Nicholas Christakis: How social networks predict epidemics

Translator: Ade Indarta Reviewer: Katherine Kho

For the last 10 years, I've been spending my time trying to figure out

Selama 10 tahun, saya menghabiskan waktu untuk mencari tahu

how and why human beings

bagaimana dan mengapa manusia

assemble themselves into social networks.

berkumpul membentuk jaringan sosial.

And the kind of social network I'm talking about

Jaringan sosial yang saya maksud

is not the recent online variety,

bukan jenis jaringan online baru-baru ini,

but rather, the kind of social networks

tapi jaringan sosial

that human beings have been assembling for hundreds of thousands of years,

yang dibentuk oleh manusia sejak ratusan ribu tahun lalu,

ever since we emerged from the African savannah.

sejak kita muncul di sabana Afrika.

So, I form friendships and co-worker

Saya menjalin hubungan pertemanan

and sibling and relative relationships with other people

rekan kerja, saudara, dan keluarga dengan orang lain

who in turn have similar relationships with other people.

yang punya hubungan yang sama dengan orang lain.

And this spreads on out endlessly into a distance.

Ini menyebar terus tanpa ujung.

And you get a network that looks like this.

Lalu kita dapatkan jaringan seperti ini.

Every dot is a person.

Setiap titik adalah orang.

Every line between them is a relationship between two people --

Setiap garis di antaranya adalah hubungan antara dua orang --

different kinds of relationships.

hubungan yang berbeda-beda.

And you can get this kind of vast fabric of humanity,

Yang lalu membentuk jalinan hubungan manusia seperti ini,

in which we're all embedded.

kita semua ada di dalamnya.

And my colleague, James Fowler and I have been studying for quite sometime

Rekan kerja saya, James Fowler, dan saya cukup lama mempelajari

what are the mathematical, social,

aturan-aturan matematis, sosial,

biological and psychological rules

biologis dan psikologis

that govern how these networks are assembled

yang mengatur pembentukan jaringan ini

and what are the similar rules

serta aturan serupa

that govern how they operate, how they affect our lives.

yang mengatur cara kerja, pengaruhnya pada hidup kita.

But recently, we've been wondering

Baru-baru ini, kami bertanya

whether it might be possible to take advantage of this insight,

apakah mungkin memanfaatkan pemahaman ini,

to actually find ways to improve the world,

untuk menemukan cara memperbaiki dunia,

to do something better,

melakukan dengan lebih baik,

to actually fix things, not just understand things.

benar-benar melakukan sesuatu, bukan hanya memahami.

So one of the first things we thought we would tackle

Jadi yang pertama kami lakukan

would be how we go about predicting epidemics.

adalah memprediksi epidemi.

And the current state of the art in predicting an epidemic --

Teknologi terdepan dalam memprediksi epidemi --

if you're the CDC or some other national body --

kalau Anda CDC atau badan nasional lainnya --

is to sit in the middle where you are

adalah duduk manis di kantor Anda

and collect data

mengumpulkan data

from physicians and laboratories in the field

dari dokter dan laboratorium di lapangan

that report the prevalence or the incidence of certain conditions.

yang melaporkan prevalensi atau insiden kondisi tertentu.

So, so and so patients have been diagnosed with something,

Sekian, sekian, dan sekian pasien sudah didiagnosis terkena.

or other patients have been diagnosed,

pasien lain sudah didiagnosis.

and all these data are fed into a central repository, with some delay.

semua data ini dimasukkan ke penyimpanan pusat, dengan jeda waktu.

And if everything goes smoothly,

Kalau semua berjalan lancar,

one to two weeks from now

satu atau dua minggu kemudian,

you'll know where the epidemic was today.

Anda akan tahu di mana epideminya hari itu.

And actually, about a year or so ago,

Sebenarnya, sekitar setahun lalu atau lebih,

there was this promulgation

ada kabar tentang

of the idea of Google Flu Trends, with respect to the flu,

konsep Google Flu Trends, yang terkait dengan flu,

where by looking at people's searching behavior today,

yaitu dengan melihat perilaku pencarian hari ini,

we could know where the flu --

kita bisa tahu di mana ada flu ...

what the status of the epidemic was today,

apa status epideminya hari ini,

what's the prevalence of the epidemic today.

apa prevelansi epideminya hari ini.

But what I'd like to show you today

Tapi yang ingin saya perlihatkan sekarang

is a means by which we might get

sebuah cara yang bisa digunakan

not just rapid warning about an epidemic,

tidak hanya untuk peringatan cepat adanya epidemi,

but also actually

tapi juga

early detection of an epidemic.

deteksi awal adanya epidemi.

And, in fact, this idea can be used

Ide ini bahkan bisa digunakan

not just to predict epidemics of germs,

tidak hanya untuk epidemi kuman,

but also to predict epidemics of all sorts of kinds.

tapi juga segala macam epidemi.

For example, anything that spreads by a form of social contagion

Misalnya, apa pun yang menyebar melalui penularan sosial

could be understood in this way,

bisa dipahami dengan cara ini,

from abstract ideas on the left

dari ide abstrak sebelah kiri

like patriotism, or altruism, or religion

seperti patriotisme, altruisme, atau agama,

to practices

sampai praktik

like dieting behavior, or book purchasing,

seperti perilaku makan, pembelian buku,

or drinking, or bicycle-helmet [and] other safety practices,

minum, atau helm sepeda dan praktik keamanan lainnya,

or products that people might buy,

produk yang mungkin dibeli orang-orang,

purchases of electronic goods,

pembelian barang elektronik,

anything in which there's kind of an interpersonal spread.

apa saja yang mengandung penyebaran interpersonal.

A kind of a diffusion of innovation

Semacam difusi inovasi

could be understood and predicted

bisa dipahami dan diprediksi

by the mechanism I'm going to show you now.

dengan mekanisme yang akan saya perlihatkan.

So, as all of you probably know,

Seperti yang mungkin Anda tahu,

the classic way of thinking about this

pemikiran klasik tentang ini

is the diffusion-of-innovation,

adalah difusi-inovasi,

or the adoption curve.

atau kurva adopsi.

So here on the Y-axis, we have the percent of the people affected,

Jadi di sini ada sumbu Y, persentase orang yang terpengaruh,

and on the X-axis, we have time.

di sumbu X, waktu.

And at the very beginning, not too many people are affected,

Awalnya, tidak banyak orang yang terpengaruh,

and you get this classic sigmoidal,

lalu kita dapat kurva sigmoid klasik ini,

or S-shaped, curve.

atau kurva berbentuk S.

And the reason for this shape is that at the very beginning,

Penyebab bentuk ini adalah pada awalnya,

let's say one or two people

misal saja satu atau dua orang

are infected, or affected by the thing

terpengaruh, atau terinfeksi, oleh hal itu,

and then they affect, or infect, two people,

lalu mempengaruhi, atau menginfeksi, dua orang,

who in turn affect four, eight, 16 and so forth,

yang lalu mempengaruhi 4, 8, 16 dan seterusnya,

and you get the epidemic growth phase of the curve.

kita dapatkan fase pertumbuhan epidemi pada kurva.

And eventually, you saturate the population.

Akhirnya populasi menyentuh titik saturasi.

There are fewer and fewer people

Semakin sedikit orang

who are still available that you might infect,

yang masih bisa terinfeksi,

and then you get the plateau of the curve,

lalu kita menyentuh plato kurva,

and you get this classic sigmoidal curve.

kita dapatkan kurva sigmoid klasik ini.

And this holds for germs, ideas,

Ini berlaku untuk kuman, ide,

product adoption, behaviors,

adopsi produk, perilaku,

and the like.

dan lain-lain.

But things don't just diffuse in human populations at random.

Tapi difusi dalam populasi manusia tidak terjadi secara acak.

They actually diffuse through networks.

Difusi terjadi melalui jaringan.

Because, as I said, we live our lives in networks,

Karena kita hidup dalam jaringan.

and these networks have a particular kind of a structure.

jaringan ini punya struktur tertentu.

Now if you look at a network like this --

Misal Anda melihat jaringan seperti ini ...

this is 105 people.

Ini 105 orang.

And the lines represent -- the dots are the people,

Garis ini mewakili ... titik-titik ini orang,

and the lines represent friendship relationships.

garis ini mewakili hubungan pertemanan.

You might see that people occupy

Kita bisa melihat bagaimana orang

different locations within the network.

menempati lokasi yang berbeda dalam jaringan.

And there are different kinds of relationships between the people.

Ada jenis hubungan yang berbeda antara orang-orang.

You could have friendship relationships, sibling relationships,

Kita bisa punya hubungan pertemanan, hubungan saudara,

spousal relationships, co-worker relationships,

hubungan pernikahan, hubungan kerja,

neighbor relationships and the like.

hubungan tetangga, dan sebagainya.

And different sorts of things

Berbagai hal yang berbeda ini

spread across different sorts of ties.

menyebar melalui berbagai ikatan yang berbeda.

For instance, sexually transmitted diseases

Misal, penyakit kelamin yang menular

will spread across sexual ties.

menyebar melalui ikatan seksual.

Or, for instance, people's smoking behavior

Misalnya lagi, perilaku merokok

might be influenced by their friends.

kemungkinan dipengaruhi oleh teman.

Or their altruistic or their charitable giving behavior

Atau perilaku altruistis atau kedermawanan

might be influenced by their coworkers,

mungkin dipengaruhi oleh rekan kerja,

or by their neighbors.

atau oleh tetangga.

But not all positions in the network are the same.

Tapi tidak semua posisi di dalam jaringan sama.

So if you look at this, you might immediately grasp

Kalau kita lihat ini, Anda mungkin segera memahami

that different people have different numbers of connections.

masing-masing orang punya jumlah koneksi yang berbeda.

Some people have one connection, some have two,

Ada orang yang punya satu koneksi, ada yang dua,

some have six, some have 10 connections.

ada yang enam, ada yang punya 10 koneksi.

And this is called the "degree" of a node,

Ini disebut "kelas" nodus.

or the number of connections that a node has.

atau jumlah koneksi yang dimiliki oleh nodus.

But in addition, there's something else.

Tapi selain itu, ada yang lain.

So, if you look at nodes A and B,

Kalau kita lihat nodus A dan B,

they both have six connections.

keduanya punya enam koneksi.

But if you can see this image [of the network] from a bird's eye view,

Tapi seperti yang Anda di gambar dengan skala besar ini,

you can appreciate that there's something very different

kita bisa melihat ada sesuatu yang sangat berbeda

about nodes A and B.

dari nodus A dan B.

So, let me ask you this -- I can cultivate this intuition by asking a question --

Coba Anda jawab -- saya bisa memancing intuisi ini dengan bertanya --

who would you rather be

Anda pilih jadi siapa

if a deadly germ was spreading through the network, A or B?

kalau kuman mematikan menyebar melalui jaringan, A atau B?

(Audience: B.) Nicholas Christakis: B, it's obvious.

(Pirsawan: B) Nicholas Christakis: B, jelas

B is located on the edge of the network.

B berada di bagian tepi jaringan.

Now, who would you rather be

Sekarang, Anda pilih jadi siapa

if a juicy piece of gossip were spreading through the network?

kalau ada gosip hangat yang menyebar melalui jaringan?

A. And you have an immediate appreciation

A. Kita bisa segera memahami

that A is going to be more likely

bahwa A kemungkinannya lebih besar

to get the thing that's spreading and to get it sooner

terkena yang sedang menyebar dan lebih cepat

by virtue of their structural location within the network.

karena secara struktur lokasi mereka di dalam jaringan.

A, in fact, is more central,

Posisi A memang lebih memusat,

and this can be formalized mathematically.

ini bisa diformalkan secara matematis.

So, if we want to track something

Jadi, kalau kita ingin melacak sesuatu

that was spreading through a network,

yang menyebar melalui jaringan,

what we ideally would like to do is to set up sensors

yang idealnya kita lakukan adalah menyiapkan sensor

on the central individuals within the network,

di individu-individu pusat di dalam jaringan,

including node A,

termasuk nodus A,

monitor those people that are right there in the middle of the network,

pantau orang-orang yang tepat berada di tengah-tengah jaringan,

and somehow get an early detection

dan dapatkan deteksi awal

of whatever it is that is spreading through the network.

atas apa pun yang menyebar melalui jaringan.

So if you saw them contract a germ or a piece of information,

Kalau Anda melihat mereka terkena kuman atau informasi,

you would know that, soon enough,

Anda akan tahu, segera,

everybody was about to contract this germ

semua orang akan terkena kuman ini

or this piece of information.

atau informasi ini.

And this would be much better

Ini lebih baik dari pada

than monitoring six randomly chosen people,

memantau enam orang yang dipilih secara acak,

without reference to the structure of the population.

tanpa referensi atas struktur populasi yang ada.

And in fact, if you could do that,

Bahkan, kalau kita bisa melakukan ini,

what you would see is something like this.

yang akan kita lihat adalah seperti ini.

On the left-hand panel, again, we have the S-shaped curve of adoption.

Di panel kiri, sekali lagi, kita punya kurva adopsi berbentuk S

In the dotted red line, we show

Di garis merah putus-putus, kita tampilkan

what the adoption would be in the random people,

adopsi yang terjadi pada orang-orang yang acak,

and in the left-hand line, shifted to the left,

di garis sebelah kiri, bergeser ke kiri,

we show what the adoption would be

kita tampilkan adopsi

in the central individuals within the network.

pada individu-individu pusat di dalam jaringan.

On the Y-axis is the cumulative instances of contagion,

Di sumbu Y, jumlah kumulatif penyebaran,

and on the X-axis is the time.

di sumbu X, waktu.

And on the right-hand side, we show the same data,

Di sisi kanan, kita menampilkan data yang sama,

but here with daily incidence.

tapi di sini disertai data harian.

And what we show here is -- like, here --

Yang kita tampilkan di sini -- seperti, di sini --

very few people are affected, more and more and more and up to here,

sangat sedikit orang yang terinfeksi, di atas sini semakin banyak,

and here's the peak of the epidemic.

di sini puncak epideminya.

But shifted to the left is what's occurring in the central individuals.

Tapi bergeser ke kiri adalah apa yang terjadi pada individu pusat.

And this difference in time between the two

Perbedaan waktu antara keduanya

is the early detection, the early warning we can get,

adalah deteksi awal, peringatan awal yang kita punya,

about an impending epidemic

terhadap ancaman epidemi

in the human population.

pada populasi manusia.

The problem, however,

Namun masalahnya,

is that mapping human social networks

pemetaan jaringan sosial manusia

is not always possible.

tidak selalu bisa dilakukan.

It can be expensive, not feasible,

Biayanya mahal, sangat sulit,

unethical,

tidak etis,

or, frankly, just not possible to do such a thing.

atau, sederhananya, tidak mungkin dilakukan.

So, how can we figure out

Jadi bagaimana cara mengetahui

who the central people are in a network

siapa orang pusat di suatu jaringan

without actually mapping the network?

tanpa benar-benar memetakan jaringan?

What we came up with

Yang kita ciptakan adalah

was an idea to exploit an old fact,

ide untuk mengeksploitasi fakta lama,

or a known fact, about social networks,

fakta yang sudah diketahui, tentang jaringan sosial,

which goes like this:

yang bunyinya:

Do you know that your friends

Tahukah Anda teman Anda

have more friends than you do?

punya lebih banyak teman dari pada Anda?

Your friends have more friends than you do,

Teman Anda punya lebih banyak teman dari pada Anda.

and this is known as the friendship paradox.

Ini dikenal sebagai paradoks pertemanan.

Imagine a very popular person in the social network --

Bayangkan seorang yang sangat populer di jaringan sosial --

like a party host who has hundreds of friends --

seperti tuan rumah pesta yang punya ratusan teman --

and a misanthrope who has just one friend,

dan seorang antisosial hanya punya satu teman,

and you pick someone at random from the population;

kalau Anda memilih seseorang secara acak dari populasi itu;

they were much more likely to know the party host.

kemungkinan besar mereka kenal dengan tuan rumah pesta itu.

And if they nominate the party host as their friend,

Kalau mereka menominasikan dia sebagai teman mereka,

that party host has a hundred friends,

dia berarti punya ratusan teman,

therefore, has more friends than they do.

karena itu, punya lebih banyak teman dari pada mereka.

And this, in essence, is what's known as the friendship paradox.

Ini, pada intinya, yang dikenal sebagai paradoks pertemanan.

The friends of randomly chosen people

Teman dari orang yang dipilih secara acak

have higher degree, and are more central

punya kelas yang lebih tinggi, dan lebih memusat,

than the random people themselves.

dari pada orang yang dipilih acak itu sendiri.

And you can get an intuitive appreciation for this

Secara intuitif Anda bisa memahami ini

if you imagine just the people at the perimeter of the network.

jika Anda bayangkan orang yang berada di tepi jaringan.

If you pick this person,

Kalau Anda pilih orang ini,

the only friend they have to nominate is this person,

satu-satunya teman untuk dinominasikan adalah orang ini,

who, by construction, must have at least two

yang, secara konstruksi, paling tidak punya dua teman,

and typically more friends.

biasanya bahkan lebih.

And that happens at every peripheral node.

Itu terjadi di setiap nodus periferal.

And in fact, it happens throughout the network as you move in,

Bahkan, itu terjadi di seluruh jaringan saat Anda mulai masuk,

everyone you pick, when they nominate a random --

semua yang Anda pilih, saat menominasikan secara acak...

when a random person nominates a friend of theirs,

saat orang yang acak menominasikan teman mereka,

you move closer to the center of the network.

Anda bergerak mendekat ke pusat jaringan.

So, we thought we would exploit this idea

Jadi kami pikir kami bisa memanfaatkan ide ini

in order to study whether we could predict phenomena within networks.

untuk mempelajari cara memprediksi fenomena di dalam jaringan.

Because now, with this idea

Karena dengan ide ini,

we can take a random sample of people,

kita bisa memilih sampel secara acak,

have them nominate their friends,

meminta mereka menominasikan teman mereka,

those friends would be more central,

teman mereka akan lebih memusat,

and we could do this without having to map the network.

kita bisa melakukan ini tanpa harus memetakan jaringan.

And we tested this idea with an outbreak of H1N1 flu

Kami menguji ide ini dengan wabah flu H1N1

at Harvard College

di Harvard College

in the fall and winter of 2009, just a few months ago.

musim gugur dan dingin 2009, beberapa bulan lalu.

We took 1,300 randomly selected undergraduates,

Kami memilih secara acak 1.300 mahasiswa,

we had them nominate their friends,

kami minta mereka menominasikan teman mereka,

and we followed both the random students and their friends

kami ikuti mahasiswa yang kami pilih itu dan teman mereka

daily in time

setiap hari

to see whether or not they had the flu epidemic.

untuk melihat apakah mereka terkena epidemi flu.

And we did this passively by looking at whether or not they'd gone to university health services.

Kami melakukan ini secara pasif, melihat apakah mereka pergi ke pelayanan kesehatan universitas.

And also, we had them [actively] email us a couple of times a week.

Juga minta mereka secara aktif mengirimi kami email beberapa kali seminggu.

Exactly what we predicted happened.

Yang terjadi tepat seperti yang kami perkirakan.

So the random group is in the red line.

Grup yang acak ini ada di dalam garis merah.

The epidemic in the friends group has shifted to the left, over here.

Epidemi grup teman bergerak ke kiri, di sini.

And the difference in the two is 16 days.

Perbedaan keduanya adalah 16 hari.

By monitoring the friends group,

Dengan memantau grup teman,

we could get 16 days advance warning

kami bisa mendapatkan peringatan awal 16 hari

of an impending epidemic in this human population.

ancaman epidemi di populasi manusia ini.

Now, in addition to that,

Selain itu,

if you were an analyst who was trying to study an epidemic

kalau Anda adalah analis yang mencoba mempelajari epidemi

or to predict the adoption of a product, for example,

atau memprediksi adopsi suatu produk, misalnya,

what you could do is you could pick a random sample of the population,

yang harus Anda lakukan adalah memilih secara acak sampel dari populasi,

also have them nominate their friends and follow the friends

meminta mereka menominasikan teman dan mengikuti mereka.

and follow both the randoms and the friends.

mengikuti baik sampel acak maupun teman mereka.

Among the friends, the first evidence you saw of a blip above zero

Pada teman, jika Anda melihat kedipan di atas nol

in adoption of the innovation, for example,

pada adopsi inovasi, misalnya,

would be evidence of an impending epidemic.

itu akan bukti adanya ancaman epidemi.

Or you could see the first time the two curves diverged,

Atau jika Anda melihat kedua kurva berpisah,

as shown on the left.

seperti terlihat di sebelah kiri.

When did the randoms -- when did the friends take off

Kapan sampel acak... kapan teman mereka memisahkan diri

and leave the randoms,

meninggalkan sampel acak,

and [when did] their curve start shifting?

kapan kurva mereka mulai bergeser?

And that, as indicated by the white line,

Dan seperti ditunjukkan dengan garis putih,

occurred 46 days

terjadi dalam 46 hari

before the peak of the epidemic.

sebelum puncak epidemi.

So this would be a technique

Jadi ini akan menjadi teknik

whereby we could get more than a month-and-a-half warning

yang bisa memberi peringatan satu bulan setengah lebih awal

about a flu epidemic in a particular population.

akan epidemi flu di populasi tertentu.

I should say that

Namun, harus saya katakan

how far advanced a notice one might get about something

Seawal apa pemberitahuan tentang sesuatu bisa diberikan

depends on a host of factors.

tergantung pada kerentanan inang.

It could depend on the nature of the pathogen --

Tergantung pada sifat alamiah patogen --

different pathogens,

patogen yang berbeda

using this technique, you'd get different warning --

dengan teknik ini, Anda dapat peringatan yang berbeda --

or other phenomena that are spreading,

atau fenomena lain yang menyebar,

or frankly, on the structure of the human network.

atau tentang struktur jaringan manusia.

Now in our case, although it wasn't necessary,

Dalam kasus kami, meski pun tidak perlu,

we could also actually map the network of the students.

kamu juga memetakan jaringan para mahasiswa itu.

So, this is a map of 714 students

Ini adalah peta 714 mahasiswa

and their friendship ties.

dan ikatan pertemanan mereka.

And in a minute now, I'm going to put this map into motion.

Sesaat lagi, saya akan menjalankan peta ini.

We're going to take daily cuts through the network

Kita akan melihat perkembangan jaringan per hari

for 120 days.

selama 120 hari.

The red dots are going to be cases of the flu,

Titik merah adalah kasus flu,

and the yellow dots are going to be friends of the people with the flu.

titik kuning adalah teman orang yang terkena flu.

And the size of the dots is going to be proportional

Ukuran titik akan proporsional

to how many of their friends have the flu.

terhadap banyaknya teman yang terkena flu.

So bigger dots mean more of your friends have the flu.

Jadi semakin besar titik semakin banyak teman yang terkena flu.

And if you look at this image -- here we are now in September the 13th --

Kalau Anda lihat gambar ini -- di sini sekarang tanggal 13 September --

you're going to see a few cases light up.

Anda akan melihat beberapa kasus mulai menyala.

You're going to see kind of blooming of the flu in the middle.

Kita bisa melihat titik flu semakin besar di bagian tengah.

Here we are on October the 19th.

Di sini tanggal 19 Oktober.

The slope of the epidemic curve is approaching now, in November.

Turunan kurva epidemi mulai mendekat, di bulan November.

Bang, bang, bang, bang, bang -- you're going to see lots of blooming in the middle,

Dor, dor, dor, dor, dor, kita bisa melihat banyak titik yang membesar di tengah,

and then you're going to see a sort of leveling off,

kita lalu melihat semacam penurunan,

fewer and fewer cases towards the end of December.

semakin sedikit kasus di akhir bulan Desember.

And this type of a visualization

Jenis visualisasi ini

can show that epidemics like this take root

bisa menunjukkan bahwa epidemi seperti ini berakar

and affect central individuals first,

dan mempengaruhi individu pusat dulu,

before they affect others.

sebelum mempengaruhi yang lain.

Now, as I've been suggesting,

Seperti yang saya katakan sebelumnya,

this method is not restricted to germs,

metode ini tidak terbatas pada kuman,

but actually to anything that spreads in populations.

tapi apa pun yang menyebar dalam populasi.

Information spreads in populations,

Informasi menyebar dalam populasi.

norms can spread in populations,

Norma menyebar dalam populasi.

behaviors can spread in populations.

Perilaku menyebar dalam populasi.

And by behaviors, I can mean things like criminal behavior,

Perilaku bisa berarti banyak hal seperti perilaku kriminal,

or voting behavior, or health care behavior,

atau perilaku pemilih, atau pelayanan kesehatan,

like smoking, or vaccination,

seperti merokok, atau vaksinasi,

or product adoption, or other kinds of behaviors

atau adopsi produk, atau jenis perilaku lainnya

that relate to interpersonal influence.

yang berhubungan dengan pengaruh interpersonal.

If I'm likely to do something that affects others around me,

Kalau saya bisa melakukan yang mempengaruhi yang di sekitar saya,

this technique can get early warning or early detection

teknik ini bisa memberikan peringatan awal, atau deteksi awal,

about the adoption within the population.

tentang adopsi yang ada di populasi.

The key thing is that for it to work,

Yang penting, agar berfungsi,

there has to be interpersonal influence.

harus ada pengaruh interpersonal

It cannot be because of some broadcast mechanism

Bukan karena adanya mekanisme penyiaran tertentu

affecting everyone uniformly.

yang mempengaruhi semua bersamaan.

Now the same insights

Pemahaman yang sama ini

can also be exploited -- with respect to networks --

juga bisa dimanfaatkan -- terkait dengan jaringan --

can also be exploited in other ways,

juga bisa dimanfaatkan dalam cara lain,

for example, in the use of targeting

misalnya, dalam penggunaan penargetan

specific people for interventions.

orang-orang tertentu untuk intervensi.

So, for example, most of you are probably familiar

Misalnya, Anda mungkin pernah mendengar

with the notion of herd immunity.

tentang konsep imunitas kawanan.

So, if we have a population of a thousand people,

Kalau kita punya populasi terdiri dari seribu orang,

and we want to make the population immune to a pathogen,

dan ingin membuat populasi itu kebal terhadap sebuah patogen,

we don't have to immunize every single person.

kita tidak perlu mengimunisasi semua orang.

If we immunize 960 of them,

Kalau kita mengimunisasi 960 orang,

it's as if we had immunized a hundred [percent] of them.

itu seperti kita sudah mengimunisasi seratus persen.

Because even if one or two of the non-immune people gets infected,

Karena kalau pun ada satu dua orang tidak kebal yang terinfeksi,

there's no one for them to infect.

tidak ada orang lain yang bisa mereka tulari.

They are surrounded by immunized people.

Mereka dikelilingi oleh orang-orang yang kebal.

So 96 percent is as good as 100 percent.

Jadi 96 persen sama baiknya dengan 100 persen.

Well, some other scientists have estimated

Beberapa ilmuwan sudah memperkirakan

what would happen if you took a 30 percent random sample

apa yang terjadi kalau kita mengambil sampel acak sebesar 30 persen

of these 1000 people, 300 people and immunized them.

dari 1000 orang, 300 orang dan mengimunisasi mereka.

Would you get any population-level immunity?

Apakah kita akan mendapatkan kekebalan tingkat populasi?

And the answer is no.

Jawabannya tidak.

But if you took this 30 percent, these 300 people

Tapi kalau Anda ambil 30 persen ini, 300 orang ini,

and had them nominate their friends

minta mereka menominasikan teman mereka

and took the same number of vaccine doses

mengambil jumlah dosis vaksin yang sama

and vaccinated the friends of the 300 --

memvaksinasi teman dari yang 300 itu,

the 300 friends --

300 teman,

you can get the same level of herd immunity

Anda bisa mendapatkan imunitas kawanan yang sama

as if you had vaccinated 96 percent of the population

seperti Anda memvaksinasi 96 persen populasi itu

at a much greater efficiency, with a strict budget constraint.

dengan efisiensi yang lebih besar, dengan batas anggaran yang ketat.

And similar ideas can be used, for instance,

Ide seperti ini bisa digunakan, misalnya,

to target distribution of things like bed nets

untuk membidik distribusi barang seperti kelambu

in the developing world.

di negara berkembang.

If we could understand the structure of networks in villages,

Jika kita bisa memahami struktur jaringan di desa,

we could target to whom to give the interventions

kita bisa membidik orang-orang yang akan kita intervensi

to foster these kinds of spreads.

untuk mengarahkan penyebaran ini.

Or, frankly, for advertising with all kinds of products.

Atau bisa juga untuk periklanan dengan berbagai jenis produk.

If we could understand how to target,

Kalau kita bisa memahami cara membidik target,

it could affect the efficiency

ini dapat mempengaruhi efisiensi

of what we're trying to achieve.

apa yang ingin kita capai.

And in fact, we can use data

Bahkan, kita bisa menggunakan data

from all kinds of sources nowadays [to do this].

dari segala macam jenis sumber sekarang ini untuk melakukannya.

This is a map of eight million phone users

Ini adalah peta delapan juta pengguna telepon

in a European country.

di sebuah negara Eropa.

Every dot is a person, and every line represents

Setiap titik adalah orang, dan setiap garis mewakili

a volume of calls between the people.

volume panggilan antara orang-orang itu.

And we can use such data, that's being passively obtained,

Kita bisa menggunakan data ini, yang diperoleh secara pasif,

to map these whole countries

untuk memetakan seluruh negara ini

and understand who is located where within the network.

dan memahami siapa yang berada di mana di dalam jaringan.

Without actually having to query them at all,

Tanpa harus menanyai mereka langsung,

we can get this kind of a structural insight.

kita bisa dapat pemahaman struktural ini.

And other sources of information, as you're no doubt aware

Sumber informasi lainnya, yang pastinya Anda tahu,

are available about such features, from email interactions,

menyediakan fitur semacam itu, dari interaksi email,

online interactions,

interaksi online,

online social networks and so forth.

jaringan sosial online, dan sebagainya.

And in fact, we are in the era of what I would call

Bahkan, kita ini berada di era yang saya sebut

"massive-passive" data collection efforts.

usaha pengumpulan data "luas-pasif"

They're all kinds of ways we can use massively collected data

Banyak cara yang bisa digunakan untuk mengumpulkan data secara luas

to create sensor networks

untuk membuat jaringan sensor

to follow the population,

untuk mengikuti populasi,

understand what's happening in the population,

memahami apa yang terjadi dalam populasi,

and intervene in the population for the better.

mengintervensi populasi dengan tujuan memperbaiki.

Because these new technologies tell us

Karena teknologi baru ini memberitahu kita

not just who is talking to whom,

bukan sekadar siapa berbicara dengan siapa,

but where everyone is,

tapi di mana mereka,

and what they're thinking based on what they're uploading on the Internet,

apa yang mereka pikirkan berdasarkan apa yang mereka unggah ke internet.

and what they're buying based on their purchases.

apa yang mereka beli berdasarkan pembelian mereka.

And all this administrative data can be pulled together

Semua data administratif ini bisa dikumpulkan

and processed to understand human behavior

diproses untuk memahami perilaku manusia

in a way we never could before.

dengan cara yang tidak bisa kita lakukan sebelumnya.

So, for example, we could use truckers' purchases of fuel.

Misalnya, kita bisa menggunakan data pembelian bahan bakar supir truk.

So the truckers are just going about their business,

Supir truk bisa menjalankan kegiatan mereka seperti biasa,

and they're buying fuel.

mereka membeli bahan bakar.

And we see a blip up in the truckers' purchases of fuel,

Kita bisa melihat titik berkedip pada pembelian bahan bakar supir truk,

and we know that a recession is about to end.

kita jadi tahu bahwa resesi akan berakhir.

Or we can monitor the velocity

Kita bisa memantau kecepatan

with which people are moving with their phones on a highway,

orang-orang di jalan raya dengan telepon mereka,

and the phone company can see,

perusahaan telepon bisa melihat,

as the velocity is slowing down,

kalau kecepatannya berkurang,

that there's a traffic jam.

berarti ada kemacetan.

And they can feed that information back to their subscribers,

Mereka bisa mengirimkan informasi ini ke pelanggan mereka,

but only to their subscribers on the same highway

tapi hanya ke pelanggan yang berada di jalan yang sama

located behind the traffic jam!

yang berada di belakang kemacetan itu!

Or we can monitor doctors prescribing behaviors, passively,

Kita bisa memantau perilaku pemberian resep dokter, secara pasif,

and see how the diffusion of innovation with pharmaceuticals

melihat bagaimana difusi inovasi dalam hal obat-obatan

occurs within [networks of] doctors.

terjadi di jaringan para dokter.

Or again, we can monitor purchasing behavior in people

Kita juga bisa memantau perilaku pembelian orang-orang,

and watch how these types of phenomena

melihat bagaimana fenomena ini

can diffuse within human populations.

berdifusi di dalam populasi manusia.

And there are three ways, I think,

Ada tiga cara menurut saya,

that these massive-passive data can be used.

untuk menggunakan data pasif-luas ini.

One is fully passive,

Yang pertama, benar-benar pasif,

like I just described --

seperti yang saya gambarkan --

as in, for instance, the trucker example,

misalnya dalam contoh supir truk tadi,

where we don't actually intervene in the population in any way.

kita tidak perlu mengintervensi populasi dengan cara apa pun.

One is quasi-active,

Berikutnya, quasi-aktif,

like the flu example I gave,

seperti contoh flu di atas,

where we get some people to nominate their friends

kita meminta beberapa orang menominasikan teman mereka

and then passively monitor their friends --

secara pasif memantau teman mereka --

do they have the flu, or not? -- and then get warning.

apakah terkena flu atau tidak? -- dan mendapat peringatan awal.

Or another example would be,

Contoh lainnya misal,

if you're a phone company, you figure out who's central in the network

kalau Anda adalah perusahaan telepon, Anda bisa tahu siapa yang jadi pusat jaringan,

and you ask those people, "Look, will you just text us your fever every day?

Anda minta ke orang-orang itu, "Maaf, bisa SMS-kan demam Anda setiap hari?

Just text us your temperature."

SMS-kan saja suhu Anda."

And collect vast amounts of information about people's temperature,

Kumpulkan informasi suhu orang-orang dalam jumlah yang banyak,

but from centrally located individuals.

tapi dari individu yang berada di pusat.

And be able, on a large scale,

Dalam skala yang besar, ini bisa

to monitor an impending epidemic

memantau ancaman epidemi

with very minimal input from people.

dengan input yang minimal dari orang-orang.

Or, finally, it can be more fully active --

Yang terakhir, bisa lebih aktif --

as I know subsequent speakers will also talk about today --

pembicara berikutnya hari ini juga akan berbicara tentang ini --

where people might globally participate in wikis,

di mana orang-orang bisa berpartisipasi dalam wiki secara global,

or photographing, or monitoring elections,

atau fotografi, atau pemantau pemilu,

and upload information in a way that allows us to pool

dan mengungah informasi dalam cara yang memungkinkan kita mengumpulkan

information in order to understand social processes

informasi untuk memahami proses sosial

and social phenomena.

dan fenomena sosial.

In fact, the availability of these data, I think,

Bahkan menurut saya ketersediaan data ini

heralds a kind of new era

menghantarkan kita ke era baru

of what I and others would like to call

yang saya dan rekan-rekan lain ingin sebut

"computational social science."

"ilmu sosial komputasional."

It's sort of like when Galileo invented -- or, didn't invent --

Ini seperti saat Galileo menciptakan -- atau tidak menciptakan --

came to use a telescope

menggunakan teleskop

and could see the heavens in a new way,

melihat langit dengan cara baru,

or Leeuwenhoek became aware of the microscope --

atau saat Leeuwenhoek sadar akan fungsi mikroskop --

or actually invented --

atau benar-benar menciptakannya --

and could see biology in a new way.

melihat biologi dengan cara baru.

But now we have access to these kinds of data

Sekarang kita punya akses ke data semacam ini

that allow us to understand social processes

yang memungkinkan kita memahami proses sosial

and social phenomena

dan fenomena sosial

in an entirely new way that was never before possible.

dengan cara yang benar-benar baru yang sebelumnya tidak mungkin dilakukan.

And with this science, we can

Dengan ilmu ini, kita bisa

understand how exactly

memahami bagaimana tepatnya

the whole comes to be greater

kumpulan bisa menjadi lebih besar

than the sum of its parts.

dari hasil penjumlahan bagian-bagiannya.

And actually, we can use these insights

Bahkan, kita bisa menggunakan pemahaman ini

to improve society and improve human well-being.

untuk memperbaiki masyarakat dan umat manusia.

Thank you.

Terima kasih.