v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Analisis Aktor Dominan terhadap Film Vina sebelum 7 Hari di Media Sosial X menggunakan Social Network Analysis Moch.
Aldi Rahmatulloh1*.
Novi Prastiti 2.
Yeni Kustiyahningsih 3 1,2,3 Sistem Informasi Universitas Trunojoyo.
Madura.
Indonesia Jl.
Raya Telang.
Kec.
Kamal.
Kabupaten Bangkalan.
Jawa Timur 69162 Korespondensi : aldirahmatulloh1217@gmail.
DOI : https://doi.
org/10.
52620/sainsdata.
Abstrak Media sosial telah menjadi platform utama dalam penyebaran informasi, termasuk untuk promosi Penelitian ini bertujuan untuk menganalisis jaringan sosial di media sosial X terkait dengan film Vina Sebelum 7 Hari menggunakan pendekatan Social Network Analysis (SNA).
Penelitian ini difokuskan untuk mengidentifikasi aktor dominan, pola interaksi, serta kelompok pengguna yang memiliki pengaruh signifikan dalam membentuk opini publik terhadap film tersebut.
Data penelitian dikumpulkan melalui proses crawling pada periode 8 Mei hingga 27 Januari 2025, menghasilkan 551 data tweets.
Data tersebut dianalisis menggunakan metode SNA dengan menghitung Degree Centrality.
Betweenness Centrality.
Closeness Centrality, dan Eigenvector Centrality.
Proses analisis dilengkapi dengan visualisasi jaringan menggunakan perangkat lunak Python.
Hasil penelitian menunjukkan bahwa akun @awisuryadi ini mempunyai nilai Degree Centrality sebesar 0.
470588 ini berarti memiliki banyak koneksi didalam jaringan, nilai Betweenness Centrality sebesar 0.
2139 ini menunjukkan bahwa akun ini berperan penting dalam menghubungkan berbagai bagian jaringan, nilai Closeness Centrality sebesar 0.
4706 menandakan bahwa akun ini mempunyai akses yang cepat serta efisien dalam informasi jaringan sosial, dan nilai Eigenvector Centrality sebesar 0.
7071 ini menunjukkan bahwa akun tersebut merupakan akun yang paling berperangaruh dan memiliki peran penting dalam distribusi informasi didalam jaringan informasi pada studi kasus Film Vina Sebelum 7 Hari.
Kata kunci: Social Network Analysis.
Media Sosial X.
Film.
Trend Topik PENDAHULUAN Teknologi yang kini sudah berkembang sangat membantu manusia dalam memperoleh Bentuk komunitas virtual yang peling nyata adalah media sosial.
Penyebaran informasi ini berlangsung melalui diskusi daring yang hanya dapat terjadi di platform media sosial.
Salah satu platform yang paling sering dimanfaatkan adalah media sosial X, dimana yang sebelumnya dikenal sebagai media sosial Twitter (Mailoa, 2.
Penggunaan media sosial X di Indonesia sebelumnya menduduki peringkat ke 6 terbanyak dunia pada Mei 2023 akan tetapi peringkat Indonesia pada bulan Juni 2023 ini naik posisi ke 4 sebanyak 25.
25 juta pengguna hal ini menjadikan bahwa masyarakat di Indonesia sangat membutuhkan Informasi(Cindy Mutia Annur.
Penggunaan media sosial X ada berbagai latar belakang yang berbeda serta berbagai kepentingan lainnya.
Pengguna dapat melakukan promosi dengan menggunakan platform media sosial X untuk mempromosikan produknya atau menciptakan hubungan jaringan informasi antar This work is licensed under a Creative Commons Attribution 4.
0 International License AAuthor .
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X pengguna dimedia sosial X (Mz et al.
, 2.
Keyword ini dapat menjadi penghubung antar pengguna media sosial yang dapat menciptakan hubungan jaringan komunikasi (Tjahyana, 2.
Sebagai contoh, kata kunci terkait film Vina Sebelum 7 Hari dapat digunakan untuk menemukan dan bergabung dalam komunitas daring yang membahas topik tersebut(Srinanda et al.
, 2.
Pada tujuan penelitian ini adalah untuk mengidentifikasi pengguna yang mempunyai sebuah kelompok dimedia sosial yang berpengaruh besar dalam menyampaikan opini publik, mengidentifikasi pengguna yang berpotensi menjadi pendukung atau kritikus, dan menganalisis pola dari interaksi antar pengguna media sosial X.
Selain itu, penelitian sebelumnya yang telah dilakukan pada tahun 2024 dengan judul AuIdentifying Dominant Actors of Ferdy Sambo's Case Network on Social Media X/Twitter Using Social Network Analysis for Public Relations StrategyAy, metode Social Network Analysis digunakan untuk mengidentifikasi akun di Twitter dalam jaringan sosial yang terkait dengan kasus Ferdy Sambo (Prastiti et al.
, 2.
Penelitian juga dilakukan pada tahun 2022 dengan judul AuAnalisis Struktur Jaringan Komunikasi #SEAGAMES2022 di Twitter Menggunakan Pendekatan Social Network AnalysisAu, dengan menggunakan metode analisis hubungan antar aktor di dalam jaringan ini, dapat diketahui bahwa kedekatan antar aktor ini sangatlah tinggi.
Hal ini menyebabkan informasi didalam jaringan komunikasi dapat menyebar dengan sangat cepat (Akbar et al.
, 2.
Penelitian juga dilakukan pada tahun 2022 dengan judul AuAnalisis Percakapan di Media Sosial Twitter Terkait Pemindahan Ibu Kota Menggunakan Social Network Analysis Berbasis Model Jejaring TersentralisasiAy, penerapan metode Social Network Analysis dengan menggunakan model jejaring tersentralisasi ini menunjukkan bahwa sebagian besar pengguna media sosial X .
ebelumnya Twitte.
dapat memberikan dukungan terhadap pemindahan ibu kota ke Kabupaten Penajam Paser Utara.
Provinsi Kalimantan Utara.
(Fahrudin et al.
, 2.
Penelitian ini dilakukan pada tahun 2022 dengan judul AuAnalisis Centrality Aktor pada Penyebaran Informasi Kuliner di Media Sosial dengan menggunakan Social Network AnalysisAy, dengan menggunakan Social Network Analysis ini dapat diperoleh hasil aktor yang paling berpengaruh dalam jaringan informasi khususnya pada bidang kuliner ini dapat membantu owner dari usaha kuliner sebagai salah satu strategi bisnis.
Akun yang berpengaruh paling besar yaitu akun yang bernaman yanguning2 ini memiliki peran penting dalam jaringan informasi didalam media sosial X (Dwi & Ariyanti, 2.
Penelitian terdahulu menjadi referensi yang relevan karena dengan menggunakan pendekatan dari Social Network Analysis (SNA) ini untuk menganalisis struktur jaringan serta pola interaksi antar pengguna di media sosial X.
Namun, penelitian ini secara khusus menitik beratkan pada studi kasus film Vina Sebelum 7 Hari dengan menerapkan pendekatan yang sama melalui Social Network Analysis.
Sehingga hasil dari analisis ini dapat memberikan visualisasi yang mendalam mengenai aktor-aktor yang berpengaruh serta pola interaksi antar pengguna dimedia sosial terkait pada studi kasus Film Vina Sebelum 7 Hari.
METODE
Media sosial merupakan wadah digital yang memungkinkan pengguna untuk mengekspresikan diri, berkomunikasi, berinteraksi, serta berkolaborasi dengan orang lain.
Melalui platform ini, pengguna juga dapat membangun dan memperluas hubungan sosial dalam lingkungan virtual (Puspitarini & Nuraeni, 2.
Media sosial X atau twitter merupakan sebuah platform berjenis Microblogging yang dapat memfasilitasi penggunya untuk mengunggah kegiatan dan dapat menulis pendapatnya diplatform tersebut.
Platform X ini hanya dapat menyediakan ruang tertentu, nilai maksimalnya hanya 140 karakter(Puspitarini & Nuraeni, 2.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Data preprocessing diperlukan untuk menyiapkan data agar sesuai dengan keperluan penelitian yang akan dianalisis lebih lanjut.
Text preprocessing yang bertujuan untuk membersihkan data dari gangguan, mengatur data dengan fokus, dan memastikan keteraturan data agar bisa dimanfaatkan secara optimal (Nurhazizah et al.
, 2.
Data jaringan sosial yang berasal dari media sosial X memiliki nilai numerik serta atribut kategorial.
Untuk melindungi data dari yang tidak diinginkan seperti nomor ID grafis.
ID file video, dan yang lainnya dihilangkan sehingga tersisa hanya ID simpul yang tetap dipertahankan (Krishna Das & Smriti Kumar Sinha.
Didalam media sosial X, pengguna yang melakukan interaksi antar pengguna dimedia sosial Twitter ini dapat diartikan sebagai suatu grafik.
Setiap nama pengguna (@fo.
diartikan sebagai .
, dan menambahkan tepi .
dari @foo ke @bar setiap kali @foo mengirim sebuah pesan yang menyebutkan atau mention @bar (Ediger et al.
, 2.
Nodes serta Edges data transaksi diformat kedalam bentuk adjacency list dan matrix.
Proses data preprocessing memiliki tujuan untuk menyusun dataset dapat dijalankan melalui proses analisis dangan lancar serta memberikan hasil yang optimal.
Social Network Analysis adalah metode yang menggunakan konsep teori graf untuk menganalisis hubungan antar individu.
Pendekatan ini bersifat teoritis sekaligus metodologis, yang diterapkan dalam penelitian berbagai sistem sosial untuk memahami pola interaksi dan keterkaitan di dalamnya.
Pendekatan ini melibatkan analisis data yang bertujuan untuk mengidentifikasi struktur, baik secara global maupun lokal, serta dinamika yang terjadi dalam jaringan sosial.
Melalui proses ini, pola interaksi antar pengguna dapat diungkap, memungkinkan identifikasi aktor-aktor utama dalam jaringan sosial, serta memahami peran dan pengaruh mereka dalam menyebarkan informasi (Nurhazizah et al.
, 2.
Dalam analisis jaringan, hubungan ini divisualisasikan sebagai nodes dan edges.
Dalam konteks jejaring sosial, nodes merepresentasikan aktor sosial atau pengguna, sementara edges menggambarkan hubungan atau relasi yang terjalin antara nodes yang berbeda (Zhang & Luo, 2.
Metode Centrality adalah indeks penting yang menunjukkan node yang berada di posisi kritis dalam keseluruhan jaringan.
Node yang berada di posisi sentral sering kali diasosiasikan dengan pemimpin penting atau individu yang memiliki reputasi baik dalam jaringan.
Aktor sosial dengan tingkat centrality yang lebih tinggi biasanya berada lebih dekat dengan pusat jaringan, yang berarti mereka memiliki pengaruh yang kuat dalam jaringan tersebut.
Metode Centrality ini mencakup empat jenis analisis pada level aktor, yaitu: Degree Centrality.
Betweenness Centrality.
Closeness Centrality, dan Eigenvector Centrality (Prastiti et al.
, 2.
Degree Centrality Degree Centrality mengukur tingkat keterhubungan seorang aktor dalam jaringan berdasarkan jumlah hubungan langsung yang dimilikinya.
Semakin banyak koneksi yang dimiliki aktor tersebut, semakin besar pengaruhnya terhadap aktor lain dalam jaringan (Prastiti et al.
Degree Centrality dapat dihitung menggunakan rumus sebagai berikut:
Keterangan:
cAyc.
: Degree Centrality dalam node Ni yccycAycn : Jumlah relasi yang terhubung dengan node Ni : jumlah node dari populasi jaringan v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Betweenness Centrality Betweennes Centrality digunakan untuk mengukur sejauh mana sebuah node berfungsi sebagai perantara dalam suatu jaringan.
Ini membantu mengidentifikasi akun pengguna yang memiliki pengaruh terbesar dalam menghubungkan atau menyebarkan komunikasi dan Jika sebuah node berada di jalur yang harus dilalui oleh node lain dalam jaringan, seperti dalam konteks koneksi dan komunikasi, maka node tersebut dianggap penting dan kemungkinan memiliki Betweenness Centrality yang tinggi(Prastiti et al.
, 2.
Berikut ini merupakan rumus dalam menghitung Betweenness Centrality:
Keterangan:
yayaA .
cAyc.
: Betweenness Centrality dalam node Ni Gjk.
cAyc.
: Jumlah jalur terpendek dalam jaringan yang menghubungkan dua node j dan k dan melibatkan node Ni sebagai perantara .
eodesics connecting jkj passing through N.
Gjk : Jumlah jalur terpendek.
eodesics connecting jk.
: Jumlah node dari populasi jaringan Closeness Centrality Closeness Centrality bertujuan untuk mengukur sejauh mana sebuah node berada dekat dengan semua node lainnya dalam jaringan.
Jika jalur terpendek dari node N ke node lain tergolong pendek, maka node N akan memiliki nilai Closeness Centrality yang tinggi.
Pengukuran ini menilai tingkat kepentingan node, khususnya pengguna, berdasarkan posisinya yang berada di tengah Node yang memiliki Closeness Centrality tinggi biasanya terletak di pusat jaringan, menunjukkan aksesibilitas yang lebih besar terhadap node - node lain (Prastiti et al.
, 2.
Berikut merupakan rumus dalam menghitung Closeness Centrality:
Keterangan:
cAyc.
: Closeness Centrality dalam node Ni Ocycuyc=yca ycc.
cAycn, ycAy.
: jumlah jarak terpendek antara node Ni dan node Nj dalam : jumlah node dari populasi jaringan Eigenvector Centrality Eigenvector Centrality, juga dikenal sebagai eigen centrality, digunakan untuk mengukur seberapa penting suatu node dalam jaringan.
Perhitungan Eigenvector Centrality tidak hanya mempertimbangkan jumlah koneksi yang dimiliki oleh node tersebut, tetapi juga memperhitungkan pentingnya node-node yang terhubung langsung dengannya.
Perhitungan ini mengukur tingkat kepentingan node, khususnya pengguna, berdasarkan seberapa terhubung node tersebut dengan node-node penting lainnya, menggunakan matriks adjacency A yang menggambarkan hubungan antar node dalam jaringan (Prastiti et al.
, 2.
Untuk mengetahui nilai dari eigenvalue dapat menggunakan persamaan karakteristik polinomial:
a Oe yuIy.
= 0 .
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Dalam konteks ini.
A merupakan matriks adjacency berukuran N y N, di mana N adalah jumlah total node dalam jaringan.
adalah nilai eigen, sebuah skalar yang perlu dicari, dan I adalah matriks identitas, yang memiliki elemen diagonal utama bernilai 1 dan elemen lainnya bernilai 0.
Keterangan:
ycE adalah nilai dari sebuah Eigenvector dengan matriks N y 1 yang dapat direpresentasikan dan dapat dijelaskan seperti berikut:
Eigenvector Centrality untuk node IO dapat diartikan sebagai kontribusi atau pengaruh yang diberikan oleh node IO dalam vektor Eigenvector ycE, yang dihitung menggunakan eigenvalue terbesar dari matriks adjacency A.
Untuk membuat nilai Eigenvector Centrality lebih cocok untuk perbandingan, nilai-nilai dalam vektor Eigenvector ycE dapat dinormalisasi dengan membaginya dengan nilai tertinggi dalam vektor tersebut.
HASIL DAN PEMBAHASAN
Crawling Data Crawling data ini teknik yang dapat digunakan untuk mengambil data dalam bentuk teks dari sumber tertentu.
Pada tahap ini, penelitian menggunakan teknik pengambilan data dari platform X dengan menggunakan kata kunci yaitu Sebelum 7 Hari.
Data yang diperoleh difokuskan pada tweets yang membahas film Vina Sebelum 7 Hari dalam rentang waktu crawling data mulai dari tanggal 8 Mei hingga 27 Januari 2025.
Jumlah total tweets yang dicrawling mencapai 551 Dalam penelitian ini, data yang diolah dibatasi pada tiga atribut utama, yaitu username, target, dan tipe tweets .
entions atau replie.
, sehingga analisis jaringan dapat dilakukan secara fokus dan efisien.
Tabel 1.
Atribut Data Atribut Id_str Username User_id_str Language Locations Quote_count Reply_count Retweet_count Favorite_count Tweet_url Mentions Mention_count Source Target v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Preprocessing Data Hasil pengambilan data crawling memiliki format yang tidak terstruktur.
Oleh karena itu, informasi yang terkandung dalam data tidak dapat langsung diekstraksi dalam format yang dibutuhkan didalam Social Network Analysis.
Data harus melalui tahap pengolahan terlebih dahulu untuk menghilangkan data yang memiliki duplikat, sehingga data yang digunakan nantinya memiliki nilai keaslian.
Pada konteks analisis sosial, setiap pengguna media sosial X direpresentasikan sebagai node atau titik.
Sedangkan hubungan dari interaksi sosial didalam jaringan seperti mentions direpresentasikan sebagai edge atau garis yang menghubungkan antar node didalam jaringan.
Setelah data dibersihkan dari duplikasi, tahap selanjutnya adalah memproses data kedalam format yang sesuai dengan Social Network Analysis.
Data yang digunakan memiliki atribut seperti mentions dan reply_count, yang menunjukkan adanya dua tipe edge dalam data, yaitu mentions dan reply.
Tabel 2.
Atribut Yang Membentuk Node dan Edges Atribut Username Mentions Reply_count Peneliti memiliki hipotesis bahwa disetiap data tweet dapat memiliki satu atau lebih edge, akan tetapi juga bisa tidak mempunyai edge sama sekali.
Oleh karena itu, didalam algoritma ini, data akan dipisahakan berdasarkan username sebagai node dan reply_count dan mentions sebagai Hipotesis ini mengindikasi bahwa variasi didalam keterlibatan pengguna media sosial X dalam retweet .
terhadap tweet lainnya.
hasil dari preprocessing data ini yang awal datanya sebanyak 551 setelah melakukan penyaringan duplikasi data ini menjadi 523 data.
Setiap username atau node ini mempunyai beberapa tipe edge atau mentions.
Berikut ini merupakan hasil dari Preprocessing Data.
Gambar 1.
Preprocessing Data Analisis Jaringan sosial Analisis jaringan sosial (SNA) adalah suatu metode yang digunakan untuk mengukur dan menganalisis hubungan antara kelompok, individu, entitas, dan organisasi dalam bentuk jaringan.
SNA ini dapat diterapkan dalam berbagai bentuk atau konteks.
Seperti mengidentifikasi individu yang mempunyai pengaruh paling besar dalam suatu komunitas atau menggambarkan aliran informasi atau komunikasi dengan menggunakan data.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Gambar 2.
Hasil Presentase Edges Pada gambar 2 ini menunjukkan persentase jenis interaksi jaringan dalam studi kasus film vina sebelum 7 hari.
Seperti gambar 2 dapat dilihat bahwa mayoritas bentuk interaksi yang terjadi adalah dalam bentuk reply_count dengan sebesar 87.
1%, sementara jenis interaksi mention hanya Degree Centrality Hasil dari preprocessing data Seperti yang disajikan pada tabel 3 didapatkan 5 pengguna teratas memiliki nilai Degree Centrality yang banyak artinya semakin tinggi nilainya semakin banyak interaksi atau hubungan dengan pengguna-pengguna lainnya dalam jaringan sosial.
Secara visualisasi pada gambar 3, node-node yang memiliki nilai Degree Centrality tinggi ini mempunyai ukuran yang besar serta memiliki warna yang lebih cerah sedangkan untuk node yang memiliki nilai Degree Centrality yang tidak tinggi ini memiliki warna yang pucat dan memiliki ukuran yang lebih kecil.
Tabel 3.
Nilai Degree Centrality Node Nilai Degree Centrality @awisuryadi @detik_pop @YouTube @tix_id @planetcromme v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Gambar 3.
Visualisasi Degree Centrality Betweenness Centrality Hasil dari Betweenness Centrality ini disajikan pada tabel 4 ada 5 pengguna dengan nilai Betweenness Centrality tertinggi.
Dengan kata lain akun yang memiliki nilai tertinggi ini berpotensi dalam penyebaran yang luas didalam jaringan sosial terkait dengan studi kasus.
Contoh akun yang bernama @awisuryadi menjadi yang paling atas hal ini menunjukkan bahwa akun tersebut memiliki peran utama dalam penyebaran informasi didalam jaringan sosial terkait studi kasus.
Dapat dilihat pada gambar 4 sebagai visualisasi Betweenness Centrality.
Tabel 4.
Nilai Betweenness Centrality Node .
@awisuryadi Betweenness Centrality @detik_pop @YouTube @tix_id @planetcrommer v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Gambar 4.
Visualisasi Betweennees Centrality Closeness Centrality Closeness Centrality merupakan perhitungan untuk mengetahui popularitas dari pengguna didalam jaringan sosial berdasarkan relasi yang dimiliki.
Closeness Centrality ini penting karena mencerminkan sejauh mana node didalam jaringan sosial memiliki keterhubungan yang dekat dengan node lainnya, ynag dapat menggambarkan peran dan pengaruhnya didalam jaringan Pada tabel 5 disajikan 5 akun yang bernama @awisuryadi ini memiliki nilai yang paling tinggi didalam nilai Closeness Centrality, ini menunjukkan bahwa akun tersebut memiliki akses yang lebih efisien didalam informasi jaringan sosial, dinomer ke dua dan ke tiga ada akun yang bernama @tix_id dan @planetcrommer yang juga memiliki nilai tinggi didalam Closeness Centrality setelah akun @awisuryadi.
Dari ketiga akun tersebut terlihat bahwa ketiga akun tersebut memiliki akses yang efisien dan cepat terhadap informasi terkait studi kasus.
Visualisasi Closeness Centrality ini dapat dilihat pada gambar 5.
Tabel 5.
Nilai Closeness Centrality Node .
@awisuryadi Closeness Centrality @tix_id @planetcrommer @paradigmafilm @cinema21 v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Gambar 5.
Visualisasi Closeness Centrality Eigenvector Centrality Eigenvector centrality merupakan perhitungan untuk mengevaluasi popularitas aktor dalam jaringan sosial berdasarkan hubungannya dengan aktor lainnya.
Eigenvector centrality ini penting karena dapat mencerminkan tingkat pengaruh yang kuat dari aktor tersebut didalam Hasil dari perhitungan Eigenvector Centrality ini akan ditampilkan 5 nilai tertinggi.
Dengan ini peneliti dapat mengidentifikasi node-node yang memiliki nilai Eigenvector Centrality didalam jaringan sosial.
Tabel 6.
Nilai Eigenvector Centrality Node .
@awisuryadi Eigenvector Centrality @tix_id @planetcrommer @paradigmafilm @cinema21 v3i1.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X Gambar 6.
Visualisasi Eigenvector Centrality Pada tabel 6 ini menunjukkan hasil perhitungan dari Eigenvector Centrality dan perlu diingat perhitungan ini mengukur seberapa penting atau berpengaruh simpul didalam jaringan.
Terlihat bahwa akun yang bernama @awisuryadi ini menempati peringkat pertama dalam nilai Eigenvector Centrality, hal ini menjadikan akun tersebut memiliki tingkat akses yang efisien ke seluruh jaringan informasi.
Pada posisi kedua ditempati oleh akun yang bernama @tix_id, ini juga mempunyai akses yang efisien didalam jaringan informasi.
Dan diposisi ketiga ditempati oleh akun yang bernaman @planetcrommer juga memiliki akses yang efisien didalam jaringan Dari ketiga akun ini memperoleh kemampuan untuk mengakses informasi secara cepat serta efisien.
Dengan demikian, nilai Eigenvector Centrality memberikan sebuah gambaran yang kuat terkait tingkat pengaruh dan keterlibatan akun-akun ini didalam jaringan.
Gambar 6 merupakan visualisasi dari Eigenvector Centrality tertinggi ini mempunyai bentuk yang besar sebagai node dan memiliki warna yang cerah.
KESIMPULAN
Berdasarkan hasil analisis menggunakan Social Network Analysis (SNA), beberapa kesimpulan dapat diambil.
Penelitian ini bertujuan untuk mengidentifikasi aktor dominan di media sosial X dalam studi kasus film Vina Sebelum 7 Hari.
Analisis menunjukkan bahwa metode Degree Centrality.
Betweenness Centrality.
Closeness Centrality, dan Eigenvector Centrality efektif dalam mencari dan menemukan akun atau pengguna yang memiliki pengaruh tinggi dalam jaringan sosial yang terbentuk.
Hasil penelitian mengungkapkan bahwa ada akun dengan nilai tertinggi pada setiap jenis Centrality, yaitu akun @awisuryadi.
Akun ini memiliki nilai Degree Centrality sebesar 0.
470588, yang menunjukkan banyaknya koneksi dalam jaringan.
Nilai Betweenness Centrality sebesar 0.
2139 menunjukkan perannya yang penting dalam menghubungkan berbagai bagian jaringan.
Nilai Closeness Centrality sebesar 0.
4706 menandakan akses yang cepat dan efisien terhadap informasi dalam jaringan sosial.
Sementara itu, nilai Eigenvector Centrality sebesar 0.
7071 menunjukkan bahwa akun tersebut adalah yang paling berpengaruh dan memiliki peran penting dalam distribusi informasi dalam jaringan terkait studi kasus film Vina Sebelum 7 Hari.
https://pub.
id/sainsdata Sains Data Jurnal Studi Matematika dan Teknologi ISSN 2986-903X
REFERENSI