Gambar 1. Jaringan
Sumber: https://unsplash.com/photos/a-picture-of-a-computer-network-with-many-different-icons-2IZ9r2pgJjQ

Di era ketika semuanya saling terhubung—manusia, komputer, kota, bahkan sel di dalam tubuh—kita semakin menyadari bahwa dunia bukan hanya kumpulan objek, tetapi kumpulan hubungan. Kajian graph and network mengajak kita melihat dunia bukan sebagai daftar data atau struktur birokratis, melainkan sebagai jaringan kehidupan yang dinamis.

Artikel ini menggabungkan dua gagasan besar:

  1. Konsep dasar jaringan dan bagaimana ia menjelaskan dunia, dan
  2. Bagaimana kita secara praktis membangun, membaca, dan menafsirkan jaringan dari data.

Mari kita mulai perjalanan melihat dunia dengan cara baru.

Gambar 2. Jaringan Sosial

Dunia yang Tidak Lagi Acak: Kita Hidup dalam Jaringan

Selama bertahun-tahun kita menganggap banyak hal terjadi secara acak: siapa berteman dengan siapa, bagaimana informasi menyebar, mengapa beberapa orang sangat berpengaruh. Tetapi ketika para ilmuwan memetakan Internet, mempelajari hubungan antar-protein, atau memperhatikan pola kolaborasi di kantor, satu pola universal muncul:

Dunia nyata tidak acak. Dunia nyata adalah jaringan.

Node (titik) menggambarkan entitas—manusia, kota, protein.
Edge (garis) menggambarkan hubungan—komunikasi, perjalanan, interaksi biologis.

Dari sini dunia mulai terlihat dengan cara yang baru.

Small World: Mengapa Kita “Dekat” Satu Sama Lain

Dalam jaringan sosial, Anda mungkin hanya berjarak enam orang dari siapa pun di dunia. Fenomena ini disebut small world. Ia menjelaskan:

  • mengapa rumor cepat menyebar,
  • mengapa inovasi menyebar dari satu komunitas ke komunitas lain,
  • dan mengapa informasi dapat menjangkau ribuan orang hanya dalam hitungan menit.

Dunia bukan hanya besar—dunia terhubung.

Scale-Free Network: Ketika Beberapa Individu Memiliki Pengaruh Luar Biasa

Banyak jaringan di dunia nyata menunjukkan pola serupa:

  • beberapa node punya koneksi sangat banyak (disebut hub),
  • sebagian besar lainnya hanya punya sedikit.

Inilah scale-free network, jaringan dengan distribusi koneksi yang timpang tetapi teratur. Di media sosial, misalnya, satu unggahan dari seorang influencer dapat menjangkau lebih banyak orang daripada ribuan unggahan pengguna biasa.

Fenomena ini tidak kebetulan. Ia lahir dari prinsip sederhana:

Yang sudah terhubung akan semakin terhubung.
Rich get richer principle.

Jaringan Tidak Hanya di Internet tapi Ia Ada di dalam Tubuh Kita

Di dalam tubuh, ribuan protein berinteraksi membentuk jaringan rumit.
Jika satu protein “hub” rusak, sistem tubuh dapat terganggu.

Ilmu jaringan membantu peneliti:

  • memahami penyakit,
  • menemukan target obat,
  • memodelkan hubungan genetik.

Jaringan ternyata adalah bahasa kehidupan.

Mengubah Tabel Menjadi Peta Hubungan

Setelah memahami konsep besarnya, bagaimana kita secara praktis membangun dan membaca jaringan?. Bayangkan data berupa:

  • log email,
  • daftar rapat,
  • siapa bekerja pada proyek apa,
  • siapa menghubungi siapa.

Bagi kebanyakan orang itu hanya data mentah.
Bagi analis jaringan, itu adalah peta hubungan.

Prosesnya:
DATA → edge list → GRAPH → jaringan kehidupan

Di sinilah kita bisa melihat siapa yang paling sering berinteraksi, kelompok mana yang saling terhubung erat, siapa yang menjadi penghubung antar tim, dan hubungan informal yang tak terlihat di struktur organisasi

Spreadsheet berubah menjadi galaksi hubungan manusia.

Visualisasi Jaringan: Ketika Pola Tersembunyi Menjadi Terlihat

Visualisasi jaringan bukan hanya estetika.
Ia adalah cara berpikir.

Dalam gambar jaringan:

  • warna menunjukkan komunitas,
  • ukuran node menunjukkan pengaruh,
  • ketebalan garis menunjukkan intensitas hubungan.

Tiba-tiba kita melihat:

  • tim kolaboratif,
  • hubungan tak terduga,
  • tokoh sentral yang sebelumnya tak terlihat.

Jaringan memberi kita kacamata infra-merah untuk melihat pola sosial.

Gambar 3. Ringkasan tentang Jaringan

Paths & Distance: Seberapa Dekat Kita Sebenarnya?

Jika kita memandang jaringan seperti peta, jarak menjadi hal penting.

Shortest path dapat menjelaskan:

  • bagaimana rumor menyebar,
  • siapa yang paling cepat menerima informasi,
  • apakah struktur kerja terlalu panjang dan birokratis.

Beberapa orang di organisasi bertindak seperti “jalan pintas”—penghubung antara dua dunia yang berbeda.

 

Centrality: Siapa yang Sebenarnya Paling Penting?

Centrality adalah cara ilmiah menjawab pertanyaan sosial klasik:
“Siapa yang paling berpengaruh?”

  • Degree → yang paling banyak terhubung
  • Betweenness → penghubung antar kelompok
  • Closeness → yang paling cepat menjangkau semua orang
  • Eigenvector → yang “penting karena terhubung ke yang penting”

Sering kali, hasilnya mengejutkan:
pemimpin informal dan penghubung utama tidak selalu bergelar tinggi—mereka terlihat ketika data divisualisasikan sebagai jaringan.

Communities & Cliques: Struktur Tersembunyi dalam Jaringan

Komunitas adalah kelompok alami yang muncul dari hubungan.

Dari sini kita bisa mengungkap:

  • tim yang sangat erat,
  • kelompok yang terisolasi,
  • pola kolaborasi nyata (bukan formal),
  • struktur sosial yang memengaruhi produktivitas.

Terkadang dua departemen yang seharusnya bekerja sama ternyata hampir tidak pernah berhubungan, ada komunitas kecil yang sangat berpengaruh, atau bahkan hubungan informal lebih kuat daripada struktur formal

Jaringan memberi kita peta sosial nyata, bukan peta organisasi ideal.

Kesimpulan: Jaringan adalah Kunci Memahami Dunia Modern

Gabungan konsep teori jaringan dan praktik analisis data memberikan kita cara baru melihat dunia:

Data → Jaringan → Pola → Pemahaman → Keputusan

Jaringan membantu kita memahami:

  • bagaimana informasi bergerak,
  • bagaimana komunitas terbentuk,
  • siapa yang berperan besar,
  • bagaimana sistem tetap berjalan atau gagal,
  • bagaimana dunia—baik sosial, digital, maupun biologis—saling terhubung.

Dunia bukan hanya kumpulan titik.
Dunia adalah hubungan.
Dan dengan ilmu graph and network, kita akhirnya bisa melihatnya dengan jelas.

Penulis:
Dr. Alfi Yusrotis Zakiyyah, S.Pd., M.Si.

Referensi

  1. Bornholdt, S. and Schuster, H.G., 2001. Handbook of graphs and networks.From Genome to the Internet, Willey-VCH (2003 Weinheim).
  2. McNulty, K., 2022.Handbook of graphs and networks in people analytics: with examples in R and python. Chapman and Hall/CRC.