Social Network Analysis (SNA)

Apakah Anda menngerti gambar apakah di samping? Mungkin ada sebagian orang yang paham dan sebagian yang tidak. Awalnya saya juga bingung sebenarnya apa sih maksud dari gambar tersebut yang hanya berisi garis-garis dan menghubungkan satu nama dengan nama lainnya. Alhamdulillah bertemu dengan materi tersebut di Kapita Selekta CIO MTI UGM, yang disampaikan oleh Bapak Lukito Edi Nugroho. Ternyata gambar tersebut bukanlah hanya sekedar garis dan nama saja, tetapi memiliki arti. Lalu, apa sih yang sebenarnya ingin diinformasikan dalam gambar tersebut?  

Social network secara singkat menggambarkan bagaimana hubungan dan interaksi berjalan antara individu di organisasi ataupun perusahaan. Interaksi tersebut dapat menjadi berbeda tergantung bagaimana kita memandangnya dan hasil yang ingin didapatkan. Contohnya ialah social network yang diterapkan di kantor , kampus  dan kehidupan pribadi kita.

Social Network Analysis atau sering disingkat SNA memiliki beberapa definisi, Krebs mendifinisikan bahwa SNA adalah proses pemetaan dan pengukuran relasi antara orang ke orang, sedangkan Freeman mendefiniskan sebagai teknik yang fokus mempelajari pola interaksi pada manusia yang tidak terbongkar. Scott mendefinisikan sebagai sekumpulan metode untuk menginvestigasi aspek relasi pada struktur sosial. Berdasarkan ketiga definisi yang telah ada tersebut, sebenarnya secara garis besar memiliki kesamaan makna, yaitu mengarah pada proses analisis jaringan sosial berkaitan dengan bentuk struktur dan pola interaksi entitas di dalamnya.
Dari pengertian tersebut dapat dikatakan bahwa SNA lebih menekankan pada interaksi antar entitas didalamnya daripada entitas itu sendiri, dengan kata lain SNA lebih banyak membahas hubungan antar aktor daripada atribut aktor tersebut. Pola interaksi antar entitas akan memberikan informasi baru. Namun bukan berarti entitas tidak ada gunanya sama sekali. Attibut pada entitas yang menjadi node pada graf memiliki informasi yang dapat membantu peneliti untuk membuat hipotesa atas fenomena yang terjadi. Sebagai contoh pada kasus jejaring sosial online di twitter,memang yang lebih banyak dianalisis adalah interaksi antar user twitter, dalam hal ini pola interaksi akan dapan menentukan user mana yang paling berpengaruh dalam suatu lingkup grup tertentu. Namun setelah diketahui user mana yang paling berpengaruh,kemudian tidak akan dapat dianalisis lebih lanjut mengapa user tersebut bisa mendapatkan posisi tersebut, jika tidak diketahui profil user tersebut, siapa dia di dunia nyata, apa jabatannya, dan lain sebagainya. Sejauh ini dapat dikatakan bahwa interaksi antara entitas yang membentuk relasi hanya akan dapat menyimpulkan informasi sampai pada level graf saja, namun untuk sampai bisa berguna lebih lanjut di dunia nyata, perlu diketahui pula informasi tentang node itu sendiri.
Namun begitu, tetap saja SNA yang berada pada level graf lebih cenderung menganalisis struktur dan pola interaksi antar entitas. Freeman menyampaikan bahwa pola interasi manusia merupakan suatu aspek yang penting bagi kehidupan manusia yang terlibat didalamnya. Interaksi tersebut dalam SNA akan menjawab berbagai persoalan antara lain mengukur bagaimana individu terkoneksi dengan yang lain, bagaimana seseorang akan mempengaruhi relasi antar orang lain dan juga mengukur bagaimana individu-individu dalam satu grup saling terhubung dan berintraksi.
Dari satu objek, kita bisa mendapatkan banyak sekali jenis social network. Social network di pekerjaan misalnya. Bentuk social network yang dihasilkan karena kebutuhan penyelesaian pekerjaan akan berbeda dengan social network yang dihasilkan dari penyebaran berita atau gossip. Perbedaaan ini terjadi karena alasan sederhana. Kita cenderung memilih dengan siapa akan berinteraksi. Rekan kerja yang kita butuhkan untuk menyelesaikan pekerjaan bisa saja berbeda dengan rekan kerja yang kita anggap sahabat dan nyaman untuk bercerita. Begitupun ketika kita ingin bertanya hal teknis, diskusi ide, menyelesaikan tugas yang tertentu atau sharing pengetahuan. Kita, suka atau tidak suka, telah mengidentifikasi dan memilih dengan siapa akan berinteraksi dan untuk urusan apa. Sedikit menyebalkan memang, tetapi itulah nature manusia modern.

Sifat itulah yang mendasari Google membuat fitur Circle dalam aplikasi social medianya, Google Plus. Google sadar bahwa kita tidak ingin status “galau” yang kita tuliskan dibaca oleh bos atau klien. Begitupun kita tidak ingin posting motivasi atau terkait pekerjaan dikotori oleh beberapa teman yang tidak bisa menempatkan kata-kata pada tempatnya. Ya, walaupun tidak banyak dari kita yang menggunakan social media sebagai media branding personal tetapi tetap ada beberapa orang yang menggunakan social media sebagai tempat berkumpul dengan komunitas professional. LinkedIn contohnya. Social media ini lebih banyak ditujukan untuk professional atau entrepreneur yang hendak meluaskan jaringan pekerjaan dan peningkatan kompetensi. Contoh lainnya ialah beberapa perusahaan (korporasi atau personal) yang menggunakan Facebook sebagai media berhubungan dengan klien dan customer nya.

Hal yang tidak jauh berbeda juga terjadi dalam kehidupan sehari-hari. Terkadang kita menghindari berbicara terkait pekerjaan atau topik tertentu dengan beberapa orang. Entah karena perbedaan kebutuhan atau sekedar melupakan kerumitan dengan berdiskusi topik yang lebih ringan. Kita tidak berdiskusi bagaimana maintain client dengan pasangan atau berdiskusi tentang sepeda di komunitas motor. Kita melakukan ini. Sadar atau tidak. Suka atau tidak. Ini adalah hasil dari keteraturan dan keterbukaan informasi yang terkadang membuat kita berkumpul dengan individu yang memiliki kesukaan berbeda-beda.

Fakta yang menarik ialah ternyata dalam social network yang berbeda-beda tersebut sebenarnya ada pengetahuan, kesempatan, potensi dan kekuatan yang terkadang tidak kita sadari.  Contoh nyata terjadi pada perusahaan sekelas Sempra Energy yang memiliki revenue mencapai 12 milyar USD. Pada satu titik, penjualan mereka menurun dan divisi marketing disalahkan karena tidak tercapainya target. Manajemen pun memutuskan pendekatan social network analysis sebagai salah satu alat untuk mengidentifikasi masalah. Mereka menemukan bahwa ternyata marketing yang selalu berhubungan dengan pelanggan kurang mampu memberikan penjelasan teknis dan problem solving yang dibutuhkan sehingga solusi pun tidak tepat dan pelanggan mulai berpindah. Marketing sebagai front liner diketahui terpisah dari para researcher dan programmer, pihak yang mengerti kebutuhan pelanggan dan solusinya secara menyeluruh. Hasil analisis juga memperlihatkan bahwa researcher dan programmer sebagian besar terpisah dari social network untuk penyelesaian pekerjaan. Jika ada, hanya beberapa orang dengan jabatan tinggi yang terus menerus diakses oleh marketing dan divisi lainnya sehingga terjadi penyumbatan (bottleneck) informasi. Sebagai sebuah perusahaan yang menekankan pada solusi, hal ini adalah masalah besar. Manajemen pun melakukan beberapa langkah strategis diantaranya menguatkan kolaborasi antara marketing dan researcher serta programmer. Hasilnya, revenue kembali meningkat dan isolasi atas researcher dan programmer menurun.

Network dalam Perspektif Social Network Analysis  

Bagaimana cara memanfaatkan network ? Untuk menjawab pertanyaan tersebut maka kita sebaiknya mengetahui komponen network dalam social network analysis.

 

Network didefinisikan sebagai sekumpulan actor/nodes yang dihubungkan oleh ties/links. Actor/nodes adalah kita, individu yang terlibat dalam sebuah network dan ties/links adalah hubungan dan interaksi yang terjadi antara kita dengan individu lainnya dalam sebuah network (jaringan). Nodes juga dapat berupa departemen, stakeholder (customer, regulator, vendor), atau organisasi lain. Tergantung bagaimana kita hendak melakukan analisis. Ties (hubungan) juga berbeda-beda tergantung tujuan dan kebutuhan. Bisa berupa tugas, saran, keahlian, informasi strategis, prosedur, hingga kedekatan emosional (pertemanan atau percintaan).

Social Network Analysis (SNA) berpendapat bahwa hubungan antar nodes sesuatu yang penting. Fokus SNA untuk mengetahui actor/nodes yang terlibat dan bagaimana hubungan terjadi. Dengan siapa actor terhubung, seberapa kuat hubungan terjadi, seperti apa hubungan terjadi, apakah hubungan terjadi satu arah atau dua arah, bagamana hubungan difasilitasi, melalui media apa hubungan terjadi hingga ke aplikasi lainnya seperti siapa yang memiliki hubungan (ties) paling banyak, siapa yang terisolasi dalam networks, bagaimana jarak (gap) dan rentang (length) antar masing-masing nodes, dimana terjadi bottleneck, siapa yang menjadi key player dan sebagainya.

Yang menarik dari SNA ialah kemampuannya menterjemahkan network dan dinamika didalamnya menjadi bentuk yang terukur dan dapat dipertanggung jawabkan.Hal tersebut karena ilmu dasar SNA adalah statistika. Jacob Levy Moreno pada awal tahun 1930 tercatat sebagai praktisi yang pertama kali menggunakan istilahsocial network analysis dalam papernya. Pada awalnya SNA adalah kumpulan data statistika yang diolah sedemikian rupa sehingga terlihat hubungan antara satu data dan lainnya. Kemudian berkembang menjadi cabang ilmu statistika baru yang disebut sebagai sociology statistic. Cabang ilmu yang tidak hanya mengedepankan data sebagai acuan tetapi menggunakan ilmu-ilmu social, khususnya psikologi dan sosiologi untuk melihat kaitan dan menginterpretasikan data tersebut.

Kemampuan SNA dalam memberikan bukti konkrit ini yang kemudian menarik banyak pihak untuk menggunakannya secara luas. Fleksibilitas SNA dalam menganalisis bentuk hubungan membuat aplikasi SNA digunakan tidak hanya di organisasi yang mencintai data seperti bisnis, tetapi juga pada dunia militer, kepolisian, pendidikan, counter terrorism, bahkan politik.

Data dasar SNA sebagian besar didapatkan dari hasil survey terhadap anggota network. Pertanyaan yang diberikan didesain untuk mengetahui bagaimana hubungan terjadi, dengan siapa hubungan dilakukan, seberapa besar kekuatan hubungan antara nodes/actor, hingga media yang digunakan. Aspek lainnya dapat digunakan tergantung kepada bagaimana hasil akhir yang ingin diketahui seperti bagaimana hubungan terjadi dalam penyebaran berita, penciptaan inovasi, penyelesaian pekerjaan, diskusi peningkatan kompetensi dan lainnya. Hasil survey kemudian dianalisis menggunakan tools dan perhitungan matematika. Tenang saja, tools yang ada tersedia gratis dan memiliki komunitas yang selalu siap membantu jika kita menemukan masalah. Saya akan membahas tools ini di lain kesempatan ya, insya allah..

Social Network Analysis (SNA) Diagrams

Dalam menentukan individu (node) yang paling penting, berperan dan berpengaruh di dalam jaringan, kita bisa menggunakan analisis SNA ini untuk mengukur hal tersebut. Pengukuran tersebut digambarkan dalam diagaram sebagai berikut :

1. Degree centrality:  jumlah koneksi yang dimiliki sebuah node.

2. Closeness centrality: jarak rata-rata antara node dengan semua node yang lain di jaringan. Ukuran ini menggambarkan kedekatan node ini dengan node lain.  Semakin dekat, semakin terhubung orang tersebut dengan lainnya.   Analoginya adalah tipe orang “gaul” yang kenal dengan semua orang akan memiliki pengaruh yang lebih besar karena dapat menyebarkan informasi lebih cepat tanpa perlu perantara pihak ketiga. Untuk mengukur jarak terpendek antar node dapat digunakan algoritma Dijkstra.

3.Betweenness centrality:  ukuran ini memperlihatkan peran sebuah node menjadi bottleneck.  Node menjadi penting jika menjadi communication 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.  Ukuran ini juga dapat digunakan untuk mengidentifikasi boundary spanners, yaitu orang atau node yang berperan sebagai penghubung (jembatan) antara dua komunitas.  Betweenness centrality sebuah node dihitung dengan menjumlahkan  semua shortest path yang mengandung node tersebut.

4.Eigenvector centrality: ukuran ini memberikan bobot yang lebih tinggi pada node yang terhubung dengan node yang juga memiliki keterhubungan tinggi. Dapat dikatakan versi rekursif dari degree centrality.

5.PageRank:  Ukuran  ini digunakan Google untuk menentukan kualitas suatu page. Dapat digunakan untuk jaringan yang berbentuk graph berarah. Prinsip yang digunakan adalah  semakin penting sebuah node, maka semakin banyak node tersebut direfer oleh node lain. Contohnya, situs seperti kompas.com punya peringkat yang tinggi karena banyak direfer di page lain. Dan misalkan blog ini direfer oleh kompas.com, maka peringkat blog ini juga akan naik.

Sumber :

1. Kapita Selekta CIO MTI UGM, http://www.docstoc.com/docs/128946474/Social-Network_2_

2. Diagram SNA, http://fmsasg.com/fmsasg/SocialNetworkAnalysis/