Social Network Analysis (Social Network Analysis/SNA) merupakan bidang yang terus berkembang dalam ilmu sosial komputasional. Dengan memahami SNA, kita dapat memahami bagaimana individu, kelompok, dan organisasi berinteraksi satu sama lain dalam konteks sosial.
Lega dan puas, itulah kata terakhir yang saya lihat di layar laptop saya saat menyelesaikan kursus intensif di University of California Computational Social Science (UCCSS) melalui Coursera. Tepatnya, kursus tentang Social Network Analysis. Pengalaman itu telah membuka mata saya, memberikan pemahaman baru tentang bagaimana kita, sebagai bagian dari jaringan sosial yang luas, saling terhubung dan berinteraksi.
Dengan semangat yang baru saja muncul, saya merasa perlu berbagi pengetahuan yang telah saya kumpulkan. Bayangkan jika kita bisa memetakan dan menganalisis pola, tren, dan dinamika dalam jaringan sosial kita.
Bayangkan bagaimana pemahaman itu bisa membantu kita membuat keputusan yang lebih tepat, mempengaruhi lebih banyak orang, bahkan memprediksi apa yang akan terjadi selanjutnya. Tentu termasuk juga berguna dalam dunia digital marketing.
Itulah yang akan kita jelajahi bersama dalam “Social Network Analysis: Sebuah Peta Konsep”. Jadi, mari kita mulai petualangan ini, dan saya berharap Anda merasakan antusiasme yang sama seperti yang saya rasakan.
Struktur Jaringan Sosial Statis
Jaringan sosial statis adalah konsep awal dalam SNA. Dalam jaringan ini, titik-titik atau simpul merepresentasikan individu atau entitas, sedangkan garis atau tepi menggambarkan hubungan atau interaksi antara simpul tersebut. Struktur ini membantu kita memahami bagaimana informasi atau sumber daya bergerak dalam jaringan, siapa yang menjadi penghubung penting, dan bagaimana subkelompok terbentuk.
Contohnya, dalam studi oleh Granovetter (1973) berjudul “The Strength of Weak Ties”, ditemukan bahwa individu yang menjadi jembatan antara dua kelompok sosial yang berbeda memiliki peluang lebih besar untuk mendapatkan informasi baru atau peluang kerja.
The Strength of Weak Ties: Menyelami Dampak Situs Pekerjaan Digital pada Mobilitas Pekerjaan
Kolaborasi intelektual oleh Rajkumar et al. (2022), antara Stanford, MIT, Harvard, dan LinkedIn telah melahirkan studi monumental yang belum pernah ada sebelumnya. Studi ini menyoroti efek situs pekerjaan digital pada lanskap pasar kerja global. Tak terduga, penemuan utamanya adalah bahwa hubungan sosial yang kurang kuat atau ‘lemah’ mempunyai kontribusi yang lebih signifikan pada mobilitas pekerjaan daripada hubungan yang lebih kuat.
Memahami Nilai Hubungan Lemah dalam Pencarian Pekerjaan
Dalam konteks pencarian pekerjaan, menggali jaringan sosial yang lebih luas, yang melibatkan orang-orang di luar lingkaran teman dan kolega dekat, dapat menjadi strategi yang efektif. Kenapa? Orang-orang yang memiliki hubungan yang lebih lemah dengan Anda seringkali memiliki akses ke informasi dan koneksi yang relevan dan bermanfaat. Ini merupakan aplikasi dari teori kekuatan hubungan lemah, yang menegaskan bahwa hubungan yang jarang dan kurang erat, atau ‘lemah’, seringkali lebih menguntungkan dalam hal peluang kerja, promosi, dan gaji daripada hubungan yang kuat.
Misalakan Anda sedang mengejar peluang kerja baru di ranah teknologi informasi. Anda memiliki teman dekat yang juga berkecimpung di bidang yang sama. Namun, mereka mungkin tidak mengetahui banyak peluang kerja baru karena mereka sudah berada dalam zona kenyamanan mereka. Di sisi lain, Anda memiliki kenalan di perusahaan teknologi lain. Meskipun Anda tidak terlalu dekat dengannya, mereka mungkin memiliki akses ke informasi tentang peluang kerja baru yang tidak tersentuh oleh teman dekat Anda.
Eksperimen LinkedIn: Mengukur Kekuatan Hubungan Lemah
Tim peneliti ini melakukan serangkaian eksperimen selama lima tahun di LinkedIn dengan 20 juta orang di seluruh dunia, di mana 600.000 pekerjaan baru dibuat. Data yang digunakan berasal dari eksperimen acak berskala besar yang dilakukan pada algoritma “Orang yang Mungkin Anda Kenal” (PYMK) di LinkedIn. Tujuannya adalah untuk menguji teori hubungan lemah dan dampaknya pada pasar tenaga kerja.
Hasilnya? Mereka menemukan bahwa hubungan yang lebih lemah meningkatkan kemungkinan mobilitas pekerjaan (perubahan lapangan pekerjaan dan status pekerjaan tenaga kerja) dengan signifikan. Namun, para peneliti juga menemukan pola hubungan berbentuk U terbalik antara kekuatan hubungan dan mobilitas pekerjaan, dengan hubungan yang cukup lemah meningkatkan mobilitas pekerjaan paling banyak dan hubungan yang paling kuat meningkatkan mobilitas pekerjaan paling sedikit.
Pola Hubungan Berbentuk U, Apa Maksudnya?
“Peneliti juga menemukan hubungan berbentuk U terbalik antara kekuatan hubungan dan mobilitas pekerjaan” berarti ada pola tertentu yang ditemukan peneliti antara kekuatan hubungan sosial seseorang (seberapa dekat mereka dengan orang lain dalam jaringan sosial mereka) dan kemampuan mereka untuk bergerak atau beralih antar pekerjaan.
Hubungan berbentuk U terbalik adalah suatu pola di mana ada dua variabel yang berbanding terbalik pada awal dan akhir spektrum, tetapi berbanding lurus di tengah. Dalam konteks ini, itu berarti:
- Orang dengan hubungan yang sangat lemah (misalnya, mereka yang memiliki banyak kenalan tetapi tidak banyak teman dekat) memiliki mobilitas pekerjaan yang cukup tinggi – mereka cenderung dapat menemukan dan beralih ke pekerjaan baru dengan relatif mudah.
- Orang dengan hubungan yang moderat (misalnya, mereka yang memiliki beberapa teman dekat tetapi juga banyak kenalan) memiliki mobilitas pekerjaan yang paling tinggi – mereka memiliki keseimbangan antara informasi dan peluang baru dari kenalan mereka dan dukungan dari teman dekat mereka.
- Orang dengan hubungan yang sangat kuat (misalnya, mereka yang memiliki banyak teman dekat tetapi tidak banyak kenalan) memiliki mobilitas pekerjaan yang lebih rendah – mereka mungkin merasa lebih sulit untuk menemukan dan beralih ke pekerjaan baru, mungkin karena mereka kurang terpapar informasi dan peluang baru.
Ini adalah temuan penting karena menunjukkan bahwa memiliki berbagai jenis hubungan – baik lemah maupun kuat – dapat bermanfaat dalam pasar kerja.
Variasi Industri: Hubungan Lemah sebagai Katalis Mobilitas Kerja
Selain itu, peneliti melihat variasi antar industri dan menemukan bahwa penambahan hubungan lemah menciptakan mobilitas pasar kerja yang signifikan lebih banyak di sektor digital dan teknologi tinggi. Hubungan lemah menghasilkan lebih banyak aplikasi pekerjaan daripada hubungan kuat di industri dengan intensitas IT yang lebih besar, intensitas perangkat lunak, robotisasi, dan industri yang lebih cocok untuk pembelajaran mesin, kecerdasan buatan, dan pekerjaan jarak jauh.
Social Network Analysis: Membangun Jembatan ke Peluang Kerja Baru
Dalam konteks Social Network Analysis, penemuan ini menunjukkan bagaimana jaringan sosial online, seperti LinkedIn, bisa mempengaruhi mobilitas pekerjaan dan pasar tenaga kerja secara keseluruhan. Ini juga menunjukkan bagaimana teori kekuatan hubungan lemah dapat diterapkan dalam konteks modern, dengan mempertimbangkan bagaimana hubungan online dapat berdampak pada peluang kerja dan mobilitas karir.
Pemanfaatan Perangkat Lunak dalam Analisis Jaringan
Dengan bantuan perangkat lunak seperti Gephi, kita dapat memvisualisasikan dan mengSocial Network Analysis statis dengan lebih mudah. Misalnya, dalam penelitian tentang penyebaran informasi di Twitter, Gephi dapat digunakan untuk memvisualisasikan bagaimana tweet bergerak dan menyebar dari satu pengguna ke pengguna lain.
Social Network Analysis merupakan bidang yang kompleks dan memerlukan alat yang tepat untuk mengekstraksi dan menganalisis data dengan efektif. Berikut ini beberapa perangkat lunak lain yang dapat digunakan untuk Social Network Analysis:
1. NodeXL
NodeXL adalah perangkat lunak analisis jaringan dan visualisasi yang berbasis Microsoft Excel. Ini memungkinkan pengguna untuk mengekstraksi, mewakili, dan mengSocial Network Analysis dari berbagai sumber data seperti media sosial, email, dan juga data set lainnya.
2. UCINet
UCINet adalah perangkat lunak yang dirancang khusus untuk analisis data jaringan. Perangkat lunak ini menyediakan berbagai metode analisis, termasuk Social Network Analysis dan analisis klaster. UCINet juga dapat digunakan bersama dengan perangkat lunak visualisasi jaringan lainnya seperti NetDraw.
3. Pajek
Pajek adalah perangkat lunak yang dirancang untuk analisis dan visualisasi jaringan besar. Ini menyediakan berbagai alat untuk mengelola dan menganalisis data jaringan, serta visualisasi grafis yang kuat.
4. Cytoscape
Cytoscape adalah perangkat lunak open source yang dirancang untuk visualisasi jaringan kompleks. Meskipun awalnya dikembangkan untuk jaringan biologi, Cytoscape dapat digunakan untuk jaringan sosial dan berbagai jenis jaringan lainnya. Ini juga mendukung berbagai plugin yang dapat digunakan untuk menganalisis dan memvisualisasikan data dengan cara yang lebih spesifik dan rinci.
5. SocNetV
Social Network Visualizer (SocNetV) adalah perangkat lunak analisis dan visualisasi jaringan sosial yang user-friendly. Pengguna dapat membuat jaringan dengan titik dan garis, lalu menganalisis derajat sentralitas, kepadatan, diameter, dan metrik jaringan lainnya.
Dengan perangkat lunak yang tepat, Social Network Analysis dapat menjadi proses yang lebih mudah dan informatif. Selalu penting untuk memilih alat yang paling sesuai dengan kebutuhan dan tujuan analisis Anda.
Dinamika Jaringan Sosial
Namun, harus diingat bahwa jaringan sosial jarang sekali statis. Mereka selalu bergerak dan berkembang, mirip dengan organisme yang hidup. Oleh karena itu, pemahaman tentang dinamika jaringan sosial menjadi penting.
Penelitian tentang dinamika jaringan sosial telah membantu kita memahami bagaimana jaringan berkembang dan berubah seiring waktu. Misalnya, dalam studi oleh Leskovec, Kleinberg, dan Faloutsos (2007), mereka menemukan bahwa jaringan sosial cenderung menjadi semakin padat seiring waktu, dan jarak rata-rata antara simpul dalam jaringan cenderung mengecil.
Penelitian yang dilakukan oleh Leskovec, Kleinberg, dan Faloutsos pada 2005 berfokus pada dinamika jaringan sosial, mempelajari bagaimana grafik nyata berubah sepanjang waktu serta pola pertumbuhan yang biasa ditemukan dalam jaringan sosial, teknologi, dan informasi. Beragam grafik nyata diperiksa dalam studi ini dan hasilnya cukup mengejutkan.
Para peneliti menemukan bahwa jaringan dunia nyata cenderung menjadi lebih padat seiring waktu, yang ditunjukkan dengan pertumbuhan jumlah sisi yang lebih cepat dibandingkan jumlah simpul. Mereka juga menemukan bahwa diameter jaringan mengecil seiring waktu, artinya jarak rata-rata antara simpul menurun.
Penerapan Social Network Analysis
Dengan pemahaman yang baik tentang SNA, kita dapat merancang sistem sosial yang lebih efektif dan efisien.
Misalnya, pemerintah dan organisasi non-pemerintah dapat menggunakan SNA untuk merancang kampanye kesehatan masyarakat yang lebih efektif, sementara perusahaan dapat menggunakan SNA untuk merancang strategi pemasaran yang lebih efektif.
Dengan begitu, Social Network Analysis bukan hanya penting untuk memahami masyarakat kita, tetapi juga dapat digunakan untuk membimbing dan membentuk masyarakat kita di masa depan.
Dengan pemahaman mendalam tentang Social Network Analysis (SNA), kita berada dalam posisi yang lebih baik untuk merancang struktur sosial yang lebih produktif dan hemat energi. Sebagai contoh, entitas pemerintahan dan organisasi non-pemerintah dapat mengoptimalkan SNA untuk merumuskan kampanye kesehatan masyarakat yang lebih efektif, sementara perusahaan dapat memanfaatkan SNA untuk menyusun strategi pemasaran yang lebih efisien.
Oleh karena itu, pentingnya Social Network Analysis tidak hanya terletak pada pemahaman masyarakat kita, tetapi juga pada kemampuannya untuk memandu dan membentuk komunitas kita di masa mendatang.
Sebagai contoh spesifik, perusahaan telekomunikasi dapat menggunakan SNA untuk menganalisis pola panggilan pelanggan dan mengidentifikasi “influencer” atau individu yang memiliki banyak koneksi. Dengan melakukan ini, mereka dapat menargetkan individu tersebut dalam kampanye pemasaran mereka, yang dapat lebih efektif daripada menargetkan pelanggan secara acak.
Selain itu, dalam konteks kesehatan masyarakat, organisasi seperti Pusat Pengendalian dan Pencegahan Penyakit (CDC) dapat menggunakan SNA untuk memahami bagaimana penyakit menyebar dalam suatu populasi. Dengan pengetahuan ini, mereka dapat merancang kampanye kesehatan masyarakat yang lebih efektif, misalnya dengan menargetkan individu atau komunitas yang memiliki risiko tinggi terpapar penyakit.
Referensi
- Granovetter, M. S. (1973). The Strength of Weak Ties. American Journal of Sociology, 78(6), 1360–1380. http://www.jstor.org/stable/2776392
- Rajkumar, K., Saint-Jacques, G., Bojinov, I., Brynjolfsson, E., & Aral, S. (2022). A causal test of the strength of weak ties. Science, 377(6612), 1304–1310. https://doi.org/10.1126/science.abl4476
- Leskovec, J., Kleinberg, J., & Faloutsos, C. (2005). Graphs over time: densification laws, shrinking diameters and possible explanations, https://doi.org/10.1145/1081870.1081893
HEY, I’M SOLEH!
I am a lecturer and professional writer, My Favorite thing in life is time spent around the table fo write something, like my post on these blogs. I hope you enjoy my blogs.