pemilih memilih targetnya

degree(g3, mode='out')

##   Maya   Doni   Lina   Agus   Siti Danang   Amin 
##      2      2      1      2      0      1      0

Gunakan mode=‘all’ untuk mengetahui total in dan out

degree(g3, mode='all')

##   Maya   Doni   Lina   Agus   Siti Danang   Amin 
##      4      3      3      3      1      2      0

Nilai Degree yang besar adalah pusat/central dari network

Siapa yang menjadi pusat/central dari Network diatas?

2. Closeness Centrality

closeness(g3)

## Warning in closeness(g3): At centrality.c:2784 :closeness centrality is not
## well-defined for disconnected graphs

##       Maya       Doni       Lina       Agus       Siti     Danang 
## 0.05555556 0.06250000 0.05555556 0.06250000 0.02380952 0.05000000 
##       Amin 
## 0.02380952

Siapa yang paling dikenal/populer dalam kelompok ini?

3. Betweenness Centrality

betweenness(g3, directed = FALSE)

##   Maya   Doni   Lina   Agus   Siti Danang   Amin 
##   3.00   0.50   2.00   4.25   0.00   0.25   0.00

Siapa yang paling berperan agar informasi terdistribusi secara efektif?

Beberapa instruksi penting lainnya The density of a graph is the ratio of the number of edges and the number of possible edges.

edge_density(g3)

## [1] 0.1904762

The diameter of a graph is the length of the longest geodesic.

diameter(g3)

## [1] 4

distances calculates the length of all the shortest paths from or to the vertices in the network. Sshortest_paths calculates one shortest path (the path itself, and not just its length) from or to the given vertex.

distances(g3, mode = "all")

##        Maya Doni Lina Agus Siti Danang Amin
## Maya      0    1    2    1    2      1  Inf
## Doni      1    0    1    2    3      2  Inf
## Lina      2    1    0    1    2      1  Inf
## Agus      1    2    1    0    1      2  Inf
## Siti      2    3    2    1    0      3  Inf
## Danang    1    2    1    2    3      0  Inf
## Amin    Inf  Inf  Inf  Inf  Inf    Inf    0

These functions find all, the largest or all the maximal cliques in an undirected graph. The size of the largest clique can also be calculated.

cliques(g3, min=3)

## Warning in cliques(g3, min = 3): At igraph_cliquer.c:56 :Edge directions
## are ignored for clique calculations

## list()

Articuation points or cut vertices are vertices whose removal increases the number of connected components in a graph.

articulation_points(g3)

## + 1/7 vertex, named, from 2445973:
## [1] Agus

Calculate the maximal (weakly or strongly) connected components of a graph

components(g3)

## $membership
##   Maya   Doni   Lina   Agus   Siti Danang   Amin 
##      1      1      1      1      1      1      2 
## 
## $csize
## [1] 6 1
## 
## $no
## [1] 2

aswin.januarsjaf@gmail.com

SNA2-Basic Principles

ASWIN JANUARSJAF

30 Mei 2019

Bersihkan dulu memori pada komputer Anda

Mari mulai membuat Coding

Keterangan lengkap dalam membuat Grafik

Melakukan Transformasi Data ke model Adjacency Matrix

Prinsip dari SNA adalah Centrality

Ada Tiga jenis Centrality yang menjadi dasar Network:

1. Degree Centrality, yaitu jumlah koneksi yang dimiliki sebuah node. Seberapa sentral atau seberapa hebatnya seseorang (aktor) dalam network tersebut.

Eigenvector Centrality, yaitu pengukuran yang memberikan bobot yang lebih tinggi pada node yang terhubung dengan node yang juga memiliki keterhubungan tinggi

Pengukuran Centrality

1. Degree Centrality

Nilai Degree yang besar adalah pusat/central dari network

Siapa yang menjadi pusat/central dari Network diatas?

2. Closeness Centrality

Siapa yang paling dikenal/populer dalam kelompok ini?

3. Betweenness Centrality

Siapa yang paling berperan agar informasi terdistribusi secara efektif?

SNA2-Basic Principles

ASWIN JANUARSJAF

30 Mei 2019

Bersihkan dulu memori pada komputer Anda

Mari mulai membuat Coding

Keterangan lengkap dalam membuat Grafik

Melakukan Transformasi Data ke model Adjacency Matrix

Prinsip dari SNA adalah Centrality

Centrality adalah hal paling mendasar dalam pengukuran Social Network Analysis (SNA). Metode Centrality pada grafik social network digunakan untuk menemukan Node yang paling berperan dalam suatu jejaring (network).

Ada Tiga jenis Centrality yang menjadi dasar Network:

1. Degree Centrality, yaitu jumlah koneksi yang dimiliki sebuah node. Seberapa sentral atau seberapa hebatnya seseorang (aktor) dalam network tersebut.

Eigenvector Centrality, yaitu pengukuran yang memberikan bobot yang lebih tinggi pada node yang terhubung dengan node yang juga memiliki keterhubungan tinggi

Pengukuran Centrality

1. Degree Centrality

Nilai Degree yang besar adalah pusat/central dari network

Siapa yang menjadi pusat/central dari Network diatas?

2. Closeness Centrality

Siapa yang paling dikenal/populer dalam kelompok ini?

3. Betweenness Centrality

Siapa yang paling berperan agar informasi terdistribusi secara efektif?