exponential random graph models untuk memodelkan...
TRANSCRIPT
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
obs min mean max MC p-value
104.00 82.00 104.19 129.00 0.98
Goodness-of-fit for minimum geodesic distance
obs min mean max MC p-value
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)
==========================
Summary of model fit
==========================
31
Formula: datanetwork ~ kstar(2)
Iterations: 2 out of 20
Monte Carlo MLE Results:
Estimate Std. Error MCMC % p-value
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
Goodness-of-fit for degree
obs min mean max MC p-value
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
Goodness-of-fit for edgewise shared partner
obs min mean max MC p-value
104.00 117.00 135.07 148.00 0.00
Goodness-of-fit for minimum geodesic distance
obs min mean max MC p-value
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)
==========================
Summary of model fit
==========================
Formula: datanetwork ~ nodecov("Follower") + nodecov("Following")
+ nodecov("Total_Post")
Iterations: 6 out of 20
Monte Carlo MLE Results:
Estimate Std. Error MCMC % p-value
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
Goodness-of-fit for degree
obs min mean max MC p-value
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
Goodness-of-fit for edgewise shared partner
obs min mean max MC p-value
104.00 176.00 196.83 226.00 0.00
Goodness-of-fit for minimum geodesic distance
obs min mean max MC p-value
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