Perpustakaan Digital ITB

Deteksi komunitas dalam jaringan sosial merupakan salah satu aspek penting dalam analisis jaringan karena memungkinkan pemahaman lebih dalam mengenai struktur hubungan antar individu atau entitas. Dalam konteks jaringan sosial berbasis lokasi (Location-Based Social Networks/LBSN), komunitas tidak hanya terbentuk karena kesamaan ketertarikan atau interaksi, tetapi juga karena kedekatan geografis antar entitas. Sayangnya, sebagian besar metode deteksi komunitas yang ada hanya memanfaatkan struktur topologi jaringan atau pola penyebaran informasi (information diffusion) tanpa mempertimbangkan dimensi spasial. Hal ini menyebabkan komunitas yang terdeteksi kurang merepresentasikan struktur dunia nyata yang umumnya dibentuk oleh interaksi sosial dan jarak fisik secara bersamaan. Penelitian ini mengusulkan Spatial CoDi, sebuah metode baru untuk deteksi komunitas yang mengintegrasikan pendekatan Community Diffusion (CoDi) yang berbasiskan pola penyebaran informasi dalam jaringan dengan perhitungan similaritas spasial antar simpul berdasarkan jarak geografis. Integrasi kedua pendekatan dilakukan melalui parameter ? (alpha) yang berfungsi mengatur kontribusi relatif antara kemiripan difusi dan kedekatan spasial dalam pembentukan komunitas. Ketika ? = 1, metode bekerja sepenuhnya sebagai CoDi standar (tanpa spasial), dan ketika ? = 0, hanya informasi spasial yang digunakan. Nilai-nilai antara 0 dan 1 memungkinkan adaptasi terhadap berbagai kondisi jaringan dan kebutuhan aplikasi. Evaluasi terhadap metode dilakukan menggunakan dataset Gowalla, yang berisi data check-in pengguna serta hubungan pertemanan. Pengujian dilakukan pada dua skenario: (1) jaringan kecil berukuran 100 simpul, dan (2) jaringan penuh dari dataset. Jumlah cascade (proses difusi informasi) divariasikan antara 100 hingga 500, dan nilai ? diatur dari 0.00 hingga 1.00. Hasil pengujian menunjukkan bahwa pendekatan Spatial CoDi memberikan peningkatan signifikan terhadap akurasi deteksi komunitas, yang diukur menggunakan metrik Normalized Mutual Information (NMI). NMI tertinggi sebesar 0.9675 diperoleh pada ? = 0.00 dengan 500 cascade dalam skenario jaringan kecil. Sementara itu, NMI tertinggi sebesar 0.9592 untuk jaringan penuh diperoleh pada ? = 0.75 dengan 200 cascade. Temuan ini menunjukkan bahwa penambahan dimensi spasial dapat meningkatkan kualitas pembentukan komunitas, terutama ketika diimbangi secara proporsional dengan pola difusi. Dari sisi efisiensi, waktu eksekusi meningkat seiring ukuran jaringan, namun ? moderat (sekitar 0.5–0.75) menawarkan keseimbangan antara kualitas hasil dan beban komputasi. Selain itu, jumlah komunitas yang terbentuk menjadi lebih stabil dan tidak terfragmentasi berlebihan saat ? disesuaikan dengan konteks spasial jaringan. Hal ini membuktikan bahwa integrasi spasial membantu mencegah over-partitioning atau pembentukan komunitas yang terlalu kecil akibat dominasi pola difusi. Secara keseluruhan, Spatial CoDi memberikan solusi yang lebih kontekstual, fleksibel, dan realistis dalam menggambarkan komunitas pada jaringan sosial berbasis lokasi. Metode ini dapat menjadi pendekatan yang efektif dalam berbagai domain aplikasi, termasuk periklanan berbasis lokasi, pemantauan epidemi, dan perencanaan kota berbasis analisis mobilitas sosial.