BIG DATA

BIG DATA

Disusun Oleh:

MUHAMMAD RIDHO FIRDAUSI

1201130375

 

MANAJEMEN BISNIS TELEKOMUNIKASI DAN INFORMATIKA

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS TELKOM

BANDUNG

2016

All About Big Data

Big Data adalah sebuah teknologi baru di dunia teknologi informasi dimana memungkinan proses pengolahan, penyimpanan dan analisis data dalam beragam bentuk/format, berjumlah besar dan pertambahan data yang sangat cepat. Pengolahan dan analisis data dalam jumlah sangat besar ini memerlukan waktu yang relatif jauh lebih singkat dengan menggunakan Big Data dibanding teknologi data sebelumnya, misalnya. database relational seperti MySQL.

Ciri-ciri data yang ditangani oleh Big Data:

1.     Jumlah nya sangat besar (Volume). Biasanya ukuran total data dalam terabytes keatas.

2.     Pertumbuhan data sangat cepat (Velocity) sehingga data bertambah dalam jumlah yang sangat banyak dalam kurun waktu relatif singkat.

3.     Bentuk atau format datanya beraneka ragam (Variety). Format disini bisa berupa data dalam tabel-tabel relasional database seperti MySQL, file text biasa, File Excel atau bentuk apapun.

Manfaat yang bisa diberikan dari Big Data antara lain bisa memberikan gambaran yang lebih lengkap dari sebelumnya karena biasanya data yang dianalisis adalah data terstruktur misalnya data relasional database.

Karakteristik

Big Data memiliki 5 karakteristik penting yang harus dipahami. Berikut karakteristik Big Data:

1. Data Lebih Banyak

Random sampling pada Small Data sebenarnya adalah alternatif dari mengumpulkan dan menganalisis dataset penuh, karena keterbatasan teknologi dan kapasitas penyimpanan. Kelemahannya adalah sampling membutuhkan perencanaan dan eksekusi yang hati-hati serta bekerja dalam subset membantu perusahaan mendapat apa yang dicari lebih cepat dan murah tetapi melewatkan pertanyaan yang tidak terpikirkan sebelumnya.

Big Data merupakan keseluruhan informasi, namun ukurannya data sendiri tidak melulu besar. Contahnya saat terngukapnya kecurangan pertandingan sumo di Jepang. Data yang digunakan bukan sampel, tapi N=all. Setelah mengumpulkan data 64.000 pertandingan selama 11 tahun terakhir, ternyata data tersebut hanya berukuran sama dengan file foto digital. Dengan prisip N=all diperoleh suatu pola yang menunjukan bahwa pesumo yang lebih membutuhkan kemenangan memiliki peluang 25% lebih besar untuk menang.

2. Berantakan (Messy)

Big data menciptakan dataset yang lebih berantakan, namun mampu memberikan gambaran yang lebih menyeluruh, meskipun tidak terstruktur. Contohnya Google Translate, perusahaan yang bermarkas di Mountain View, California, AS ini mengumpulkan seluruh dokumen dengan terjemahan yang mereka bisa kumpulkan dengan kualitas yang berbeda-beda. Data yang dikumpulkan memang berantakan namun terjemahan yang dihasilkan lebih akurat daripada sistem yang lebih berdasarkan alogaritma, dan jauh lebih kaya (meliputi 60 bahasa).

3. Korelasi

Big Data sering memprediksi berdasarkan korelasi, ketimbang hubungan sebab akibat. Contoh, pada awalnya Amazon.com mengandalkan review dari suatu tim ahli “The Amazon Voice”. Kemudian mereka menggunakan rekomendasi yang dihasilkan dari personalisasi penjualan produk (pelanggan yang membeli produk A cenderung membeli produk B maka jika pelanggan lain membeli produk A, Amazon akan merekomendasikan produk B). Kini sepertiga penjualan Amazon diperoleh dari penawaran produk ke user dari hasil rekomendasi berdasarkan personalisasi.

4. Datafikasi

Mendatafikasi suatu fenomena adalah menyimpannya dalam format yang terkuantifikasi agar bisa ditabulasi dan dianalisis serta menangkap informasi dan menyimpannya dalam format data yang memudahkannya untuk digunakan kembali. Memindahkan data ke bentuk digital belum tentu mendatafikasi.

5. Value

Mengumpulkan data adalah hal yang krusial namun tidak cukup karena kebanyakan nilai dari data terletak pada penggunaan, bukan kepemilikan. Dalam era Big Data, seluruh data akan dianggap berharga, bahkan data paling sepele. Tidak seperti sumber daya lain, nilai data tidak berkurang setelah digunakan. Biaya petimpanan digital telah berkurang setengahnya setiap dua tahun, sementara storage density meningkat 50 juta kali dalam 50 tahun terakhir

Contoh Implementasi

Contoh skenario dimana Big Data digunakan misalnya adalah pemanfaatan data dari social media, twitter, facebook dsbnya dipadukan dengan data dari perusahaan sendiri misalnya data dari penjualan atau data pelanggan yang sudah ada di relasional database. Dengan demikian bisa didapatkan analisis untuk melakukan strategi marketing yang jitu. Misalnya dengan menganalisis orang-orang di social media yang berpengaruh untuk memasarkan produk.

Contoh real dimana Big Data benar-benar dinikmati manfaatnya adalah sebuah startup bernama Klarna. Klarna adalah startup dari Swedia yang memberikan pelayanan semacam micro financing untuk e-commerce. Yang ditawarkan Klarna adalah pembeli online bisa langsung beli barang online tanpa membayar langsung. barang akan dikirimkan ke alamat pembeli. Selanjutnya  pembeli diberi waktu untuk membayar barang jika dia sukai dengan barang yang dikirim atau mengembalikan barang tersebut jika tidak disukai.

Nah bagaimana jika pembeli tersebut tidak bertanggung jawab dan tidak membayar barang yang sudah dia terima? Disinilah Klarna memberikan solusi berbasis Big Data. Klarna melakukan analisis terhadap data dari pembeli tersebut sehingga meminimalkan resiko dimana pembeli tidak membayar barang yang sudah dia terima. Hasilnya Klarna tumbuh menjadi perusahaan micro financing besar untuk pasar e-commerce di Eropa.

Sayangnya untuk Indonesia, berdasarkan survey beberapa perusahaan besar, penggunaan Big Data masih belum optimal. Teknologi ini masih dianggap asing dan belum dianggap akan memberikan hasil yang menguntungkan.

Metode Analitik

1.     Estimasi:
• Linear Regression, Neural Network, Support Vector Machine, dll

2.     Prediksi / Peramalan:

• Linear Regression, Neural Network, Support Vector Machine, dll

Klasifikasi:

• Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Analisis Diskriminan Linear, dll

4.     Clustering:

      • K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, dll

5.     Asosiasi:

      • FP-Growth, A Priori, Koefisien Korelasi, Chi Square, dll

Data Science

Modeling dan Simulasi

Pemodelan dan simulasi (M & S) mengacu pada menggunakan model – fisik, matematis, atau jika tidak perwakilan logis dari sistem, entitas, fenomena, atau proses - sebagai dasar untuk simulasi - metode untuk menerapkan model (baik statis atau yang lain) dari waktu ke waktu – untuk mengembangkan data sebagai dasar untuk manajerial atau teknis pengambilan keputusan. M & S membantu mendapatkan informasi tentang bagaimana sesuatu akan berperilaku tanpa benar-benar menguji secara real (wikipedia). Contoh Simulasi: Metode Monte Carlo

Monte Carlo

Metode Monte Carlo (atau percobaan Monte Carlo) adalah kelas yang luas dari komputasi algoritma yang mengandalkan random sampling berulang untuk mendapatkan hasil numerik. Ide penting metode Monte Carlo menggunakan kerandoman untuk memecahkan masalah yang mungkin deterministik pada prinsipnya. Metode Monte Carlo sering digunakan dalam masalah fisik dan matematis dan yang paling berguna ketika sulit atau tidak mungkin untuk menggunakan pendekatan lain yang patut. Metode Monte Carlo ini digunakan dalam tiga kelas masalah yang berbeda: optimasi, integrasi numeric, dan menghasilkan gambar dari distribusi kemungkinan

Mengapa Simulasi

·                      Simulasi umumnya lebih murah, lebih aman dan kadang-kadang lebih etis daripada melakukan eksperimen di dunia nyata. Misalnya, superkomputer kadang-kadang digunakan untuk mensimulasikan ledakan perangkat nuklir dan efeknya dalam rangka mendukung kesiapan yang lebih baik dalam hal ledakan nuklir.
Upaya serupa dilakukan untuk mensimulasikan badai dan bencana alam lainnya.

·                    Simulasi sering dapat menjadi lebih realistis daripada eksperimen tradisional, karena mereka memungkinkan konfigurasi bebas dari parameter lingkungan yang ditemukan di bidang aplikasi operasional dari produk akhir. Contohnya mendukung operasi air dalam Angkatan Laut AS atau simulasi permukaan planet tetangga dalam penyusunan misi NASA

·           Simulasi sering dapat dilakukan lebih cepat daripada real time. Hal ini memungkinkan menggunakan mereka untuk keefisienan, khususnya ketika data yang diperlukan untuk menginisialisasi simulasi dapat dengan mudah diperoleh dari data operasional. Penggunaan simulasi ini menambahkan dukungan keputusan sistem simulasi untuk kotak alat sistem pendukung keputusan tradisional

Data Preprocessing (Mengapa?)

Ukuran untuk kualitas data: multidimensional view

•        Akurasi           : benar atau salah, akurat atau tidak

•        Kelengkapan   : tidak tercatat, tidak tersedia, ...

•        Konsistensi     : beberapa modifikasi tetapi beberapa tidak, ...

•        Timeline         : update berkala?

•        Kepercayaan   : seberapa terpercaya data yang benar?

•        Interpretability           : seberapa mudah data dapat dipahami?

Tugas utama dalam Data Preprocessing

1.     Pembersihan data

•        Isi nilai yang hilang

•        Menghaluskan data noisy

•        Mengidentifikasi atau menghapus outlier

•        Mengatasi inkonsistensi

2.     Pengurangan data

•        Pengurangan dimensi

•        Pengurangan numerosity

•        Kompresi data

3.     Transformasi data dan diskritisasi data

•        Normalisasi

•        Mengkonsep generasi hierarki

4.     Integrasi data

Integrasi beberapa database atau file

Machine Learning

Di bidang analisis data, machine learning adalah metode yang digunakan untuk merancang model yang kompleks dan algoritma untuk prediksi – yang digunakan untuk komersial, ini dikenal sebagai analisis prediktif. Model-model analitis memungkinkan peneliti, data scientist, insinyur, dan analis untuk "menghasilkan keputusan dan hasil yang handal, & berulang " dan mengungkap "wawasan tersembunyi" melalui belajar dari hubungan historis dan tren dalam data (wikipedia)

Machine Learning adalah ilmu agar komputer bertindak tanpa eksplisit diprogram. Dalam dekade terakhir, machine learning telah memberi kita mobil self-driving, pengenalan suara praktis, web dengan pencarian efektif, dan pemahaman yang jauh lebih baik dari genom manusia. Machine learning begitu terasa sekarang ini yang memungkinkan Anda menggunakannya puluhan kali sehari tanpa menyadarinya. Banyak peneliti juga berpikir ini adalah cara terbaik untuk membuat kemajuan menuju manusia tingkat AI. (Standford / Coursera)

Machine learning adalah sebuah jenis kecerdasan buatan (AI) yang menyediakan komputer dengan kemampuan untuk belajar tanpa eksplisit diprogram. Machine learning berfokus pada pengembangan program komputer yang dapat mengajar diri sendiri untuk tumbuh dan berubah bila memiliki data baru. (Whatis.com)

Data Split

Operator data split mengambil kumpulan data sebagai input dan memberikan himpunan bagian dari dataset melalui port output. Sampling type parameter memutuskan bagaimana contoh harus dikocok dalam partisi yang dihasilkan:

1.     Linear sampling: hanya membagi dataset menjadi partisi tanpa mengubah urutan contoh Subset dengan contoh-contoh berturut-turut diciptakan

2.     Shuffled sampling: membangun subset acak dataset. Contoh dipilih secara acak untuk membuat subset

3.     Stratified Sampling: Stratified Sampling membangun subset acak dan memastikan bahwa
distribusi kelas dalam subset sama seperti di seluruh dataset. Dalam kasus klasifikasi binomial, stratified sampling  membangun subset acak sehingga setiap bagian mengandung kira-kira proporsi yang sama dari dua nilai label

Kami membagi data ke dalam 2 kelompok: data Pelatihan dan Pengujian

Metode Cross Validation

•        Metode cross-validasi digunakan untuk menghindari pilihan yang tumpang tindih dari pengujian data

•        Langkah Cross-Validasi:

o   Data dibagi menjadi k subset (ukuran sama)

o   Gunakan setiap subset untuk pengujian data dan sisanya untuk pelatihan data

•        Metode ini juga disebut k-fold cross-validasi

•        Kita sering menggunakan stratified (bertingkat) sampling sebelum proses cross-validasi, karena hal ini mengurangi estimasi varians

SNA

Social media saat ini telah banyak dimanfaatkan sebagai media untuk komunikasi, sosialisasi, bahkan untuk keperluan kampanye politik, iklan/marketing, e-commerce, distribusi berita, kontrol sosial serta sebagai media interaksi antar penggemar dengan para public figure. Hal itu tentu saja dapat memberikan dampak positif maupun negatif pada masyarakat.

Sebenarnya bagaimana cara untuk mengetahui struktur relasi yang ada di social media??

Perkembangan Social network saat ini semakin berkembang pesat. Dalam suatu komunitas social network, komunitas/grup merupakan wadah yang nyaman untuk saling bertukar informasi antar anggota grup. Hal ini membuat sebuah grup pada media sosial menjadi ladang informasi, baik informasi yang disebutkan secara eksplisit ataupun secara implisit. Pemetaan dan pengukuran alur interaksi dilengkapi dengan analisis pola alur interaksi, yang didefinisikan sebagai social network analysis (SNA). Otte and Rousseau menunjukkan bahwa social network analysis (SNA) dapat digunakan untuk keperluan pengambilan informasi, termasuk hubungan interaksi dan pertemanan antar user, dimana interaksi antar user dan hubungan pertemanan dapat direpresentasikan sebagai graf.

Dalam social media, banyak orang ataupun organisasi/perusahaan bertemu untuk bertukar informasi, opini dan berkolaborasi untuk banyak tujuan. Sebagai contoh, jika divisualisasikan jaringan keterhubungan dalam social media dapat digambarkan sebagai berikut:

Gambar 1. Visualisasi Social Network Facebook (www.friend-wheel.com)

Gambar di atas merupakan visualisasi dari Social Graph pada media sosial Facebook.

Komunitas virtual merupakan suatu kumpulan obyek yang saling berinteraksi, bertukar informasi, opini dan melakukan komunikasi melalui media internet, yang pada umumnya mempunyai kesamaan diantara anggotanya.

Komunitas dalam dunia nyata direpresentasikan dalam sebuah graf yang merupakan kumpulan node yang berhubungan satu sama lain. Untuk dapat mengidentifikasi pertukaran informasi dan opini yang membentuk komunitas dari sekian topik yang saling tidak berhubungan merupakan hal yang relatif sulit. Salah satu tujuan dari beberapa penelitian mengenai SNA adalah untuk deteksi komunitas serta untuk mengidentifikasi kelompok pengguna yang berpengaruh dalam social media sehingga dapat dimanfaatkan secara lebih optimal untuk menyebarkan informasi secara lebih efektif.

Berikut merupakan hasil dari penelitian mengenai pendeteksian komunitas dalam social media.

Berdasarkan penelitian yang telah dilakukan, analisis dan implementasi SNA dapat diterapkan untuk mendapatkan berbagai informasi. Sebagai contoh adalah pada kasus dimana suatu perusahaan ingin mencari pemimpin yang populer/banyak berpengaruh di kalangan karyawan, atau ingin mengukur tingkat interaksi dan kedekatan pimpinan dengan bawahannya disuatu divisi. Informasi dan parameter yang dapat merepresentasikan hal seperti ini bermanfaat bagi bagian pengembangan SDM untuk menentukan arah pengalokasian dan positioning SDM maupun untuk mengetahui pola persebaran informasi di suatu lingkup tertentu. Hal tersebut dapat dilihat dengan menganalisis struktur dan relasi interaksi antar individu yang kemudian direpresentasikan dalam bentuk graf. Mengapa graf? Representasi social network dinyatakan dalam bentuk graf dikarenakan graf merupakan tipe representasi social network yang paling fundamental.

SNA memiliki beberapa definisi, diantaranya: Krebs mendefinisikan bahwa Social Network Analysis adalah proses pemetaan dan pengukuran relasi antara orang ke orang, sedangkan Freeman mendefinisikan sebagai teknik yang fokus mempelajari pola interaksi pada manusia yang tidak terlihat secara eksplisit. Scott mendefinisikan sebagai sekumpulan metode untuk menginvestigasi aspek relasi pada struktur sosial. Berdasarkan ketiga definisi tersebut, secara garis besar memiliki kesamaan makna, yaitu mengarah pada proses analisis jaringan sosial berkaitan dengan bentuk struktur dan pola interaksi entitas di dalamnya.

Dari pengertian tersebut dapat dikatakan bahwa SNA lebih menekankan pada interaksi antar entitas didalamnya daripada entitas itu sendiri, dengan kata lain SNA lebih banyak membahas hubungan antar aktor daripada atribut aktor tersebut. Pola interaksi antar entitas akan memberikan informasi baru. Namun bukan berarti entitas tidak ada gunanya sama sekali. Attibut pada entitas yang menjadi node pada graf memiliki informasi yang dapat membantu untuk membuat hipotesa atas fenomena yang terjadi. Sebagai contoh pada kasus jejaring sosial online di twitter, yang lebih banyak dianalisis adalah interaksi antar user twitter, dalam hal ini pola interaksi akan dapat menentukan user mana yang paling berpengaruh dalam suatu lingkup grup tertentu. Namun setelah diketahui user mana yang paling berpengaruh,kemudian tidak akan dapat dianalisis lebih lanjut mengapa user tersebut bisa mendapatkan posisi tersebut, jika tidak diketahui profil user tersebut, siapa dia di dunia nyata, apa jabatannya, dan lain sebagainya. Sejauh ini dapat dikatakan bahwa interaksi antara entitas yang membentuk relasi hanya akan dapat menyimpulkan informasi sampai pada level graf saja, namun untuk sampai bisa berguna lebih lanjut di dunia nyata, perlu diketahui pula informasi lebih jauh tentang node itu sendiri.

Namun demikian, SNA yang berada pada level graf lebih cenderung menganalisis struktur dan pola interaksi antar entitas. Freeman menyampaikan bahwa pola interasi manusia merupakan suatu aspek yang penting bagi kehidupan manusia yang terlibat didalamnya. Interaksi dalamSNA tersebut akan menjawab berbagai persoalan antara lain mengukur bagaimana individu terkoneksi dengan yang lain, bagaimana seseorang akan mempengaruhi relasi antar orang lain dan juga mengukur bagaimana individu-individu dalam satu grup saling terhubung dan berintraksi.

Sejak tahun 1970an, teknik SNA telah banyak mendapatkan perhatian dan pengembangan di berbagai bidang. Beberapa pengaplikasian SNAantara lain adalah sebagai berikut:

1.     Pengujian pada suatu jaringan peternakan untuk menganalisa bagaimana penyakit menyebar dari salah satu sapi ke sapi yang lain.

2.     Menemukan kemunculan komunitas hobi di suatu universitas.

3.     Mengungkap pola transfer pengetahuan yang mengalir pada para peneliti berdasarkan publikasi risetnya.

4.     Menentukan jurnalis dan analis yang berpengaruh di dunia IT.

5.     Mengungkap pola penyebaran HIV di suatu penjara.

6.     Memetakan jaringan orang-orang eksekutif berdasarkan aliran email.

7.     Menemukan jaringan inovator di suatu regional ekonomi.

Beberapa tahun terakhir ini arah analisis sosial network lebih mengarah pada media-media online dan aliran informasi di dunia maya. Hal ini dikarenakan jumlah informasi yang mengalir di dunia maya semakin banyak dan cepat, seperti pada facebook, twitter, youtube dan sebagainya. Hal yang menarik lainnya adalah implementasi SNA pada analisis interaksi link antar website, yang kemudian dapat meningkatkan fungsionalitas web tersebut dan efisisensi kunjungan yang semakin meningkat akibat adanya sistem rekomendasi.

Data Mining

Data mining adalah ekstraksi pola yang menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Data mining diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari sistem basis data perusahaan, e-commerce, data saham, dan data bioinformatika), tapi tidak tahu pola apa yang bisa didapatkan.

Latar belakang

Perkembangan yang pesat di bidang pengumpulan data dan teknologi penyimpanan di berbagai bidang, menghasilkan basis data yang terlampau besar. Namun, data yang dikumpulkan jarang dilihat lagi, karena terlalu panjang, membosankan, dan tidak menarik. Seringkali, keputusan -yang katanya berdasarkan data- dibuat tidak lagi berdasarkan data, melainkan dari intuisi para pembuat keputusan. Sehingga, lahirlah cabang ilmu data mining ini.

Analisis data tanpa menggunakan otomasi dari penggalian data adalah tidak memungkinkan lagi, kalau 1) data terlalu banyak, 2) dimensionalitas data terlalu besar, 3) data terlalu kompleks untuk dianalisis manual (misalnya: data time series, data spatiotemporal, data multimedia, data streams).

Text Mining

Text mining adalah proses ekstraksi pola berupa informasi dan pengetahuan yang berguna dari sejumlah besar sumber data teks, seperti dokumen Word, PDF, kutipan teks, dll. Jenis masukan untuk penambangan teks ini disebut data tak terstruktur dan merupakan pembeda utama dengan penambangan data yang menggunakan data terstruktur atau basis data sebagai masukan. Text mining dapat dianggap sebagai proses dua tahap yang diawali dengan penerapan struktur terhadap sumber data teks dan dilanjutkan dengan ekstraksi informasi dan pengetahuan yang relevan dari data teks terstruktur ini dengan menggunakan teknik dan alat yang sama dengan penambangan data. Proses yang umum dilakukan oleh penambangan teks di antaranya adalah perangkuman otomatis, kategorisasi dokumen, penggugusan teks, dll. (Turban, et.al., 2011)

Referensi

Alamsyah, Andri. Big Data and Data Analytics: Conceptual Data Science. [ppt]

Berry, M.W.; Kogan, J. (2010). Text Mining: Application and Theory. Chichester: John Wiley & Sons, Ltd. 

C. Kadushin, 2005, “Who Benefits from Network Analysis: Ethics of Social Network Research”, Social Networks, vol. 27, p. 139.

E. Otte & R. Rousseau, Social network analysis: a powerful strategy, also for the information sciences. Journal of Information Science, 28, 443-455, 2002

Eunice E. Santos, Chair et al. 2007. Effective and Efficient Methodologies for Social Network Analysis.Virginia US

Feldman, R.; Sanger, J. (2007). The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. New York: Cambridge University Press. 

J. Scott, 1992, Social Network Analysis, Newbury Park CA: Sage.

John, Paul Hatala. 2006. Social Network Analysis in Human Resource Development: A New Methodology, Louisana State University. Loisana: SagePublications

L. C. Freeman, 1979, “Centrality in social networks: I. conceptual clarification”, Social Networks, vol. 1 p.215.

SharingVision. (2013). Karakteristik Big Data. [online]. https://sharingvision.com/2013/09/karakteristik-big-data/ [4 Oktober 2016]

Teknokeras. (2014). Apa Itu Big Data?. [online]. https://openbigdata.wordpress.com/2014/08/25/apa-itu-big-data/ [4 Oktober 2016]

Turban, E.; et.al. (2011). Decision Support and Business Intelligence Systems (9 ed.). New Jersey: Pearson Education, Inc.

W. Nooy, A. Mrvar, and V. Batagelj, 2005, Exploratory Social Network Analysis with Pajek, Cambridge University Press.

Wikipedia. (2015). Penggalaian Data. [online]. https://id.wikipedia.org/wiki/Penggalian_data [5 Oktober 2016]

Xu, Guangdong. Zhang, Yanchun and Li Lin. 2011. Web Mining and Social Networking Techniques and Application. New York: Springer Science + Business Media, LLC