Sains Rangkaian dan Penggunaannya dalam Bidang Pertanian

Penulis: Muhammad Izzat Farid Bin Musaddin,
Pusat Pengurusan ICT, MARDI

Pendahuluan

Pada zaman kini terdapat banyak kaedah yang boleh digunakan untuk analisis data mahupun unjuran berdasarkan dataset yang dimiliki. Antara yang sering disebut adalah Machine Learning dan Artificial Intelligence. Namun, kaedah yang wujud kini mempunyai objektifnya yang tersendiri. Apabila kita bercakap mengenai data yang berkaitan dengan graf dalam satu-satu rangkaian, perhatian lebih perlu diberikan kepada satu bidang yang dipanggil Sains Rangkaian (Network Science). Mungkin ramai yang akan keliru dengan istilah ini dan menyamakannya dengan Network atau rangkaian. Namun, kedua-dua istilah ini berlainan sama sekali.

Sains Rangkaian, merupakan satu kaedah analisis yang digunakan oleh para penyelidik untuk mengkaji sesuatu rangkaian manakala rangkaian merujuk kepada capaian kepada internet. Salah satu contoh adalah rangkaian sosial seperti yang terdapat dalam Facebook, Instagram, dan Twitter. Jika platform sosial ini dilihat dari sudut sains rangkaian, kita akan lihat satu graf besar di mana object yang dikenali sebagai nod akan dihubungkan dengan nod yang lain dengan garisan yang jelas boleh kita lihat dalam graf. Nod dalam graf merujuk kepada Pengguna media sosial, manakala garisan yang disebut sebagai ‘edge’ merupakan hubungan pengguna dengan pengguna yang lain. Contoh yang paling mudah ialah Ibu dan anak, maka hubungan mereka adalah keluarga. Gambar 1 berikut merupakan gambaran bagi sebuah rangkaian berdasarkan data Internet Movie Database (IMDb).

Gambar 1 menunjukkan sebahagian kecil rangkaian pelakon dalam data IMDb. Kita dapat lihat rangkaian tersebut mengandungi objek berbentuk bulatan berwarna putih dan hijau gelap yang mewakili nod, manakala garisan yang menghubungkan nod dipanggil hujung. Nod merujuk kepada pelakon atau individu dalam pangkalan data IMDb. Pinggir ataupun Edge pula menggambarkan hubungan antara pelakon dengan orang lain dalam rangkaian. Nod berwarna terang yang dikelompokkan menunjukkan kepadatan tinggi dan mempunyai hubungan yang kuat manakala nod berwarna hijau gelap tiada dalam kelompok dan berdiri secara sendiri.   Selain itu, apabila melihat kembali rangkaian dalam Gambar 1, terdapat kelainan dalam kegelapan warna bagi nod hijau. Nod yang paling gelap merujuk kepada individu yang mempunyai hubungan atau jumlah pinggir (edge) yang paling banyak.

Analisis dalam Sains Rangkaian

Apabila membuat analisis rangkaian, kita ingin mengenal pasti ciri-ciri yang ada dalam satu-satu rangkaian. Kita dapat mengenal pasti berapa jumlah nod dan pinggir (edge) yang terdapat dalam rangkain yang dianalisis. Dengan maklumat ini kita boleh bayangkan saiz sesebuah rangkain dan membuat plan secara sistematik. Plan di sini bermaksud pemilihan kaedah susulan daripada mengetahui ciri asas rangkaian. Hal ini penting kerana apabila kita menjalankan analisis rangkain yang sangat besar, di samping tidak menggunakan kaedah yang sesuai, masa pelaksanaan akan jadi sangat lama. Selain itu, antara kriteria yang sering dicari Sains Rangkaian adalah mengenalpasti pengaruh. Secara khususnya kita ingin mengetahui siapa yang mempunyai pengaruh yang paling tinggi terhadap orang lain dalam rangkaian sosial. Hal ini penting kerana orang yang berpengaruh tinggi boleh menyebarkan maklumat dengan mudah, dan ia sering digunakan dalam pemasaran viral dan kempen politik (Ghanem et al., 2012).

Dalam Sains Rangkaian, untuk mengenal pasti pengaruh dalam sesebuah rangkaian adalah dengan menggunakan ciri yang boleh dikenali sebagai centrality measure. Ia merupakan kaedah yang dapat memberitahu kelakuan semasa bagi objek yang terdapat di dalam graf. Secara teorinya, centrality measure menilai sejauh mana kedudukan seseorang berada di tengah rangkaian sosial (Peng et al., 2018). Namun, measure yang sering digunakan adalah Degree Centrality di mana ia dapat memberikan maklumat jumlah perhubungan seseorang terhadap orang lain. Maklumat ini penting untuk mengetahui siapa yang penting dalam rangkaian yang dikaji. Apabila kita dapat mengenal pasti orang yang mempunyai jumlah perhubungan yang tinggi, kita boleh mendekati individu tersebut apabila kita mempunyai objektif untuk menyebarkan maklumat kepada mereka. Semakin tinggi nilai darjah centrality, semakin penting orang tersebut di dalam satu-satu rangkaian. Namun, adakah mencukupi dengan mengetahui bahawa seseorang itu mempunyai degree centrality yang tinggi? Jawapannya tidak. Hal ini kerana walaupun seseorang individu mempunyai nilai degree centrality yang tinggi, ia tidak menjamin kepantasan capaian terhadap orang lain. Ada kemungkinan bukan semua kenalan seseorang itu duduk di dalam ruang yang sama lalu menyukarkan mereka untuk berhubung.  Oleh itu, kita perlu juga menggunakan centrality measure yang lain seperti

Betweenness dan Close Centrality. Betweenness Centrality dapat memberitahu kita nod atau individu manakah yang merupakan jambatan yang menghubungkan satu kelompok manusia dengan kelompok yang lain. Sekiranya tiada tugas menghubungkan kelompok dalam graf, maka sukar untuk kita menyebarkan maklumat sesama kelompok. Closeness Centrality pula menggambarkan purata jauh jarak antara satu individu dengan yang lain. Hal ini sangat penting untuk mengenal pasti individu yang mempunyai nilai markah closeness yang tinggi supaya individu tersebut dapat menyebarkan maklumat dengan pantas. Dengan adanya maklumat sebegini, kita dapat memperoleh data berkenaan individu yang paling penting dalam sebuah rangkaian yang kemudiannya memudahkan pihak berkepentingan untuk membuat keputusan.

Sains Rangkaian dan Pertanian

Pertanian juga merupakan satu bidang yang boleh mempraktikkan kaedah analisis rangkaian menggunakan kaedah Sains Rangkaian. Satu sudut yang boleh dilihat adalah rangkaian sosial yang melibatkan petani, pedagang, pemproses, pengangkut, pemborong, peruncit, dan pengguna akhir . Namun dimanakah boleh kita peroleh data-data ini. Gambar 2 yang berikut merupakan rantaian bekalan makanan di mana kita boleh peroleh data sosial dan kemudiannya mewujudkan satu rangkaian.

Daripada rangkaian tersebut, kita boleh menganalisis serta memahami hubungan antara pelbagai entiti di samping membuat keputusan atas isu-isu yang mungkin timbul di mana-mana elemen rantaian bekalan (Windsor et al., 2022). Apabila kita kaitkan data ini dengan pengaruh, kita boleh mengenalpasti entiti rantaian bekalan yang paling penting dan berpengaruh. Ini akan merujuk kepada markah yang diterima daripada menjalankan analisis rangkaian berdasarkan nilai centrality yang biasa digunakan oleh penyelidik iaitu Degree, Closeness dan Betweenness Centrality. Individu tersebut amat diperlukan bagi mengekalkan keharmonian dalam rangkaian. Selain itu, pengaruh tinggi dalam rangkaian akan memudahkan lagi penyebaran maklumat dari satu individu yang berpengaruh kepada yang lain.  Setiap entiti yang wujud dalam rangkaian boleh memperoleh kaedah yang optimum untuk sebarang perkongsian maklumat (Yu & Gambrah, 2024).

Satu lagi situasi di mana Sains Rangkaian berguna dalam pertanian adalah ia membantu dalam pertukaran pengetahuan pertanian dan memberi tumpuan kepada hubungan sosial dalam rangkaian. Satu kajian di Ghana memeriksa rangkaian pengetahuan agraria di pelbagai komuniti, dan setiap komuniti mempunyai pendedahan yang berbeza terhadap intervensi pembangunan pertanian (Cadger et al., 2016). Rangkaian tersebut terdiri daripada hubungan antara kumpulan-kumpulan yang berbeza. Oleh itu, ini memudahkan pengenalan kaedah agroekologi yang canggih kepada peserta rangkaian yang baru.

Apabila kita memfokuskan perhatian kepada Biodiversiti, terdapat keperluan untuk menentukan pihak berkepentingan dalam strategi infrastruktur hijau, satu inisiatif oleh Suruhanjaya Eropah (Hauck et al., 2016). Ini memastikan bahawa dengan menentukan pengaruh di kalangan pihak berkepentingan, stakeholders, para penyelidik dapat mengambil bahagian dalam proses pembangunan senario untuk menganalisis akibat daripada pelbagai pilihan pelaksanaan strategi infrastruktur hijau Eropah. Selain itu, usaha ini diperlukan untuk mematah balikkan kehilangan Biodiversiti (Hauck et al., 2016). Di sinilah kajian mengenai rangkaian sosial orang-orang berpengaruh menggunakan ukuran kepentingan (centrality measures) berperanan, menyediakan pelbagai kaedah untuk mengenal pasti pengaruh dalam rangkaian.

Satu kajian telah dijalankan di China oleh Yang et al. (2022) untuk memahami struktur rangkaian spatial bagi kecekapan penggunaan air pertanian, Agricultural Water Use Efficiency (AWUE), iaitu dari segi korelasi spatial dan juga faktor-faktor yang mempengaruhi prestasi AWUE. Untuk mencapai matlamat ini, salah satu kaedah yang digunakan adalah Sains Rangkaian, yang memainkan peranan penting dalam memperoleh penerangan (insights) tentang ciri-ciri struktur keseluruhan, seperti ketumpatan (density) rangkaian dan hubungan (connectivity) yang wujud dalam AWUE. Dalam memahami ciri-ciri struktur individu AWUE, ukuran pusat (centrality measure) telah dikira bagi mengenal pasti kedudukan berdasarkan pengaruh yang diberikan oleh kawasan tersebut.

Kesimpulan

Secara kesimpulannya, Sains Rangkaian merupakan bidang sains komputer yang dapat membantu memahami struktur serta juga hubungan dalam sebuah rangkaian. Selain itu, kita juga dapat mengetahui ketumpatan dan ciri-ciri nod selepas menjalankan analisis rangkaian. Dengan adanya maklumat sebegini, kita dapat mengenal pasti individu yang berpengaruh dalam rangkaian supaya menjana keputusan lebih lanjut.

Selain daripada itu, maklumat yang diperoleh daripada analisis rangkaian sangat berguna apabila dipraktikkan dalam sektor pertanian, di mana faktor pengaruh seseorang memainkan peranan penting dalam rangkaian sosial. Hal ini memudahkan lagi penyebaran maklumat kepada orang yang terdapat dalam sebuah rangkaian. Selain itu, para petani juga akan memperoleh manfaat daripada pengetahun ini dari segi pertukaran pengetahuan pertanian yang baharu.

Rujukan

1. Cadger, K., Quaicoo, A., Dawoe, E., & Isaac, M. (2016). Development Interventions and Agriculture Adaptation: A Social Network Analysis of Farmer Knowledge Transfer in Ghana. Agriculture, 6(3), 32. https://doi.org/10.3390/agriculture6030032
2. Ghanem, A. G., Vedanarayanan, S., & Minai, A. A. (2012). Agents of influence in social networks. Adaptive Agents and Multi-Agents Systems, 551–558. https://doi.org/10.5555/2343576.2343655
3. Hauck, J., Schmidt, J., & Werner, A. (2016). Using social network analysis to identify key stakeholders in agricultural biodiversity governance and related land-use decisions at regional and local level. Ecology and Society, 21(2). https://doi.org/10.5751/es-08596-210249
4. Malik, S., Kanhere, S. S., & Jurdak, R. (2018). ProductChain: Scalable Blockchain Framework to Support Provenance in Supply Chains. https://doi.org/10.1109/nca.2018.8548322
5. Peng, S. et al. (2018) ‘Influence Analysis in social networks: A survey’, Journal of Network and Computer Applications, 106, pp. 17–32. doi:10.1016/j.jnca.2018.01.005.
6. Windsor, F. M., Armenteras, D., Assis, A. P. A., Astegiano, J., Santana, P. C., Cagnolo, L., Carvalheiro, L. G., Emary, C., Fort, H., Gonzalez, X. I., Kitson, J. J., Lacerda, A. C., Lois, M., Márquez-Velásquez, V., Miller, K. E., Monasterolo, M., Omacini, M., Maia, K. P., Palacios, T. P.,Evans, D. M. (2022). Network science: Applications for sustainable agroecosystems and food security. Perspectives in Ecology and Conservation, 20(2), 79–90. https://doi.org/10.1016/j.pecon.2022.03.001
7. Yu, Q., & Gambrah, P. P. (2024). Information Network Among Farmers: A Case Study in Ghana. SAGE Open, 14(1). https://doi.org/10.1177/21582440241228696
8. Yang, G., Gong, G., & Gui, Q. (2022). Exploring the Spatial Network Structure of Agricultural Water Use Efficiency in China: A Social Network Perspective. Sustainability, 14(5), 2668. https://doi.org/10