1-Metode Jaringan Komunikasi [PDF]

Citation preview

ANALISIS JARINGAN KOMUNIKASI (COMMUNICATION NETWORKS ANALYSIS)



SOFTWARE ALAMAT DOWNLOAD UCINET https://sites.google.com/site/ucinet software/downloads NODEXL https://www.nodexlgraphgallery.org/ Pages/Registration.aspx NETLYTIC https://netlytic.org/



https://sites.google.com/site/ucinetsoftware/downloads



UCINET adalah salah satu program pengolah (software) analisis jaringan yanhg paling populer dan banyak dipakai. Selain UCINET, terdapat tidak kurang 100 software lain. Program ini pertama kali diperkenalkan oleh Lin Freeman, Martin Everett dan Steve Borgatti pada tahun 1980 dengan format bahasa pemrograman BASIC. Pada tahun 2002, muncul versi yang lebih user friendly, dalam versi UCINET 5.0. Kelebihan UCINET adalah penerimaan yang tinggi di komunitas ilmiah, mengingat pembuat software ini sekaligus juga dikenal sebagai ahli jaringan. UCINET juga sangat kaya dengan analisis data. Sementara kelemahan program ini adalah kurang bisa bekerja pada data besar. Program ini (menurut pengakuan) maksimal bisa mengolah node (aktor) sebanyak 32.767 buah. Dalam prakteknya, penggunaan node di atas 5.000, kerapkali membuat program berjalan lambat dan data tidak bisa diolah secara cepat.



UCINET NodeXL GEPHI User friendly



-



++



++



Bisa menganalisis data dalam jumlah besar



-



+



++



Kekayaan analisis



++



-



-



Kompatibilitas dengan software lain (SPSS, Exel dsb)



+



++



+



Acceptabilitas komunitas ilmiah



++



-



+



Mengolah data dari media sosial (Twitter, Facebook, Youtube dsb)



-



++



+



• UCINET menyajikan analisis data yang sangat kaya. Berbagai aspek dari jaringan bisa dianalisis. Untuk tutorial ini, tidak semua analisis data akan dibahas. Tutorial hanya akan membahas mengenai analisis data yang utama, yang banyak dipakai dalam perhitungan jaringan. • Pembaca yang menginginkan informasi penggunaan UCINET untuk perhitungan lebih rumit dan kompleks, bisa membaca buku: (1) Borgatti, Stephen P, Martin G. Everett and Jeffrey C. Johnson. 2013. Analyzing Social Networks. London: Sage Publications. (2) Hanneman, Robert A and Mark Riddle. (2004). Introduction to Social Network Methods. Riverside, California: University of California Press.



Data untuk Simulasi (Latihan)



Selamat pagi/siang/sore, saya dari......sedang mengadakan penelitian tentang jaringan komunikasi. Yang menjadi sampel penelitian ini adalah peserta workshop Metode Penelitian Komunikasi yang diadakan oleh Universitas Atmajaya Jakarta. Penelitian ini untuk kepentingan ilmiah. Meskipun pertanyaan dalam kuesioner ini meminta Anda menyebut nama-nama, kami tidak akan mencantumkan nama dalam laporan penelitian. Nama-nama Anda kami jamin tidak akan tercantum dalam laporan. SEMUA JAWABAN ANDA DIJAMIN KERAHASIAANNYA OLEH KAMI.



Nama responden



…………………………………..



Jenis kelamin



1. Laki-laki



Asal lembaga



…………………………………..



Dari peserta workshop ini, siapa orang yang pernah Anda hubungi DALAM SATU TAHUN INI untuk membicarakan masalah pekerjaan? (Cukup tuliskan nama-nama di daftar, tidak perlu diurutkan baik berdasar abjad ataupun frekuensi bertemu)



1 2 3 4 5 6 7 8 9 10 11 12 13 14



2. Perempuan



Andi Yudi Sisi Indah Bayu Mika Lili Zainal Nur Nanang Imran Iskak Hidayat Fikri Taufik



Andi



Yudi



Sisi



Indah



Bayu



Mika



Lili



Zainal



Nur



Nanang Imran Iskak



Hidayat Fikri



Taufik



0



1



1



1



1



1



0



1



1



0



0



0



0



0



1



1 1 1 1 1 0 1 1 0 0 0 0 0 1



0 0 1 0 1 1 0 0 0 0 0 0 0 0



0 0 1 1 1 0 1 1 0 0 0 0 0 1



1 1 0 1 1 1 1 1 1 1 1 1 1 1



0 1 1 0 1 0 1 1 0 0 0 0 0 1



1 1 1 1 0 1 1 1 1 0 0 0 1 1



1 0 1 0 1 0 0 1 0 0 1 0 0 0



0 1 1 1 1 0 0 1 0 1 0 0 0 1



0 1 1 1 1 0 1 0 0 0 0 0 0 1



0 0 1 0 0 0 0 0 0 1 1 1 1 0



0 0 1 0 0 0 0 0 1 0 1 1 1 0



0 0 1 0 0 1 0 0 1 1 0 1 1 0



0 0 1 0 0 0 1 0 1 1 1 0 1 0



0 1 1 0 0 0 0 1 1 1 1 1 0 0



0 1 1 1 1 0 1 1 0 0 0 0 1 0



KONSEP DASAR JARINGAN KOMUNIKASI



Trend Studi Jaringan Studi jaringan sosial (termasuk komunikasi di dalamnya) adalah salah satu metode yang banyak dipakai saat ini. Metode ini sudah dikenal di tahun 1970-an, tetapi pertumbuhan dan penggunaannya sangat sedikit. Popularitas metode ini baru muncul awal tahun 2000an. Antara tahun 1080-an hingga 2000-an, studi dengan menggunakan metode jaringan naik hampir 5 x lipat.



600



500



400



Mengapa studi jaringan komunikasi saat ini (kembali) populer? Pertama, munculnya media sosial, terutama twitter dan facebook. Kehadiran media sosial ini seakan menjadi justrifikasi pentingnya jaringan sosial. Bagaimana ratusan juta orang bisa terhubung satu sama lain. Kedua, yang paling utama, kehadiran perangkat lunak (software). Dulu, studi jaringan komunikasi jarang dilakukan karena memetakan jaringan dilakukan secara manual. Ini menyulitkan kalau penelitian menyertakan ratusan aktor (node). Perhitungan secara computerized terbatas di laboratorium di kampus, yang sulit diakses. Sejak tahun 2000-an, perangkat lunak jaringan komunikasi bisa didapatkan dengan mudah. Saat ini ada ratusan perangkat lunak untuk analisis jaringan komunikasi yang hampir seluruhnya bisa diunduh secara gratis (free).



300



200



100



0.134x



y = 0.001e 2 R = 0.917 0 1960



1970



1980



1990



Sumber: Borgatti & Foster (2003)



2000



2010



Mengapa Studi Jaringan Menarik Dilakukan? • Jaringan komunikasi menggambarkan proses, sehingga bisa menjelaskan terbentuknya fenomena atau peristiwa komunikasi. Secara praktis, analisis jaringan bisa menjawab pertanyaan seperti ”dari mana perubahan dilakukan” atau “dari siapa perubahan dimulai”. • Studi jaringan komunikasi menekankan pada posisi aktor dan kekuatan aktor dalam struktur sosial. Pendekatan semacam ini akan membantu menjelaskan menjelaskan kondisi yang muncul, konflik dan dinamika. • Studi jaringan komunikasi memungkinkan kita melakukan perbandingan aktor dalam jaringan atau perbandingan antar struktur jaringan yang berbeda



• Kita tidak mungkin tidak berkomunikasi (cannot not communicate). Kita juga tidak mungkin tidak menjalin relasi dengan orang lain. Dari mulai di rumah bersama anggota keluarga, di kampus atau tempat kerja dengan teman, di kampung dimana kita tinggal dan sebagainya. Pada dasarnya kita adalah anggota dari suatu jaringan, terhubung dengan orang lain, baik kecil ataupun besar.



Jaringan dalam Keluarga



Jaringan komunikasi dari 436 karyawan Hawlett



Jaringan Pertemanan



Jaringan komunikasi blog politik pada Pemilu Amerika 2004



• Metode analisis jaringan komunikasi secara sederhana bisa didefinisikan sebagai metode yang berusaha menggambarkan dan menjelaskan jaringan sosial dan struktur jaringan. Apa itu jaringan? Jaringan adalah seperangkat aktor yang mempunyai relasi dengan aktor lain dalam tipe relasi tertentu. Studi jaringan komunikasi menggambarkan relasi aktor (bisa orang, lembaga, perusahaan, negara dsb) satu dengan lainnya dalam struktur sosial tertentu. Ada dua kata kunci utama dari jaringan komunikasi.



A set of socially relevant node connected by one or more relations. Node, or network members, are units that are connected by the relation whose patterns we study. (Marin and Wellman, 2011:11). Representation of organisational relationships as a system of node or actors linked by precisely classified connections. (Pryke, 2012:78). A set of actors or node along with a set of ties of specified type (such as friendship) that link them. Borgatti and Halgin (2009: 1157).



(a) Relasi, Bukan Atribusi • Penelitian jaringan memusatkan perhatian pada relasi. Metode ini bisa dipakai untuk meneliti berbagai bentuk aktor (orang/individu, lembaga, negara dsb). Tetapi yang diteliti adalah relasi, bukan atribut dari aktor. • Sebagai misal, pemerintah mengeluarkan kebijakan kredit murah bagi para nelayan. Penelitian ingin melihat respon komunitas kampung nelayan atas kebijakan tersebut (difusi inovasi). Survei akan menggali data atribusi, seperti bagaimana pendapat nelayan atas program kredit murah, berapa banyak yang tahu program, berapa banyak (persen) yang berniat untuk mengambil kredit tersebut, dan seterusnya. Studi jaringan komunikasi tidak memfokuskan diri pada data atributif, tetapi relasional. Jika di kampung nelayan tersebut ada 100 orang, studi jaringan akan memetakan relasi antara 1 aktor (nelayan) dengan 99 aktor (nelayan) lain. Siapa aktor di komunitas nelayan tersebut yang mendapatkan informasi terlebih dahulu mengenai kredit murah. Apakah aktor yang mendapatkan informasi itu menyebarkan informasi ke nelayan lain atau menahan informasi itu untuk dirinya sendiri. Jika informasi itu disebarkan bagaimana persebaran itu terjadi, dari aktor mana ke aktor mana saja, dan seterusnya. Intinya, studi jaringan komunikasi tidak melihat opini, sikap atau perilaku tetapi pada relasi antar aktor.



(b) Relasi dan Struktur • Aktor dan relasi aktor pada analisis jaringan dilihat dalam perspektif struktural. Posisi aktor ditentukan oleh posisi aktor lain dalam struktur. Aktor bisa menempati posisi yang berbeda jika berada dalam suatu struktur tertentu. Analisis jaringan bersifat struktural, mengaitkan aktor dengan aktor lain, aktor dengan kelompok dan pada akhirnya aktor dengan sistem secara keseluruhan



Istilah dan Konsep Dasar • Node dan Edge Aktor (node) tidak selalu berupa individu (orang). Aktor juga bisa organisasi, negara, institusi, perusahaan, dan sebagainya. Sementara link (edge) adalah relasi di antara aktor. Link dilambangkan dalam sebuah garis yang menghubungkan antara aktor yang satu dengan aktor lain.



• Directed vs Undirected Relasi antar aktor (node) bisa mempunyai arah (directed) dan tidak mempunyai arah (undirected). Pada relasi yang mempunyai arah (directed) ada pengirim dan penerima, ada subjek dan objek. Sementara dalam relasi yang tidak mempunyai arah (undirected), tidak ada pengirim dan penerima, kedua aktor sama-sama mempunyai peran yang sama. Relasi yang mempunyai arah (directed) ditandai oleh garis dengan tanda panah, sebaliknya relasi yang tidak mempunyai arah (undirected) ditandai oleh garis tanpa tanda panah.



• Weighted (Valued) vs Unvalued Relasi antar aktor juga bisa dibedakan berdasarkan intensitas relasinya. Peneliti bisa menyajikan relasi dengan menyertakan nilai intensitas (valued), dan tidak (unvalued).



DESAIN PENELITIAN



Eksploratif • Penelitian yang dimaksudkan untuk melakukan penjajakan atas suatu topik atau fenomena yang sebelumnya tidak pernah diteliti. Karena bersifat eksploratif, studi ini umumnya tidak dalam. Arti penting dari studi eksploratif diukur dari kebaruan topik yang sebelumnya belum pernah diteliti atau bisa menjawab pertanyaan, asumsi atau dugaan yang berkembang dalam masyarakat. Dalam studi jaringan, tipe penelitian eksploratif mengeksplorasi pola jaringan tertentu yang belum pernah diteliti.



Deskriptif • Penelitian yang dimaksudkan untuk menggambarkan secara detil struktur dan aktor-aktor dalam jaringan. Penelitian tipe ini menjawab pertanyaan “bagaimana” (how) dan “siapa” (who). • Sebagai misal, penelitian mengenai jaringan komunikasi suatu komunitas nelayan di Indramayu. Penelitian deskriptif menggambarkan secara detil bagaimana struktur jaringan dari komunitas tersebut, siapa saja aktor-aktor dalam jaringan, dan bagaimana posisi dari masing-masing aktor ----seperti siapa aktor dalam jaringan yang paling banyak dipilih, siapa aktor yang menjadi pemuka pendapat dari jaringan tersebut, dan seterusnya.



Eksplanatif • Penelitian tipe eksplanatif dalam studi jaringan menjawab pertanyaan “mengapa” (why). Kita tidak lagi melakukan penjajakan (eksploratif), menggambarkan secara detil struktur jaringan dari suatu objek (deskriptif), tetapi lebih jauh bisa menjelaskan penyebab munculnya suatu struktur jaringan tertentu, atau apa akibat dari struktur jaringan tertentu tersebut pada komunitas atau masyarakat. • Karena ingin menjawab pertanyaan “mengapa” (why), atau pertanyaan “sebab akibat” penelitian eksplanatif memasukkan beberapa variabel, bukan hanya variabel jaringan komunikasi tetapi juga variabel non jaringan komunikasi.



Akibat (Variabel Terikat / Dependent Variable)



Variabel non jaringan sebagai hasil Variabel non jaringan sebagai penyebab Penyebab (Variabel (anteseden) Bebas / Independent Variable) Variabel jaringan sebagai penyebab (anteseden)



Variabel jaringan sebagai hasil



I (Bukan Penelitian Jaringan)



III



II



IV



Akibat (Variabel Terikat / Dependent Variable)



Variabel non jaringan Adopsi (penerimaan) terhadap alat kontrasepsi



Variabel non jaringan  Karakteristik individu (Pendidikan, status sosial ekonomi, status pernikahan, umur dsb)  Religiusitas (Kepercayaan pada nilai-nilai agama, frekuensi menjalankan ibadah, dan acara keagamaan dsb) Penyebab (Variabel Bebas / Independent Variable)



Variabel jaringan  Kepadatan jaringan (Seberapa anggota jaringan terhubung satu sama lain)  Sentralitas (Bagaimana posisi aktor dalam jaringan. Apakah aktor/individu berposisi sebagai penghubung ataukah tidak)



Mis. pengaruh pendidikan dan status perkawinan pada penerimaan alat kontrasepsi.



Variabel jaringan sebagai hasil Keanggotaan dalam klik menurut penerimaan pada alat kontrasepsi Mis. pengaruh religiusitas terhadap keanggotaan pada klik berdasar penerimaan alat kontrasepsi.



Mis. pengaruh kepadatan Mis. pengaruh kepadatan jaringan di dusun jaringan terhadap terhadap penerimaan alat keanggotaan pada klik kontrasepsi. berdasar penerimaan alat kontrasepsi.



POPULASI DAN SAMPEL



• Penarikan sampel selalu dimulai dari populasi, di mana hasil penelitian kita akan digeneralisasikan. Titik kesulitannya adalah karena pada penelitian jaringan tidak ada batas (boudaries) yang tegas. Ini berbeda dengan penelitian kuantitatif lain (survei, eksperimen atau analisis isi), di mana ada batas yang tegas, di mana batas-batas tersebut akan menjadi populasi penelitian. Jika Anda membuat survei mengenai eksposure acara televisi di desa X. Batas (boudaries) dari penelitian itu adalah penduduk dewasa (misalnya usia 15 tahun ke atas) di desa X. Batas tersebut menjadi populasi penelitian, dan sampel diambil dari populasi tersebut. • Bagaimana dengan penelitian jaringan? Batas seperti pada survei, analisis isi atau eksperimen tidak bisa diterapkan dengan mudah. Sebagai misal, jika Anda ingin meneliti struktur jaringan komunikasi di desa X tersebut. Populasi tidak bisa secara sederhana dirumuskan sebagai penduduk dewasa (misalnya usia 15 tahun ke atas) di desa X. Hal ini karena jaringan pada dasarnya bisa melintasi batas wilayah. Warga di desa X tersebut, mempunyai jaringan dengan warga lain di desa Y dan Z. Padahal warga di desa selain X tersebut bukan populasi penelitian.



Realis vs Nominalis Laumann (et.al, 1983: 18-34) Pendekatan realis



Pendekatan nominalis



• Pendekatan ini melihat jaringan komunikasi harus dilihat dari perspektif informan. Peneliti tidak boleh menggunakan asumsi subjektif dalam menentukan jaringan dari aktor. Peneliti sebaliknya membiarkan aktor menentukan dan mendefinsikan jaringan. Peneliti tinggal menggambarkan jaringan yang dibentuk oleh aktor



• Pendekatan ini melihat bahwa jaringan dan definisinya bisa ditentukan berdasarkan kerangka konseptual dari peneliti. Peneliti bisa mendefinisikan jaringan dan batas-batasanya sesuai dengan tujuan dan kerangka penelitian yang dipakai.



Pendekatan Realis Kedua pendekatan tersebut mempunyai perbedaan yang mendasar. Sebagai ilustrasi, Anda misalnya membuat penelitian mengenai jaringan politik di desa, dari mana penduduk desa memperoleh pengetahuan mengenai politik.



Pembatasan (specification boundaries) Populasi



Jaringan yang diteliti



Ditentukan oleh informan sendiri Aktor ditentukan oleh informan. Populasi dari semua aktor yang disebut oleh informan, tidak terbatas hanya di desa penelitian dan warga (penduduk).



Pendekatan Nominalis Ditentukan oleh teori



Aktor dibatasi oleh teori. Populasi dibatasi menjadi semua warga yang tinggal di desa penelitian. Aktor yang diteliti hanya penduduk di desa penelitian. Jaringan tidak hanya Jaringan dari warga menyertakan penduduk di /penduduk di desa desa penelitian, tetapi semua penelitian. aktor yang disebut oleh informan.



Teknik Penarikan Sampel • Penelitian kuantitatif (seperti survei, analisis isi) umumnya menggunakan sampel acak (random sampling) guna menjamin bahwa sampel yang diambil mewakili populasi. Sampel acak kurang bisa diterapkan dalam penelitian jaringan komunikasi. Mengapa? Menurut Valente (2010), hal ini karena penelitian jaringan bermaksud menggambarkan jaringan secara utuh dari objek yang diteliti. Dalam penelitian jaringan, antara satu aktor dengan aktor lain terhubung, sehingga sebaiknya semua aktor diteliti. Penarikan sampel (meskipun dilakukan secara acak) akan membuat jaringan utuh tidak akan tergambar. Sebagai misal, aktor A terpilih secara acak sebagai sampel, dan aktor A tersebut mempunyai relasi dengan aktor B. Tetapi karena aktor B lewat proses pemilihan sampel acak tidak terpilih, sebagai akibatnya jaringan dari aktor A tidak bisa tergambar dengan baik. Penarikan sampel acak cenderung membuat aktor-aktor yang terpilih tidak terhubung satu sama lain. Anggota jaringan dari suatu aktor kemungkinan tidak tergambar akibat tidak terpilih sebagai sampel.



Sampel acak



Sensus



(a) Sampel Snowball • Sesuai dengan namanya (snowball = bola salju), penarikan sampel dimulai dari aktor (kecil), yang kemudian terus menerus membesar hingga jumlah sampel mencukupi. Peneliti mulai dari seorang aktor (A) dan menanyakan jaringan dari aktor tersebut. Aktor A tersebut misalnya menyebut nama B dan C. Peneliti kemudian mewawancarai aktor B dan C dan menanyakan hal serupa seperti ditanyakan kepada aktor A. Aktor yang disebut oleh B dan C kemudian ditelusuri lebih lanjut, dan begitu seterusnya hingga jumlah sampel terpenuhi. • Kapan saat peneliti bisa menentukan sampel terakhir? Menurut Knoke and Kuklinski (1982:23-24), peneliti bisa menghentikan penarikan sampel ketika terjadi informasi yang berulang dan mencapai titik jenuh.



(b) Sampel Kelompok Kecil • Penarikan sampel lain yang banyak dipakai dalam studi jaringan adalah sampel kelompok kecil (Wasserman and Faust, 1994: 34). Peneliti mengambil satu kelompok, dan mengambil semua anggota dari kelompok tersebut. Peneliti kemudian menggambarkan secara lengkap jaringan yang terbentuk dari kelompok tersebut. Kelompok kecil ini bisa berupa dusun atau desa, unit tertentu dalam perusahaan, rumah sakit, klinik, dan sebagainya. Sebagai misal, peneliti melakukan studi mengenai jaringan komunikasi di perusahaan. Peneliti bisa mengambil sampel perusahaan atau unit (departemen) di perusahaan. Dengan mengambil komunitas atau kelompok kecil, semua anggota jaringan bisa digambarkan dan disertakan.



PENGUMPULAN DATA: WAWANCARA MENGGUNAKAN KUESIONER



Fokus dari penelitian jaringan adalah menggambarkan relasi di antara aktor. Karena itu data yang dibutuhkan dalam studi jaringan komunikasi adalah data mengenai relasi. Peneliti bisa menggunakan berbagai macam sumber data, asalkan dalam data tersebut tersedia informasi mengenai aktor (node) dan relasi (link) di antara aktor.



• Kuesioner dalam metode penelitian jaringan komunikasi berbeda dengan kuesioner pada penelitian survei. • Yang membedakan, dalam penelitian jaringan terdapat pertanyaan mengenai relasi di antara aktor. Penelitian jaringan fokus pada pertanyaan mengenai aktor, dan relasi di antara aktor.



(a) Name Generator • Pertanyaan name generator adalah pertanyaan inti dan terpenting dalam analisis jaringan. Pertanyaan ini berisi tentang siapa saja aktor yang menjalin relasi dengan informan. Pertanyaan mengenai relasi dibuat dengan meminta kepada responden untuk menyebut namanama aktor. Pertanyaan mengenai relasi bisa ditanyakan hanya 1 buah, dan jawabannya kemudian dipakai untuk menggambarkan jaringan. Pilihan lain, kita bisa membuat sejumlah pertanyaan dengan konteks yang berbeda. Pada tahap analisis, kita akan mempunyai beberapa pola jaringan yang berbeda sesuai dengan konteks yang ditanyakan.



Nama 1 Nama 2 Nama 3 Nama 4 Nama 5



Q1: Dalam SATU BULAN ini, siapa siswa di sekolah ini yang paling sering Anda mintai bantuan ketika Anda mempunyai kesulitan dengan pelajaran di kelas?



Q2: Dalam SATU BULAN ini, siapa siswa di sekolah ini yang paling sering Anda mintai informasi mengenai sekolah (misalnya informasi soal guru, kelas libur dsb)?



Q3: Dalam SATU BULAN ini, siapa siswa di sekolah ini yang pernah menjadi teman Anda selama di SLTP?



Q4: Siapa nama siswa di sekolah ini yang paling Anda inginkan menjadi teman dekat (pacar) Anda?



...................... ...................... ...................... ...................... ......................



...................... ...................... ...................... ...................... ......................



...................... ...................... ...................... ...................... ......................



...................... ...................... ...................... ...................... ......................



(b) Name Interpreter • Pertanyaan mengenai name interpreter hanya bisa ditanyakan kalau kita sudah mendapat sejumlah namanama (name generator). Kita bisa menanyakan kepada informan, bentuk dan jenis hubungan dari setiap nama yang disebut. a) Keeratan Relasi • Pertanyaan ini ingin menggali seberapa dekat hubungan antara aktor dengan aktor lain dalam jaringan. Aspek ini akan menggali kuantitas atau derajat keeratan suatu relasi antara aktor dalam jaringan (Monge, 1987:243).



Nama Nomor 1 .................



Nama Nomor 2 .................



1 2 3 4



1-2 kali 3-4 kali 5-6 kali 7 kali



Nama Nomor 3 .................



1 2 3 4



1-2 kali 3-4 kali 5-6 kali 7 kali



1 2 3 4



Nama Nomor 4 .................



Q1. Dalam satu minggu ini, berapa kali Anda bertemu dengan.....



1-2 kali 3-4 kali 5-6 kali 7 kali



1-2 kali 3-4 kali 5-6 kali 7 kali



1 2 3 4



Q2. Rata-rata setiap kali bertemu, berapa menit Anda habiskan untuk berbicara dengan ......



0-15 menit 16-30 meni 31-45 meni > 45 menit



1 2 3 4



0-15 menit 16-30 meni 31-45 meni > 45 menit



1 2 3 4



0-15 menit 16-30 meni 31-45 meni > 45 menit



1 2 3 4



0-15 menit 16-30 meni 31-45 meni > 45 menit



1 2 3 4



Q3. Dalam satu bulan ini, seberapa sering Anda menginap di rumah ......



Tidak pernah Jarang Cukup sering Sangat sering



1 2 3 4



Tidak pernah Jarang Cukup sering Sangat sering



1 2 3 4



Tidak pernah Jarang / Cukup sering Sangat sering



1 2 3 4



Tidak pernah Jarang / Cukup sering Sangat sering



1 2 3 4



b) Identitas Aktor • Pertanyaan lain yang ditanyakan dalam jaringan adalah identitas aktor. Ada beberapa jenis pertanyaan mengenai identitas responden. Pertama, sosiologis demografis. Misalnya pertanyaan mengenai pendidikan, penghasilan, jenis kelamin, etnis, asal, agama, dan sebagainya. Kedua, pertanyaan mengenai psikografis. Misalnya pertanyaan mengenai sikap, orientasi nilai dan sebagainya.



Nama Nomor 1 .................



Q1. Hubungan pertemanan dengan ..... (Bacakan setiap pertanyaan)



Teman satu kelas Teman organisasi Saudara Teman main



Q2. Jenis kelamin..... (Bacakan setiap pertanyaan)



Laki-laki Perempuan



Q3. Agama dari teman ......



Islam Kristen Hindu Budha



Nama Nomor 2 .................



1 2 3 4 1 2



Teman satu kelas Teman organisasi Saudara Teman main Laki-laki Perempuan



1 2 3 4



Islam Kristen Hindu Budha



Nama Nomor 3 .................



1 2 3 4 1 2



Teman satu kelas Teman organisasi Saudara Teman main Laki-laki Perempuan



1 2 3 4



Islam Kristen Hindu Budha



1 2 3 4 1 2



Nama Nomor 4 .................



Teman satu kelas Teman organisasi Saudara Teman main Laki-laki Perempuan



1 2 3 4



Islam Kristen Hindu Budha



1 2 3 4 1 2



1 2 3 4



Format Pertanyaan • Pertanyaan mengenai relasi antara satu aktor dengan aktor lain, bisa disajikan dalam berbagai format. Nama Aktor: Roster vs Free Recall Ada dua alternatif ketika responden diminta untuk menyebutkan nama aktor (node), yakni responden bebas menentukan nama siapa saja aktor (free recall) atau peneliti sudah menentukan nama-nama aktor dan responden tinggal memilih nama yang sudah disediakan (roster).



Free recall



Roster



Q: Dalam SATU BULAN ini, siapa siswa di kelasAnda yang paling sering Anda ajak untuk mengerjakan bersama-sama Pekerjaan Rumah (PR) sekolah?



Q: Berikut adalah nama-nama teman sekelas Anda. Sebutkan nama teman sekelas Anda yang paling sering Anda ajak untuk mengerjakan bersama-sama Pekerjaan Rumah (PR) sekolah? (Catatan: Anda tinggal memberi tanda Ѵ untuk nama teman kelas Anda di nomor yang disediakan)



Nama 1 Nama 2 Nama 3 Nama 4 Nama 5



................................... ................................... ................................... ................................... ...................................



1 2 3 4 5



Rudi Rizki Amalia Agus Hani



6 7 8 9 10



Sebastian Yusuf Anita Riki Rani



Jumlah Aktor: Pilihan Bebas (Free Choice) vs Ditetapkan (Fixed Choice) Aspek lain yang perlu dipikirkan oleh peneliti ketika menyusun pertanyaan adalah mengenai jumlah aktor (node) jaringan. Berapa banyak nama aktor yang disediakan oleh peneliti untuk dijawab oleh responden. Apakah jumlah anggota jaringan dari aktor ditetapkan jumlahnya (fixed) ataukah tidak ditentukan (free), responden bisa menjawab berapapun anggota jaringan. Kedua format ini mempunyai kelebihan sekaligus kelemahan masing-masing Free Choice



Fixed Choice



Q: Dalam SATU BULAN ini, siapa teman satu kelas yang paling sering Anda ajak untuk mengerjakan bersama-sama Pekerjaan Rumah (PR) sekolah? Anda bisa bebas menyebut nama semua teman sekelas yang pernah Anda ajak mengerjakan PR sekolah.



Q: Dalam SATU BULAN ini, sebutkan 5 nama teman satu kelas yang paling sering Anda ajak untuk mengerjakan bersama-sama Pekerjaan Rumah (PR) sekolah? Jika Anda pernah belajar bersama dengan lebih dari 5 teman, sebutkan 5 nama saja yang paling sering belajar bersama Anda



Nomor .... .... .... .... ....



Nama ................................... ................................... ................................... ................................... ...................................



1 2 3 4 5



...................................... ...................................... ...................................... ...................................... ......................................



PENGUMPULAN DATA: ARSIP / DOKUMEN



• Tidak semua dokumen atau arsip bisa digunakan sebagai sumber data dalam analisis jaringan komunikasi. Analisis jaringan komunikasi, membutuhkan data mengenai aktor (node) dan relasi antar aktor. Sepanjang dokumen atau arsip terdapat aktor (bisa berupa orang, lembaga, negara, dan sebagainya) dan relasi di antara aktor tersebut, maka dokumen tersebut bisa dianalisis menggunakan analisis jaringan komunikasi. • Peneliti harus memeriksa, apakah dokumen atau arsip yang akan digunakan sebagai sumber data mempunyai data mengenai aktor dan relasi atau aktor. Sebagai misal, dokumen putusan pengadilan. Dokumen ini terdapat aktor-aktor (nama-nama orang atau lembaga) dan relasi di antara nama-nama tersebut, sehingga bisa dimanfaatkan sebagai sumber data. Bandingkan dengan dokumen berupa data statistik, misalnya buku “Jakarta Dalam Angka” yang menghimpun profil statistik provinsi DKI Jakarta. Dokumen ini tidak bisa dimanfaatkan sebagai sumber data, karena dalam dokumen ini tidak terdapat aktor (nama-nama orang atau lembaga) dan relasi aktor.



Dokumen



Kemudahan akses (Apakah data bisa didapatkan dengan mudah)



Kelengkapan (Apakah data menghimpun semua aktor dan jaringan secara lengkap)



Verifikasi (Apakah nama dan relasi, keterangan telah diperiksa, cek ricek)



Relevansi (Apakah data sesuai dengan kebutuhan penelitian)



Biografi /otobiografi Catatan harian Putusan pengadilan Risalah rapat Dokumen penyelidikan Prospektus / laporan perusahaan Berita media Sumber elektronik



+++ + ++ + + +



+ + ++ ++ + +



+ + +++ + ++ +++



+ + ++ + + +



Aktualitas (Apakah data bisa menggambarkan kmondisi saat ini atau hanya bisa dimanfaatkan untuk menggambarkan jaringan di masa lalu) + + + + + +



+++ +++



++ +



++ +



++ +



+++ ++



INPUT DAN ANALISISI DATA



• Input data bisa dilakukan di UCINET atau program lain (Pajek, MS Exel)



Input Data



Gambar sosiometri • Gambar dibuat lewat NetDraw, yang terintegrasi dengan UCINET.



• Pilih analisis data sesuai dengan kebutuhan dan tujuan penelitian.



Analisis Data



• Pada level aktor (tunggal), yang menjadi pusat perhatian adalah aktor (node) dari suatu jaringan. Level kelompok (group), memusatkan perhatian pada jaringan yang terbentuk dari 2 atau lebih aktor yang sifatnya kohesif. • Sementara level analisis jaringan keseluruhan, fokus penelitian pada jaringan yang terbentuk dari populasi sasaran penelitian. Peneliti tidak lagi melihat aktor atau kelompok tetapi lebih pada struktur jaringan secara keseluruhan.



Aktor (tunggal)



   



Sentralitas Tingkatan (Degree centrality) Sentralitas Kedekatan (Closeness Centrality) Sentralitas Keperantaraan (Betweenness Centrality) Sentralitas Eigenvector (Eigenvector Centrality)



Kelompok (Group)  Komponen  Klik



Jaringan keseluruhan



 Kepadatan (Density)  Diameter dan Jarak (Distance)  Sentralisasi (Centralization)



Kepadatan (Density) • Kepadatan merujuk kepada kerapatan hubungan antara aktor (node) dalam jaringan. Kepadatan memperlihatkan intensitas antar anggota jaringan dalam berkomunikasi. Jaringan dengan kepadatan tinggi adalah jaringan di mana anggotanya saling berinteraksi satu sama lain. Sebaliknya, jaringan dengan kepadatan rendah ditandai oleh minimnya interaksi antar anggota jaringan. • Kepadatan (densitas) adalah perbandingan jumlah link / edge (ties) yang ada dalam jaringan dengan jumlah link yang mungkin muncul. Angka dalam kepadatan (densitas) ini adalah 0 hingga 1, di mana makin besar nilai menunjukkan makin tingginya kepadatan (densitas) dari suatu jaringan. Densitas membantu menggambarkan seberapa dekat aktor (akun / node) dalam suatu jaringan. Jika angka densitas mendekati angka 1, semakin erat hubungan / percakapan, yang menunjukkan peserta sedang berbicara dengan banyak orang lain. Di sisi lain jika nilainya mendekati 0, ini menunjukkan hampir tidak ada yang terhubung ke orang lain (aktor /node/ akun media sosial) dalam jaringan.



A



B



Kepadatan = Jumlah link (aktual) ÷ jumlah link yang mungkin muncul



C



A



D



= 3÷6 = 0.5



B



Kepadatan = Jumlah link (aktual) ÷ jumlah link yang mungkin muncul



C



D



= 4÷6 = 0.67



Diameter dan Jarak (Distance) • Diamater adalah jarak terjauh antara satu aktor dengan aktor lain dalam suatu jaringan. Misalnya, sebuah jaringan, mempunyai diameter 2, berarti jarak terjauh seorang aktor dengan aktor lain adalah sebanyak 2 langkah. Jika diameter 3, maka jarak terjauh di antara aktor dalam jaringan adalah sebanyak 3 langkah, dan seterusnya. • Diameter menggambarkan seberapa mudah seorang aktor dalam jaringan dijangkau oleh aktor lain. Jaringan pertama, dimeter adalah 3, sementara jaringan kedua diameternya adalah 2. Jaringan dengan diameter yang lebih rendah, menggambarkan makin mudah seorang aktor dijangkau oleh aktor lain dalamjaringan.



A



B



Diameter = 3 Jarak terjauh adalah C ke D. Aktor C untuk bisa menjangkau D, membutuhkan tiga langkah (C ke A, A ke B dan terakhir B ke D) C



A



D



B



Diameter = 2 Jarak terjauh adalah A ke D atau C ke D. Di mana dibutuhkan dua langkah aktor untuk bisa menjangkau aktor D. C



D



Sentralisasi • Sentralisasi merujuk kepada tingkat pemusatan jaringan pada aktor (node. Akun media sosial) tertentu. Jaringan disebut tersentral jikalau ada seorang aktor (akun media sosial) yang dominan, di mana semua aktor (node) dalam jaringan mengarah pada aktor tersebut. Sebaliknya, jaringan disebut terdesentralisasi jikalau tidak ada aktor (akun media sosial) yang dominan. Aktor-aktor dalam jaringan tidak memusat pada aktor tertentu. • Angka sentralisasi ditunjukkan dengan nilai 0 hingga 1. Nilai 0, artinya jaringan mempunyai desentralisasi penuh, sementara nilai 1 artinya jaringan mempunyai sentraliasi yang sempurna. Sentralisasi mengukur sentralitas derajat rata-rata semua node dalam jaringan. Ketika sebuah jaringan memiliki nilai sentralisasi tinggi, menunjukkan ada beberapa akun media sosial sentral yang mendominasi aliran informasi dalam jaringan. Sementara jaringan dengan pengukuran sentralisasi rendah, informasi mengalir lebih bebas di antara banyak akun media sosail.



Sentralisasi = 0 Dari 4 aktor (A.B.C, dan D) tidak ada satupun yang menempati posisi sentral. Aliran informasi menyebar ke semua node (aktor), sama rata. Semua aktor mempunyai posisi yang sama.



A



B



Sentralisasi = 1 Semua node (aktor) memusat ke satu aktor (B).



E



C



D



Resiprositas • Resiprositas menggambarkan relasi dua arah yang terjadi di antara anggota atau aktor (node) dalam jaringan. Resiprositas dihitung dengan melihat proporsi berapa banyak akun media sosial dalam percakapan online yang berlangsung timbal balik dibandingkan dengan jumlah seluruh percakapan. • Nilai resiprositas adalah 1 ketika aktor saling berkomunikasi timbal balik, sementara nilai 0 jika komunikasi yang terjadi bersifat searah. Semakin tinggi nilai resiprositas (mendekati 1), menunjukkan banyak peserta memiliki percakapan dua arah, sedangkan nilai timbal balik yang rendah menunjukkan percakapan lebih banyak satu arah.



Resiprositas = Jumlah hubungan timbal (aktual) ÷ jumlah link hubungan timbal balik yang mungkin =4÷4 =1



Resiprositas = Jumlah hubungan timbal (aktual) ÷ jumlah link hubungan timbal balik yang mungkin =1÷4 = 0.25



Aktor (tunggal)



   



Sentralitas Tingkatan (Degree centrality) Sentralitas Kedekatan (Closeness Centrality) Sentralitas Keperantaraan (Betweenness Centrality) Sentralitas Eigenvector (Eigenvector Centrality)



Kelompok (Group)  Komponen  Klik



Jaringan keseluruhan



 Kepadatan (Density)  Diameter dan Jarak (Distance)  Sentralisasi (Centralization)



(a) Komponen • Komponen merupakan pengelompokan yang lebih luas dan longgar dari pada klik. Secara sederhana, komponen adalah pengelompokan yang memasukkan semua aktor (node) asalkan aktor tersebut mempunyai link (edges) dengan jaringan (Valente, 2010: 101). Dasar dari komponen adalah aktor yang mempunyai link dengan jaringan, bisa dikategorikan sebagai kelompok karena aktor tersebut bisa dijangkau oleh aktor lain meski dengan tahapan yang panjang. • Lawan dari komponen adalah isolate yakni aktor yang tidak terhubung atau tidak mempunyai link dengan jaringan. Aktor yang tidak mempunyai link tidak bisa dijangkau oleh aktor lain dalam kelompok.



(b) Klik (Clique) • Klik adalah pengelompokan aktor (node) di dalam suatu jaringan di mana memasukkan (maksimal) semua bentuk hubungan di antara aktor, dan aktor-aktor (node) tersebut saling berinteraksi satu sama lain dengan semua anggota. Dengan demikian ada dua ciri dari klik (lihat Hanneman and Riddle, 2004; Borgatti, Everett and Johnson, 2013: 183). Pertama, saling keterhubungan di antara sesama aktor. Kedua, memasukkan semua hubungan atau interaksi (maksimal).



Dalam ilustrasi ini, terdapat 4 klik dalam jaringan. Klik pertama dengan anggota aktor A, B,C dan D. Klik kedua adalah klik dengan anggota C,D dan E. Klik ketiga adalah klik dengan anggota G, H dan J. Sementara klik keempat adalah klik dengan anggota G,J dan I. Aktor bisa menjadi anggota dari beberapa klik. Dalam ilustrasi ini, aktor C, D, G dan J mempunyai keanggotaan di dua klik. Sebaliknya, ada juga aktor yang tidak menjadi anggota dari klik manapun. Dalam ilustrasi ini adalah aktor F.



Aktor (tunggal)



   



Sentralitas Tingkatan (Degree centrality) Sentralitas Kedekatan (Closeness Centrality) Sentralitas Keperantaraan (Betweenness Centrality) Sentralitas Eigenvector (Eigenvector Centrality)



Kelompok (Group)  Komponen  Klik



Jaringan keseluruhan



 Kepadatan (Density)  Diameter dan Jarak (Distance)  Sentralisasi (Centralization)



Tingkatan (Degree Centrality) • Degree merujuk pada jumlah relasi (hubungan / link) satu aktor (dalam hal ini akun media sosial) degan aktor lain dalam jaringan. Degree menunjukkan popularitas dari aktor (node). Aktor dengan degree tinggi menunjukkan aktor tersebut mempunyai banyak relasi dengan aktor lain. Dalam media sosial, relasi ini bisa beberapa macam, di antaranya: reply, mention, retwett dan sebagainya. Aktor (akun media sosial) dengan jumlah degree = 5, artinya, akun media sosial tersebut mempunyai link (bisa berbentuk mention, replay, retwett ) dengan akun media sosial lain sebanyak 5.



A



A B C D E F G



1 1 1 1 1 0



B



C



D



E



F



G



Tot al



1



1 1



1 0 0



1 1 1 0



1 0 0 0 1



0 0 0 1 1 1



5 3 3 2 5 2 3



1 0 1 0 0



0 1 0 0



0 0 1



1 1



1



Kedekatan (Closeness Centrality) • Sentralitas kedekatan menggambarkan seberapa dekat aktor (node, akun media sosial) dengan semua aktor lain di dalam jaringan. Kedekatan di sini diukur dari berapa langkah (jalur/path) seorang aktor bisa menghubungi atau dihubungi oleh aktor lain dalam jaringan. Angka yang kecil, menunjukkan seorang aktor bisa menghubungi aktor lain dalam jaringan pada beberapa tahap atau langkah saja.



Jarak Terdekat



A A B C D E F G



1 1 1 1 1 2



B



C



D



E



F



G



1



1 1



1 2 2



1 1 1 2



1 2 2 2 1



2 3 2 1 1 1



1 2 1 2 2



2 1 2 2



2 2 1



1 1



1



Total Jarak



RataRata



7 10 9 10 7 9 9



1.17 1.67 1.50 1.67 1.17 1.50 1.50



Perantara (Betweenness Centrality) • Sentralitas keperantaraan memperlihatkan posisi seorang aktor sebagai perantara (betweenness) dari hubungan aktor satu dengan aktor lain dalam suatu jaringan. Apakah aktor (node) untuk menghubungi aktor lain, bisa langsung ataukah harus melawati aktor tertentu. • Sentralitas keperantaraan penting karena berkaitan dengan kontrol dan manipulasi informasi. Aktor (akun media sosial) yang mempunyai posisi sebagai perantara aktor lain bisa menentukan keanggotaan aktor dalam jaringan.



Relasi Antara A-B A-C A-D A-E A-F A-G B-C B-D B-E B-F B-G C-D C-E C-F C-G D-E D-F D-G E-F E-G F-G Total



Perantara Relasi



A



B 0 0 0 0 0 0 0 1 0 0.5 0 1 0 0.5 0 0.5 0.5 0 0 0 0 4



C 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0



D 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0



E 0 0 0 0 0 0.33 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1.33



F 0 0 0 0 0 0.33 0 0 0 0.5 1 0 0 0.5 0 0 0 0 0 0 0 2.33



G 0 0 0 0 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33



0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0.5 0 0 0 0 1



Eigenvektor (Eigenvector Centrality) • Eigenvektor bisa digambarkan sebagai seberapa penting orang yang mempunyai jaringan dengan aktor. Seberapa penting ini digambarkan sebagai seberapa banyak jaringan yang dipunyai oleh orang /organisasi/institusi yang mempunyai relasi dengan aktor. Berbeda dengan sentralitas tingkatan (degree centrality) yang menghitung berapa banyak aktor (node) yang mempunyai relasi dengan aktor, eigenvektor berbicara mengenai seberapa penting atau seberapa populer node yang berjaringan dengan aktor. Ukuran ini bukan berbicara mengenai “berapa banyak orang yang Anda kenal”, tetapi “siapa orang yang Anda kenal”.



Ortiz-Arroyo (2010)



Daftar Pustaka • Borgatti, Stephen and Daniel Halgin. (2009). On Network Theory. Organization Science, Vol, 22, pp. 1157-1167. • Degene, Alain and Michel Forse. (1999). Introducing Social Networks. London: Sage Publications. • Hanneman, Robert A and Mark Riddle. (2004). Introduction to Social Network Methods. Riverside, California: University of California Press. • Kadushin, Charles. (2012). Understanding Social Networks: Theories, Concept and Finding. New York: Oxford University Press. • Knoke, David and Son Yang. (2002). Social Network Analysis. Second Edition. Thousand Oaks, California: Sage Publications. • Lauman, Edward, Peter V. Marsden and David Prensky. (1983). The Boundary-Specification Problem in Network Analysis. Ronald Burt and Michael Minor (ed), Applied Network Analysis. Baverly Hills, California: Sage Publications, pp. 18-34. • Marin, Alexandra and Barry Wellman. (2011). Social Network Analysis: An Introduction. John Scott and Peter J. Carrington (ed), The Sage Handbook of Social Network Analysis. London: Sage Publications, pp. 11-24. • Monge, Peter R and Noshir S. Contractor. (2003). Theories of Communication Networks. Oxford: Oxford University Press. • Prell, Christina. (2012). Social Network Analysis: History, Theory and Methodology. London: Sage Publications. • Pryke, Stephen. (2012). Social Network Analysis in Construction. West Sussex: Wiley- Blacwell. • Rogers, Everett M and D. Lawrence Kincaid. (1981). Communication Networks: Toward a New Paradigm for Research. New York: The Free Press. • Scott, John P. (2000). Social Network Analysis: A Handbook. Second Edition. Thousand Oaks, California: Sage Publications. • Valente, Thomas W. (2010). Social Networks and Health: Models, Methods and Applications. New York: Oxford University Press.



TERIMA KASIH