Pola Analisi Jaringan Sosial Dinamis
ABSTRAK
Interaksi sosial sering dimodelkan dengan jaringan. Karakteristik kunci dari interaksi sosial adalah perubahannya yang kontinu. Namun banyak analisis jaringan
sosial dimasa lalu pada dasarnya adalah statis dimana semua informasi tentang
waktu interaksi sosial berlangsung diabaikan. Dalam tesis ini diteliti pola dari
analisis jaringan sosial dinamis, dimana jaringan itu selalu berubah atas waktu.
Pola ini membantu membangun model yang dapat menjelaskan dan memprediksi perilaku jaringan. Model ini terdiri dari model deterministik dan stokastik.
Tesis ini membahas model deterministik yaitu model ILT(Iterated Local Transitivity) yang didalam setiap langkah waktu dan untuk setiap node x, node baru
muncul dimana node ini bergabung dengan himpunan tetangga yang tertutup
dari x. Model menunjukkan bahwa properti jaringan seperti pemadatan (densification) power law, penurunan rata-rata jarak(average distance)dan clustering
adalah lebih tinggi daripada graf random dengan rata-rata derajat yang sama.
Kata kunci: Jaringan sosial, Jaringan dinamis, Pola graf, Clustering
ii
Universitas Sumatera Utara
ABSTRACT
Social interactions are often modeled with networks. A key characteristic of social interactions is their continual change. However, most past analysis of social
networks are essentially static in that information about the time that social interactions take place is discarded. In this thesis researched pattern of dynamic social
networks, where the networks evolve over time. Pattern help us develop model and
the model help us to reason, and predict networks behavioral. This model consist
of deterministic model and stochastic model. In this thesis discussed the deterministic model namely ILT(Iterated Local Transitivity) which at each time-step
and for every existing node x, a new node appears which join to the closed neighbour set of x. The ILT model show that network properties such as densification
power law, decreasing average degree and higher clustering than in random graph
with the same average degree.
Keyword: Social networks, Dynamic networks, Graph pattern, Clustering
iii
Universitas Sumatera Utara
Interaksi sosial sering dimodelkan dengan jaringan. Karakteristik kunci dari interaksi sosial adalah perubahannya yang kontinu. Namun banyak analisis jaringan
sosial dimasa lalu pada dasarnya adalah statis dimana semua informasi tentang
waktu interaksi sosial berlangsung diabaikan. Dalam tesis ini diteliti pola dari
analisis jaringan sosial dinamis, dimana jaringan itu selalu berubah atas waktu.
Pola ini membantu membangun model yang dapat menjelaskan dan memprediksi perilaku jaringan. Model ini terdiri dari model deterministik dan stokastik.
Tesis ini membahas model deterministik yaitu model ILT(Iterated Local Transitivity) yang didalam setiap langkah waktu dan untuk setiap node x, node baru
muncul dimana node ini bergabung dengan himpunan tetangga yang tertutup
dari x. Model menunjukkan bahwa properti jaringan seperti pemadatan (densification) power law, penurunan rata-rata jarak(average distance)dan clustering
adalah lebih tinggi daripada graf random dengan rata-rata derajat yang sama.
Kata kunci: Jaringan sosial, Jaringan dinamis, Pola graf, Clustering
ii
Universitas Sumatera Utara
ABSTRACT
Social interactions are often modeled with networks. A key characteristic of social interactions is their continual change. However, most past analysis of social
networks are essentially static in that information about the time that social interactions take place is discarded. In this thesis researched pattern of dynamic social
networks, where the networks evolve over time. Pattern help us develop model and
the model help us to reason, and predict networks behavioral. This model consist
of deterministic model and stochastic model. In this thesis discussed the deterministic model namely ILT(Iterated Local Transitivity) which at each time-step
and for every existing node x, a new node appears which join to the closed neighbour set of x. The ILT model show that network properties such as densification
power law, decreasing average degree and higher clustering than in random graph
with the same average degree.
Keyword: Social networks, Dynamic networks, Graph pattern, Clustering
iii
Universitas Sumatera Utara