exponential random graph models untuk memodelkan...

1

LAPORAN AKHIR

EXPONENTIAL RANDOM GRAPH MODELS UNTUK

MEMODELKAN LIKING NETWORK

KONSUMEN DAN PRODUK ONLINE SHOP

Tim Pengusul:

Rokhana Dwi Bekti,S.Si.,M.Si 0306038601 Ketua

Noviana Pratiwi, S.Si, M.Sc 0505038601 Anggota 1

Yusni Niami 151061001 Mahasiswa

LPPM AKPRIND YOGYAKARTA

NOVEMBER 2018

Kode/Nama rumpun ilmu : 122/Statistik

4

DAFTAR ISI

HALAMAN PENGESAHAN ................................ Error! Bookmark not defined.

DAFTAR ISI ........................................................................................................... 4

DAFTAR TABEL ................................................................................................... 5

DAFTAR GAMBAR .............................................................................................. 6

ABSTRACT ............................................................................................................ 7

BAB I PENDAHULUAN ....................................................................................... 8

1.1 Latar Belakang Masalah ............................................................................... 8

1.2 Perumusan Masalah ..................................................................................... 9

1.3 Tujuan dan Manfaat Penelitian .................................................................. 10

1.4 Objek Penelitian ......................................................................................... 10

1.5 Batasan Penelitian ...................................................................................... 10

BAB II TINJAUAN PUSTAKA ........................................................................... 11

2.1 Studi Pendahuluan ...................................................................................... 11

2.2 Social Network Analysis .............................................................................. 11

2.3 Exponential Random Graph Models ........................................................... 14

BAB III METODE PENELITIAN........................................................................ 17

BAB IV HASIL DAN LUARAN YANG DICAPAI ........................................... 19

4.1 Hasil Analisis dan Pembahasan .................................................................. 19

4.2 Capaian Luaran ........................................................................................... 23

BAB V. KESIMPULAN ....................................................................................... 25

5.1 Kesimpulan ................................................................................................. 25

5.2 Saran ............................................................................................................ 25

DAFTAR PUSTAKA ........................................................................................... 26

LAMPIRAN .......................................................................................................... 28

Lampiran 1. Data ............................................................................................... 28

Lampiran 2. Syntax dan Output Software ......................................................... 29

Lampiran 3. Naskah yang disubmit di Jurnal Sains Malaysiana ...................... 34

5

DAFTAR TABEL

Tabel 3. 1 Structural Parameter and Configurations ............................................. 18

Tabel 4. 1 Karakteristik Total Post, Follower, and Following .............................. 19

Tabel 4. 2 Korelasi antara Total Post, Follower, and Following dengan total edges.

................................................................................................................. 20

Tabel 4. 3 Hasil estimasi parameter ERGMs dengan Variabel Independen Struktur

Jaringan ................................................................................................... 21

Tabel 4. 4 Hasil estimasi parameter ERGMs dengan Variabel Independen

Karakteristik Akun .................................................................................. 21

6

DAFTAR GAMBAR

Gambar 2. 1Contoh Grafik dari Sebuah Jaringan Sosial ...................................... 12

Gambar 2. 2 Contoh Graf Jaringan Individu i dan j .............................................. 12

Gambar 2. 3 Konfigurasi Jaringan Directed ......................................................... 13

Gambar 2. 4 Konfigurasi Jaringan Undirected ..................................................... 13

Gambar 2. 5 Contoh Graf Analisa Jejaring Sosial ................................................ 14

Gambar 2. 6 Grafik jaringan terarah jenis edges (1-star), 2-stars, 3-stars, dan

triangles ................................................................................................... 15

Gambar 3. 1 Diagram alur proses penelitian. ....................................................... 17

Gambar 4. 1 Network Structure dari akun online shop ......................................... 20

Gambar 4. 2 Goodness of fit for model dengan prediktor Edges (baris pertama), 2-

star (baris kedua), and Characteristic of account (baris ketiga) .............. 22

Gambar 4. 3 Bukti Submit Jurnal .......................................................................... 23

7

ABSTRACT

Exponential Random Graph Models (ERGMs) is the methods which checks

the existence of a bond between a pair of individuals with a set of predictor

variables, such as network structure, individual attributes and dyadic covariates. It

has been growing interest for social network. This study applies the ERGMs method

to the case of social networks between online shop accounts in Instagram. The

predictor variable are non-directed network structure (edges, 2-star) and Individual

activeness (number of follower, number of following, and total post). The network

structure graph of online shop account constructed a directed network with 41 nodes

and 104 edges. The network structure and characteristic of account have a

significant influence on the networks between online shop accounts. An online shop

account would not take the intitative to make friends or network with other account,

because focused on make network with the consumers. If there are more followers,

then there is a high probability to get a connection between accounts.

Keywords: Exponential Random Graph Models, online shop, Social Network

Analysis

8

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Analisis Jaringan Sosial (SNA) adalah pemetaan dan mengukur hubungan

antara orang, kelompok, organisasi, komputer, dan entitas informasi / pengetahuan

terkait lainnya. Metode ini mengasumsikan bahwa semua orang bergantung tanpa

mengabaikan atribut dan peran individu, termasuk relasional atau data jaringan

untuk menggambarkan skema ketergantungan satu aktor pada aktor lain. Metode

statistik memiliki aturan penting dalam jejaring sosial. Robins et al (2007)

menyatakan bahwa perilaku sosial adalah kompleks dan model statistik yang

diformulasikan lebih baik dengan benar dapat mencapai representasi yang efisien.

Hal ini juga memungkinkan kesimpulan tentang apakah substruktur jaringan

tertentu dan kemudian mengembangkan hipotesis tentang proses sosial.

Salah satu metode SNA adalah Exponential Random Graph Models

(ERGMs). Metode ini memeriksa keberadaan ikatan antara sepasang individu

dengan satu set variabel prediktor, seperti struktur jaringan, atribut individu dan

kovariat diad (Wasserman dan Pattison, 1996). Metode ini telah menumbuhkan

minat untuk jaringan sosial dan dibangun dari kontekstual yang lebih realistis dari

fondasi struktural perilaku sosial.

Beberapa studi yang menggunakan metode ini adalah Song, Yan, dan Li

(2015) tentang pemodelan jaringan yang disukai oleh komunitas perawatan

kesehatan online. Hasil penelitian menunjukkan bahwa tingkat jaringan,

keterlibatan di masa lalu dan aktivitas memang berperan dalam proses menyukai.

Sementara itu Traud, Mucha, dan Porter (2012) menggunakan ERGM untuk

mempelajari struktur sosial "pertemanan" Facebook di seratus perguruan tinggi dan

universitas Amerika, dan untuk menganalisis pengaruh atribut pengguna (jenis

kelamin, tahun sekolah, sekolah dasar, sekolah menengah, dan tempat tinggal).

Banyak metode yang digunakan dalam analisis pemasaran. Seperti CART

dan metode pemodelan regresi logistik biner yang digunakan oleh Bekti, Pratiwi,

Jatipaningrum, dan Auliana (2017) dalam analisis pengaruh lokasi dan karakteristik

konsumen dalam memilih minimarket. Latifah, Jamaluddin, Rahim, Mohamad, dan

9

Nor (2006) menggunakan pemodelan persamaan struktural (SEM) untuk

menganalisis Faktor-faktor yang mempengaruhi sikap publik terhadap makanan

rekayasa genetika di Malaysia. Ada banyak metode regresi yang bisa digunakan.

Namun, metode ini tidak memasukkan hubungan antara pelaku pemasaran. Ini

adalah keuntungan dari metode ERGMs.

Turban et al (2017) menyatakan bahwa perkembangan dalam perdagangan

elektronik sejak tahun 2014 adalah pertumbuhan layanan jaringan sosial, terutama

facebook, Google+, twitter, dan Instagram. Manikonda dan Kambhampati (2014)

telah menganalisis aktivitas pengguna, demografi, struktur jaringan sosial, dan

konten buatan pengguna di instagram. Penelitian ini menyatakan bahwa Instagram

adalah bentuk komunikasi yang relatif baru di mana pengguna dapat langsung

berbagi status mereka saat ini dengan mengambil gambar dan mengutak-atiknya.

Media sosial ini sangat mudah digunakan untuk bisnis untuk mempromosikan dan

menarik konsumen. Ini menyediakan pengguna, terutama toko online, cara instan

untuk berbagi produk mereka dengan konsumen atau akun lain melalui serangkaian

gambar dan video. Ini karena fasilitas dan fitur mudah dikelola dan memiliki

penampilan yang menarik. Bentuk komunikasi antara perusahaan dan konsumen itu

sebagai hasil yang mudah dan cepat di media sosial sebagai pilihan utama dalam

pemasaran produk.

Metode ERGM telah banyak digunakan dalam analisis jejaring sosial di

Facebook. Dalam penelitian ini menerapkan metode untuk pengguna Instagram,

khususnya akun toko online. Metode ini dapat menunjukkan faktor-faktor akan

mempengaruhi struktur jaringan antar akun. Selain itu, juga melakukan

karakteristik akun dalam kegiatan di Instagram untuk promosi produk.

1.2 Perumusan Masalah

Dalam penelitian ini dirumuskan masalah penelitian sebagai berikut:

1. Bagaimana karakteristik akun online shop di Instagram yang diminati

konsumen?

2. Bagaimana hasil pemodelan Network antar akun online shop dengan metode

ERGMs?

10

1.3 Tujuan dan Manfaat Penelitian

Tujuan dalam penelitian adalah :

1. Mengetahui karakteristik akun online shop di Instagram yang diminati

konsumen

2. Mendapatkan pemodelan Network antar akun online shop dengan metode

ERGMs

1.4 Objek Penelitian

Objek dalam penelitian ini adalah akun online shop di Instagram yang

berlokasi di DIY.

1.5 Batasan Penelitian

Beberapa batasan penelitian adalah produk online shop hanya pada jenis pakaian

11

BAB II TINJAUAN PUSTAKA

2.1 Studi Pendahuluan

Peneliti telah melakukan beberapa penelitian mengenai riset pasar

diantarana Bekti, Pratiwi, dan Jatipaningrum (2017) dengan judul “Pengembangan

Aplikasi Program Multiplicative Competition Interaction (MCI) untuk Analisis

Marketing Spasial Ritel”. Penelitian tersebut untuk mengetahui bagaimana minat

konsumen dalam memilih ritel untuk berbelanja melalui model MCI. Pada

penelitian 2018 ini menganalisis bagaimana bentuk pemasaran di media sosial

melalui informasi dari liking network. Sementara itu sebagai referensi adalah

penelitian Traud, Mucha, dan Porter (2012), Song et al (2015), serta Wasserman

dan Pattison (1996).

2.2 Social Network Analysis

Social network analysis adalah suatu metode untuk memvisualisasikan

aktivitas dan kekuatan koneksi antar pengguna di jejaring sosial, serta sebagai

langkah untuk mengidentifkasi interaksi dalam berbagi pengetahuan (Rafita, 2014).

Social network analisis ini juga dapat melakukan pemetaan dan pengukuran

hubungan di antara orang-orang, kelompok, organisasi, komputer atau badan

informasi/pengetahuan serta pengolahan lainnya yang berada dalam jaringan.

Metode ini muncul sebagai akibat dari perkembangan internet dan sosial media

yang telah mendorong berkembangnya berbagai metode analisis untuk mempelajari

dan mengamati pola-pola yang terdapat pada media tersebut.

Pada social network, individu atau orang digambarkan sebagai nodes atau

titik, sedangkan relasi yang terjadi antar individu disebut dengan edges atau links.

Pada dasarnya sebuah jaringan sosial adalah sebuah peta yang terdiri atas banyak

orang dimana di dalamnya terdapat relasi antar individunya. Berikut adalah contoh

pemetaan graf dari sebuah jaringan sosial (Susanto, Lina, dan Chrismanto, 2012).

12

Gambar 2. 1Contoh Grafik dari Sebuah Jaringan Sosial

Ada 2 macam cara untuk merepresentasikan informasi jaringan yang ada,

yaitu dengan menggunakan graf dan matriks. Dari sekian banyak jenis graf yang

ada, network analysis menggunakan suatu jenis graf yang berisi nodes atau titik

untuk merepresentasikan aktor dan edges atau garis untuk merepresentasikan

hubungan atau relasi, yang disebut “socio-grams”.

Penggambaran sebuah hubungan dalam graf yang disimbolkan dengan

menggunakan edges atau garis, yang terdapat dua cara, yaitu dengan directed graph

dan simple atau bonded-tie graph. Simple atau bonded-tie graph merupakan graf

sederhana yang menghubungkan sepasang aktor yang memiliki hubungan, hanya

saja edges atau garis yang digunakan tanpa menggunakan anak panah. Directed

graph adalah graf yang mampu menunjukkan relasi lebih jelas, karena relasi yang

disimbolkan dengan edges atau garis digambarkan dengan anak panah. Pada

penelitian ini akan digunakan undirected graph untuk menggambarkan relasi antar

individu.

Gambar 2. 2 Contoh Graf Jaringan Individu i dan j

13

Sementara itu, beberapa contoh konfigurasi jaringan directed dan undirected

disajikan pada Gambar 2.3 dan 2.4.

Gambar 2. 3 Konfigurasi Jaringan Directed

Gambar 2. 4 Konfigurasi Jaringan Undirected

14

Sebagai contoh nodes A memiliki 7 simpul yang terhubung dengan nodes lain

(lihat Gambar 2.5)

Sumber : Syuhada (2011)

Gambar 2. 5 Contoh Graf Analisa Jejaring Sosial

2.3 Exponential Random Graph Models

Van der Pol (2016) menyatakan bahwa tujuan dari ERGM adalah untuk

mengidentifikasi proses yang memengaruhi penciptaan tautan. Peneliti termasuk

variabel dalam model yang dihipotesiskan untuk menjelaskan jaringan yang

diamati, ERGM akan memberikan informasi relatif terhadap signifikansi statistik

dari variabel yang disertakan seperti regresi linier standar. Ini diusulkan oleh Frank

dan Strauss (1986) dan juga dikenal sebagai P * model (Jiao et al., 2017). Ini

berfokus pada pembentukan hubungan deduktif, tidak fokus pada memprediksi

hasil individu. ERGM mengambil jaringan sebagai grafik yang didasari oleh simpul

(aktor) dan sisi (relathionship). Model ini berasal dari keluarga distribusi

eksponensial antar jaringan, seperti pada persamaan (2.1)

)(

)(...)(exp

)(

)('exp)Pr(

11

k

xzxz

k

xzxX

rr

(2.1)

15

Arti dari Pr (X = x) adalah probabilitas dari beberapa hubungan aktual

antara individu dan x adalah matriks jaringan tetangga yang diamati. z (x) adalah

serangkaian vektor statistik jaringan. θ adalah vektor parameter model. k adalah

konstanta dan garansi bahwa distribusi probabilitas adalah distribusi normal.

Persamaan (2.1) dapat dinyatakan sebagai log-peluang bersyarat atau logit

dari ikatan individu:

)(.....)()(')|1Pr(logit 11 xzxzxzxX rr

c

ijij (2.2)

ERGM memiliki asumsi teoritis dasar, yaitu asumsi ketergantungan. Seperti

dalam jejaring sosial yang memiliki asumsi ketergantungan yang khas, yang

"Teman teman saya adalah teman saya" (Jiao et al, 2017). Asumsi ini disajikan oleh

struktur khusus yang mencerminkan bagaimana hubungan dihasilkan dalam

jaringan. Struktur jaringan terdiri dari titik (atau node) dan hubungan antar titik

(atau sisi).

Song et al (2014) menyatakan bahwa ERGMs adalah kelas model jaringan

yang memeriksa keberadaan ikatan antara sepasang individu dengan satu set

variabel prediktor, seperti struktur jaringan, atribut individu dan kovariat diad. Jiao

et al (2017) juga menyatakan bahwa rangkaian z (x) berisi parameter struktur atau

parameter atribut dari individu dalam jaringan. Parameter struktur dapat berupa

edges, 2-stars, 3-stars, dan triangles.

Grafik jaringan tersebut disajikan pada Gambar 2.6.

Gambar 2. 6 Grafik jaringan terarah jenis edges (1-star), 2-stars, 3-stars, dan

triangles

16

Banyak metode digunakan untuk memperkirakan ERGMs. Menurut

Thiemichen (2016), beberapa di antaranya adalah Pseudo-Likelihood Estimation,

Stochastic Approximation, dan Markov chain Monte Carlo maximum likelihood

estimation (MCMC MLE). Penelitian ini menggunakan MCMC MLE. Ini

dirancang untuk mensimulasikan distribusi grafik acak dari satu set nilai parameter.

Proses ini menyesuaikan nilai parameter dengan membandingkan distribusi grafik

acak yang sesuai dan grafik yang diamati. Parameter estimasi yang dipilih adalah

dengan mengulangi proses sampai nilai estimasi menjadi stabil.

17

BAB III METODE PENELITIAN

Penelitian ini menerapkan metode Exponential Random Graph Models

(ERGMs) untuk kasus jejaring sosial antara akun toko online. Jejaring sosial di sini

adalah struktur sosial yang terbentuk dari kumpulan akun daring individu yang

terbatas dengan bentuk hubungan di antara mereka. Data yang digunakan adalah

data primer yang diperoleh melalui survei atau pengamatan dari akun Instagram

toko online yang telah aktif selama sebulan terakhir. Survei telah dilakukan pada

bulan Agustus, 2018. Jumlah akun adalah 28 akun yang dipilih secara acak dan

yang dapat diakses oleh peneliti. Jenis barang yang mereka jual adalah pakaian.

Koneksi antar node mengikuti dan atau pengikut.

Langkah-langkah penelitian secara umum disajikan pada Gambar 3.1, yaitu

1) persiapan, 2) Pengumpulan data, 3) Analisa data dan pemetaan.

Gambar 3. 1 Diagram alur proses penelitian.

Persiapan

Pengumpulan Data Sekunder

Analisa data

ERGMs:

- Estimasi

- Uji Signifikansi

- Uji Goodness of fit

Kesimpulan

Pengumpulan data primer

karakteristik akun online

shop dan struktur

network

18

Dalam penelitian ini, variabel yang digunakan terdiri dari 2 jenis, yaitu

struktur jaringan dan karakteristik akun toko online. Struktur jaringan dibagi

menjadi dua jenis, yaitu jaringan terarah dan jaringan non-terarah. Penelitian ini

menggunakan jenis jaringan non-diarahkan, di mana sisi tidak memiliki orientasi

arah. Karakteristik akun diukur dengan jumlah foloower, jumlah following, dan

total post.

Network structures disajikan di Tabel berikut (Robins et al, 2007).

Tabel 3. 1 Structural Parameter and Configurations

No Network

structures

Configuration Description

1 Edges (1-star)

Two points select each other as

follow and or follower

2 2-star

interconnection of three nodes

with two connections

Beberapa langkah analisis data adalah:

1. Analisis deskriptif akun online shop

2. Menyusun plot struktur jaringan

3. Analisis korelasi antara jumlah folower, following, total post dengan

jumlah edges di setiap akun

4. Estimasi model ERGM, yang terdiri dari 2 model. Pertama adalah model

dengan variabel independen stuktur jaringan (edges dan 2-star). Kedua

adalah model dengan variabel independen karakteristik akun (jumlah

folower, following, total post)

5. Uji goodness of fit untuk mengetahui kebaikan model

19

BAB IV HASIL DAN LUARAN YANG DICAPAI

4.1 Hasil Analisis dan Pembahasan

Tabel 4.1 menunjukkan karakteristik dari akun toko online yang merupakan

data sampel. Total 28 sampel akun memiliki karakteristik berbeda yang

menunjukkan luasnya jaringan. Jumlah rata-rata follower di setiap akun adalah

46.105, di mana jumlah follower terendah adalah 198 dan tertinggi adalah 675.000.

Akun yang memiliki banyak pengikut akan memiliki jaringan bisnis yang lebih luas

untuk promosi dan penjualan. Ini karena setiap follower harus mendapat notifikasi

atau berita tentang postingan produk terbaru dari akun yang diikuti.

Kegiatan following menunjukkan akun aktif dalam merintis jaringan.

Jumlah rata-rata following di setiap akun adalah 1,994, di mana jumlah terendah

adalah 1 dan yang tertinggi adalah 6,009. Total posting menunjukkan jumlah

posting per akun. Tulisan ini adalah tentang penjualan dan promosi. Jumlah rata-

rata posting pada setiap akun adalah 522, di mana jumlah posting terendah adalah

11 dan yang tertinggi adalah 522.

Tabel 4. 1 Karakteristik Total Post, Follower, and Following

Variable Min Average Max Standard

Deviation

Follower 198 46.105 675.000 134.954

Following 1 1.994 6.009 2.048

Total Post 11 522 1.613 470

Grafik struktur jaringan dari akun toko online ditunjukkan pada Gambar 4.1.

Ini membangun jaringan yang diarahkan dengan 41 node dan 104 edges. Tidak ada

ujung yang hilang. Hubungan antara followers, following, total post dengan total

edges disajikan pada Tabel 4.2. Metode yang digunakan adalah analisis korelasi

Pearson. Dapat dilihat bahwa jika ada lebih banyak jumlah berikut sehingga jumlah

koneksi tinggi. Sebaliknya, jika ada lebih banyak pengikut dan jumlah total posting

sehingga mendapatkan jumlah koneksi yang lebih sedikit. Namun, nilai korelasi

tidak signifikan pada tingkat signifikansi α = 5%.

20

Gambar 4. 1 Network Structure dari akun online shop

Tabel 4. 2 Korelasi antara Total Post, Follower, and Following dengan total edges.

Variable Pearson Correlation

Follower -0.074 (0.722)

Following 0.164 (0.405)

Total Post -0.111(0.575)

Note: The value in parentheses is P value

Penelitian ini melakukan dua pemodelan ERGMs, model dengan

independen adalah variabel struktur jaringan dan karakteristik dari akun toko

online. Masing-masing disajikan pada Tabel 4.3 dan Tabel 4.4. Hasilnya

menunjukkan bahwa struktur jaringan secara signifikan mempengaruhi jaringan

yang terbentuk di antara akun, baik edgesdan 2-star (lihat Tabel 4.3). Parameter

untuk Edges memiliki nilai estimasi -2.609. Itu berarti probabilitas dua ikatan yang

terhubung adalah 0,064. Parameter untuk variabel 2-binta2-star memiliki nilai

estimasi -0,364. Ini berarti probabilitas adanya hubungan adalah 0,410. Nilai

estimasi yang negatif menunjukkan efek ekspansif negatif. Sebuah akun toko online

tidak akan mengambil inisiatif untuk membuat teman atau jaringan dengan akun

lain. Itu karena mereka fokus untuk membuat jaringan dengan konsumen yang telah

menjadi follower atau calon follower.

21

Tabel 4. 3 Hasil estimasi parameter ERGMs dengan Variabel Independen Struktur

Jaringan

Sementara itu, karakteristik akun yang memiliki pengaruh signifikan adalah

jumlah follower, jumlah following, dan total posting (lihat Tabel 4.4). Estimasi

parameter jumlah follower adalah positif. Semakin banyak pengikut di sana, maka

ada kemungkinan besar untuk mendapatkan koneksi antar akun. Estimasi parameter

total post adalah negatif. Semakin banyak posting, maka semakin sedikit peluang

untuk terjadi koneksi antar akun. Follower dari akun toko online adalah konsumen

setia. Dengan demikian, lebih banyak follower menunjukkan bahwa produk mereka

disukai oleh konsumen dan memiliki pasar yang luas. Mereka akan tertarik dengan

akun lain untuk membangun jaringan dengan tujuan agar konsumen tertarik dengan

produk mereka juga.

Tabel 4. 4 Hasil estimasi parameter ERGMs dengan Variabel Independen

Karakteristik Akun

Untuk memeriksa apakah model itu sesuai atau tidak, maka dilakukan uji

Goodness of fit seperti di Gambar 4.2. Ketiga baris mewakili goodness of fit untuk

22

model pada Tabel 4.3 dan 4.4. Tiga kolom mewakili tiga statistik yang

dibandingkan : degress dan jarak geodesi. Hasilnya memberikan plot kotak per

variabel. Garis hitam mewakili pengamatan pada jaringan empiris. Model yang baik

jika garis gelap harus bertepatan dengan distribusi median dari kotak-kotak (van

der Pol, 2016).

Gambar 4. 2 Goodness of fit for model dengan prediktor Edges (baris pertama), 2-

star (baris kedua), and Characteristic of account (baris ketiga)

23

4.2 Capaian Luaran

Capaian luaran yang dihasilkan dari penelitian ini adalah

1. Telah submit naskah di jurnal Sains Malaysiana dengan judul Exponential

Random Graph Models (ERGMs) to Analyze the Online Shop Networking In

Instagram. Bukti submit adalah di Gambar 4.3 dan Lampiran

Gambar 4. 3 Bukti Submit Jurnal

24

2. Menyusun draft bahan ajar untuk mata kuliah Riset Pemasaran dengan

judul Metode Statistika untuk Riset Pasar

25

BAB V. KESIMPULAN

5.1 Kesimpulan

Berdasarkan hasil analisis dapat disimpulkan bahwa

1. Social Network memberikan peran penting dalam bisnis e-commerce,

terutama dalam bisnis toko online. Semakin banyak jaringan, semakin luas

jaringan bisnis, sehingga semakin luas konsumennya.

2. Melalui Exponential Random Graph Models (ERGM), dapat dilihat bahwa

struktur jaringan dan aktivitas akun (jumlah pengikut, berikut, dan total

posting) di Instagram memiliki pengaruh yang signifikan pada jaringan

antara akun toko online. Namun demikian, sebuah akun toko online tidak

akan mengambil inisiatif untuk membuat teman atau jaringan dengan akun

lain, karena fokus pada membuat jaringan dengan konsumen. Semakin

banyak follower, maka ada kemungkinan besar untuk mendapatkan koneksi

antar akun. Hal ini karena karena akun toko online akan mengikuti akun lain

yang memiliki follower tinggi karena lebih banyak pengikut menunjukkan

bahwa produk mereka disukai oleh konsumen dan memiliki pasar yang luas.

5.2 Saran

Saran yang diberikan diantaranya:

1. Menggunakan data yang lebih besar

2. Menggunakan metode estimasi lain untuk mendapatkan goodness of fit

model yang lebih baik.

26

DAFTAR PUSTAKA

Bekti, R. D., Pratiwi, N., Jatipaningrum, M. T., & Auliana, D. 2017. Analisis

Pengaruh Lokasi dan Karakteristik Konsumen dalam Memilih Minimarket

dengan Metode Regresi Logistik dan Cart. Media Statistika, 10(2): 119-

130.

Frank, O. and D. Strauss. 1986. “Markov Graphs.” Journal of the American

Statistical Association 81:832–42.

Jiao, C., Wang, T., Liu, J., Wu, H., Cui, F., & Peng, X. 2017. Using Exponential

Random Graph Models to Analyze the Character of Peer Relationship

Networks and Their Effects on the Subjective Well-being of

Adolescents. Frontiers in psychology. 8: 583.

Latifah, A., Jamaluddin, M. J., Rahim, M. N. A., Mohamad, O., & Nor, M. M.

2006. Factors affecting public attitude toward genetically modified food in

Malaysia. Sains Malaysiana, 35(1): 51-55.

Manikonda, L., Hu, Y. and Kambhampati, S. 2014. Analyzing user activities,

demographics, social network structure and user-generated content on

Instagram. arXiv preprint arXiv:1410.8099.

Robins, G., Pattison, P., Kalish, Y. and Lusher, D. 2007. An introduction to

exponential random graph (p*) models for social networks. Social

networks. 29(2):173-191.

Song, X., Yan, X. and Li, Y., 2015. Modelling liking networks in an online

healthcare community: An exponential random graph model analysis

approach. Journal of Information Science. 41(1) : 89-96.

Thiemichen, S. 2016. Extensions of exponential random graph models for

network data analysis (Doctoral dissertation, lmu).

Traud, A. L., Mucha, P. J., & Porter, M. A. 2012. Social structure of facebook

networks. Physica A: Statistical Mechanics and its Applications. 391(16):

4165-4180.

27

Turban, E., Outland, J., King, D., Lee, J. K., Liang, T. P., & Turban, D. C.

2017. Electronic commerce 2018: a managerial and social networks

perspective. Springer.

van der Pol, J. 2016. The modelling of networks using Exponential Random

Graph Models: an introduction (No. 2016-22). Groupe de Recherche en

Economie Théorique et Appliquée.

Wasserman, S. and Pattison, P. 1996. ‘Logit models and logistic regressions for

social networks, I. An introduction to Markov graphs and p*’.

Psychometrika 61: 401-425

28

LAMPIRAN

Lampiran 1. Data

No toko

Karakteristik Network

Follo

wer

Follo

wing

Total_

Post

Max

marastore

garudeya_

olshop ...

1 maxmarastore 5832 2643 105 0 0 ...

2 garudeya_olshop 4828 945 440 0 0 ...

3 sheehan_shop 450 1194 799 0 0 ...

4 and_shop2205 439 276 496 0 0 ...

5 khanzafashion21 1519 4754 255 0 1 ...

6 pajamas_island 707 361 227 0 0 ...

7 eastmountside 28215 102 250 0 0 ...

8 dsy.fashionstore 28900 1 198 1 0 ...

9 dimarhijab 54200 2399 819 1 0 ...

10 hawa_hijab33 1644 1125 535 1 0 ...

11 fashion_galleryjogja 12500 620 783 1 0 ...

12 monggifashioncs5 2132 4319 875 0 0 ...

13 raja_murah_putra 13200 4869 617 0 0 ...

14 djfashionjogja 1556 2069 297 0 1 ...

15 celanajeansdindy 7388 2986 313 0 1 ...

16 ryp.wear 198 813 53 0 0 ...

17 myrubylicious 675000 454 1613 1 0 ...

18 naeira_bynairadesign2 14000 5916 1506 1 0 ...

19 ping_onloneshop 217000 5486 1417 0 0 ...

20 monchhichis_style 1424 4935 599 0 0 ...

21 sevensummerfashion 2381 1520 45 0 0 ...

22 believed_style 275 368 52 0 0 ...

23 gallery_athanara 1108 578 240 0 0 ...

24 barikadepok3388 202 251 21 0 0 ...

25 shoopalexi 248 188 99 0 0 ...

26 kamayan_house 208000 6009 1253 0 0 ...

27 salina_shabby 614 444 11 0 0 ...

28 pitulaethnic 6983 216 708 0 0 ...

29

Lampiran 2. Syntax dan Output Software

> library(ergm)

> data_IG <- read.table("D:/Penelitian/Hibah Akprind 2018/data

IG3.txt",

+ header=TRUE, sep="", na.strings="NA", dec=".",

strip.white=TRUE)

> datanetwork <- network(data_IG[,5:41],directed=FALSE)

> plot(datanetwork)

> model1<- ergm(datanetwork~edges)

Evaluating log-likelihood at the estimate.

> summary(model1)

==========================

Summary of model fit

==========================

Formula: datanetwork ~ edges

Iterations: 6 out of 20

Monte Carlo MLE Results:

Estimate Std. Error MCMC % p-value

edges -2.6091 0.1016 0 <1e-04 ***

---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Null Deviance: 2103.0 on 1517 degrees of freedom

Residual Deviance: 758.2 on 1516 degrees of freedom

AIC: 760.2 BIC: 765.5 (Smaller is better.)

> gofmodel1 <- gof(model1~degree + esp+ distance)

> par(mfrow=c(1,3))

> par(oma=c(0.5,2,1,0.5))

> plot(gofmodel1)

> gofmodel1

Goodness-of-fit for degree

obs min mean max MC p-value

0 0 0 1.98 6 0.30

1 13 2 5.99 15 0.02

2 9 3 8.81 14 1.00

3 7 3 8.79 15 0.62

4 2 1 6.05 12 0.08

30

5 2 0 3.29 7 0.74

6 1 0 1.38 5 1.00

7 1 0 0.50 3 0.70

8 1 0 0.14 1 0.28

9 0 0 0.05 1 1.00

10 0 0 0.01 1 1.00

11 0 0 0.01 1 1.00

13 1 0 0.00 0 0.00

Goodness-of-fit for edgewise shared partner


104.00 82.00 104.19 129.00 0.98

Goodness-of-fit for minimum geodesic distance


1 104 82 104.19 129 0.98

2 340 157 249.45 365 0.12

3 510 268 469.34 734 0.70

4 476 367 614.53 870 0.30

5 393 327 543.39 689 0.02

6 242 144 334.62 485 0.30

7 90 23 156.32 355 0.44

8 8 1 60.09 235 0.22

9 0 0 19.64 153 0.26

10 0 0 6.15 94 0.88

11 0 0 2.07 59 1.00

12 0 0 0.69 28 1.00

13 0 0 0.21 12 1.00

14 0 0 0.06 5 1.00

15 0 0 0.01 1 1.00

Inf 840 77 442.24 1337 0.08

> model1<- ergm(datanetwork~kstar(2))

Starting maximum likelihood estimation via MCMLE:

Iteration 1 of at most 20:

The log-likelihood improved by 1.401

Step length converged once. Increasing MCMC sample size.

Iteration 2 of at most 20:

The log-likelihood improved by 0.0265

Step length converged twice. Stopping.

Evaluating log-likelihood at the estimate. Using 20 bridges: 1 2 3

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 .

This model was fit using MCMC. To examine model diagnostics and

check for degeneracy, use the mcmc.diagnostics() function.

> summary(model1)

==========================


==========================

31

Formula: datanetwork ~ kstar(2)




kstar2 -0.36338 0.02551 0 <1e-04 ***

---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Null Deviance: 2103.0 on 1517 degrees of freedom

Residual Deviance: 896.9 on 1516 degrees of freedom

AIC: 898.9 BIC: 904.2 (Smaller is better.)

> gofmodel1 <- gof(model1)

> par(mfrow=c(1,3))

> par(oma=c(0.5,2,1,0.5))

> plot(gofmodel1)

> gofmodel1



0 0 0 0.05 1 1.00

1 13 0 1.06 4 0.00

2 9 1 5.22 9 0.10

3 7 5 10.93 19 0.12

4 2 6 10.93 17 0.00

5 2 1 6.30 12 0.08

6 1 0 2.07 6 0.72

7 1 0 0.38 3 0.62

8 1 0 0.06 1 0.12

13 1 0 0.00 0 0.00



104.00 117.00 135.07 148.00 0.00



1 104 117 135.07 148 0.00

2 340 271 357.00 446 0.60

3 510 510 720.07 889 0.02

4 476 692 901.52 1004 0.00

5 393 455 608.72 741 0.00

6 242 88 209.78 453 0.54

7 90 1 41.96 181 0.18

8 8 0 6.92 61 0.48

9 0 0 1.01 37 1.00

32

10 0 0 0.21 15 1.00

11 0 0 0.01 1 1.00

Inf 840 0 20.73 228 0.00

> datanetwork %v% 'Follower'<-c(data_IG$Follower)

> datanetwork %v% 'Following'<-c(data_IG$Following)

> datanetwork %v% 'Total_Post'<-c(data_IG$Total_Post)

> model1<-

ergm(datanetwork~nodecov('Follower')+nodecov('Following')+nodecov(

'Total_Post'))

Evaluating log-likelihood at the estimate.

> summary(model1)

==========================


==========================

Formula: datanetwork ~ nodecov("Follower") + nodecov("Following")

+ nodecov("Total_Post")




nodecov.Follower 2.247e-06 7.292e-07 0 0.0021 **

nodecov.Following -1.958e-04 3.098e-05 0 <1e-04 ***

nodecov.Total_Post -1.722e-03 1.676e-04 0 <1e-04 ***

---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Null Deviance: 2103 on 1517 degrees of freedom

Residual Deviance: 990 on 1514 degrees of freedom

AIC: 996 BIC: 1012 (Smaller is better.)

> gofmodel1 <- gof(model1)

> par(mfrow=c(1,3))

> par(oma=c(0.5,2,1,0.5))

> plot(gofmodel1)

> gofmodel1



0 0 1 3.73 7 0.00

1 13 0 2.84 6 0.00

33

2 9 0 3.11 7 0.00

3 7 0 3.54 9 0.10

4 2 0 3.38 9 0.70

5 2 0 3.19 8 0.76

6 1 0 3.67 8 0.16

7 1 0 3.31 7 0.38

8 1 0 2.60 7 0.62

9 0 0 2.28 6 0.12

10 0 0 1.72 6 0.34

11 0 0 1.54 5 0.40

12 0 0 1.01 4 0.60

13 1 0 0.54 4 0.88

14 0 0 0.31 2 1.00

15 0 0 0.14 1 1.00

16 0 0 0.08 2 1.00

17 0 0 0.01 1 1.00



104.00 176.00 196.83 226.00 0.00



1 104 176 196.83 226 0.00

2 340 630 715.25 832 0.00

3 510 817 933.57 1059 0.00

4 476 332 462.60 614 0.76

5 393 22 81.61 151 0.00

6 242 0 6.74 31 0.00

7 90 0 0.21 4 0.00

8 8 0 0.00 0 0.00

Inf 840 302 606.19 922 0.04

34

Lampiran 3. Naskah yang disubmit di Jurnal Sains Malaysiana

exponential random graph models untuk memodelkan...

Documents