ABOUT THE SPEAKER
Nicholas Christakis - Physician, social scientist
Nicholas Christakis explores how the large-scale, face-to-face social networks in which we are embedded affect our lives, and what we can do to take advantage of this fact.

Why you should listen

People aren't merely social animals in the usual sense, for we don't just live in groups. We live in networks -- and we have done so ever since we emerged from the African savannah. Via intricately branching paths tracing out cascading family connections, friendship ties, and work relationships, we are interconnected to hundreds or even thousands of specific people, most of whom we do not know. We affect them and they affect us.

Nicholas Christakis' work examines the biological, psychological, sociological, and mathematical rules that govern how we form these social networks, and the rules that govern how they shape our lives. His work shows how phenomena as diverse as obesity, smoking, emotions, ideas, germs, and altruism can spread through our social ties, and how genes can partially underlie our creation of social ties to begin with. His work also sheds light on how we might take advantage of an understanding of social networks to make the world a better place.

At Yale, Christakis is a Professor of Social and Natural Science, and he directs a diverse research group in the field of biosocial science, primarily investigating social networks. His popular undergraduate course "Health of the Public" is available as a podcast. His book, Connected, co-authored with James H. Fowler, appeared in 2009, and has been translated into 20 languages. In 2009, he was named by Time magazine to its annual list of the 100 most influential people in the world, and also, in 2009 and 2010, by Foreign Policy magazine to its list of 100 top global thinkers

More profile about the speaker
Nicholas Christakis | Speaker | TED.com
TED@Cannes

Nicholas Christakis: How social networks predict epidemics

Nicholas Christakis: Bagaimana jaringan sosial memprediksi epidemi

Filmed:
669,862 views

Setelah memetakan jaringan sosial manusia yang kompleks, Nicholas Christakis dan rekan kerjanya, James Fowler, menyelidiki bagaimana informasi ini bisa menjadikan hidup kita lebih baik. Sekarang dia mengungkapkan temuan terbarunya: Jaringan ini bisa digunakan untuk deteksi awal epidemi, dari penyebaran ide yang inovatif hingga perilaku yang berbahaya hingga virus (seperti H1N1).
- Physician, social scientist
Nicholas Christakis explores how the large-scale, face-to-face social networks in which we are embedded affect our lives, and what we can do to take advantage of this fact. Full bio

Double-click the English transcript below to play the video.

00:15
For the last 10 yearstahun, I've been spendingpengeluaran my time tryingmencoba to figureangka out
0
0
3000
Selama 10 tahun, saya menghabiskan waktu untuk mencari tahu
00:18
how and why humanmanusia beingsmakhluk
1
3000
2000
bagaimana dan mengapa manusia
00:20
assembleberkumpul themselvesdiri into socialsosial networksjaringan.
2
5000
3000
berkumpul membentuk jaringan sosial.
00:23
And the kindjenis of socialsosial networkjaringan I'm talkingpembicaraan about
3
8000
2000
Jaringan sosial yang saya maksud
00:25
is not the recentbaru onlineon line varietyvariasi,
4
10000
2000
bukan jenis jaringan online baru-baru ini,
00:27
but ratheragak, the kindjenis of socialsosial networksjaringan
5
12000
2000
tapi jaringan sosial
00:29
that humanmanusia beingsmakhluk have been assemblingperakitan for hundredsratusan of thousandsribuan of yearstahun,
6
14000
3000
yang dibentuk oleh manusia sejak ratusan ribu tahun lalu,
00:32
ever sincesejak we emergedmuncul from the AfricanAfrika savannahSavannah.
7
17000
3000
sejak kita muncul di sabana Afrika.
00:35
So, I formbentuk friendshipspersahabatan and co-workerrekan kerja
8
20000
2000
Saya menjalin hubungan pertemanan
00:37
and siblingsaudara kandung and relativerelatif relationshipshubungan with other people
9
22000
3000
rekan kerja, saudara, dan keluarga dengan orang lain
00:40
who in turnbelok have similarserupa relationshipshubungan with other people.
10
25000
2000
yang punya hubungan yang sama dengan orang lain.
00:42
And this spreadsmenyebar on out endlesslytanpa henti into a distancejarak.
11
27000
3000
Ini menyebar terus tanpa ujung.
00:45
And you get a networkjaringan that looksterlihat like this.
12
30000
2000
Lalu kita dapatkan jaringan seperti ini.
00:47
EverySetiap dotdot is a personorang.
13
32000
2000
Setiap titik adalah orang.
00:49
EverySetiap linegaris betweenantara them is a relationshiphubungan betweenantara two people --
14
34000
2000
Setiap garis di antaranya adalah hubungan antara dua orang --
00:51
differentberbeda kindsmacam of relationshipshubungan.
15
36000
2000
hubungan yang berbeda-beda.
00:53
And you can get this kindjenis of vastluas fabrickain of humanitykemanusiaan,
16
38000
3000
Yang lalu membentuk jalinan hubungan manusia seperti ini,
00:56
in whichyang we're all embeddedtertanam.
17
41000
2000
kita semua ada di dalamnya.
00:58
And my colleaguerekan, JamesJames FowlerFowler and I have been studyingbelajar for quitecukup sometimebeberapa waktu
18
43000
3000
Rekan kerja saya, James Fowler, dan saya cukup lama mempelajari
01:01
what are the mathematicalmatematis, socialsosial,
19
46000
2000
aturan-aturan matematis, sosial,
01:03
biologicalbiologis and psychologicalpsikologis rulesaturan
20
48000
3000
biologis dan psikologis
01:06
that governmemerintah how these networksjaringan are assembleddirakit
21
51000
2000
yang mengatur pembentukan jaringan ini
01:08
and what are the similarserupa rulesaturan
22
53000
2000
serta aturan serupa
01:10
that governmemerintah how they operateberoperasi, how they affectmempengaruhi our liveshidup.
23
55000
3000
yang mengatur cara kerja, pengaruhnya pada hidup kita.
01:13
But recentlybaru saja, we'vekita sudah been wonderingbertanya-tanya
24
58000
2000
Baru-baru ini, kami bertanya
01:15
whetherapakah it mightmungkin be possiblemungkin to take advantagekeuntungan of this insightwawasan,
25
60000
3000
apakah mungkin memanfaatkan pemahaman ini,
01:18
to actuallysebenarnya find wayscara to improvememperbaiki the worlddunia,
26
63000
2000
untuk menemukan cara memperbaiki dunia,
01:20
to do something better,
27
65000
2000
melakukan dengan lebih baik,
01:22
to actuallysebenarnya fixmemperbaiki things, not just understandmemahami things.
28
67000
3000
benar-benar melakukan sesuatu, bukan hanya memahami.
01:25
So one of the first things we thought we would tacklemengatasi
29
70000
3000
Jadi yang pertama kami lakukan
01:28
would be how we go about predictingmemprediksi epidemicsepidemi.
30
73000
3000
adalah memprediksi epidemi.
01:31
And the currentarus statenegara of the artseni in predictingmemprediksi an epidemicwabah --
31
76000
2000
Teknologi terdepan dalam memprediksi epidemi --
01:33
if you're the CDCCDC or some other nationalNasional bodytubuh --
32
78000
3000
kalau Anda CDC atau badan nasional lainnya --
01:36
is to sitduduk in the middletengah where you are
33
81000
2000
adalah duduk manis di kantor Anda
01:38
and collectmengumpulkan datadata
34
83000
2000
mengumpulkan data
01:40
from physiciansdokter and laboratorieslaboratorium in the fieldbidang
35
85000
2000
dari dokter dan laboratorium di lapangan
01:42
that reportmelaporkan the prevalenceprevalensi or the incidenceinsidensi of certaintertentu conditionskondisi.
36
87000
3000
yang melaporkan prevalensi atau insiden kondisi tertentu.
01:45
So, so and so patientspasien have been diagnoseddidiagnosis with something,
37
90000
3000
Sekian, sekian, dan sekian pasien sudah didiagnosis terkena.
01:48
or other patientspasien have been diagnoseddidiagnosis,
38
93000
2000
pasien lain sudah didiagnosis.
01:50
and all these datadata are feddiberi makan into a centralpusat repositorygudang, with some delaymenunda.
39
95000
3000
semua data ini dimasukkan ke penyimpanan pusat, dengan jeda waktu.
01:53
And if everything goespergi smoothlylancar,
40
98000
2000
Kalau semua berjalan lancar,
01:55
one to two weeksminggu from now
41
100000
2000
satu atau dua minggu kemudian,
01:57
you'llAnda akan know where the epidemicwabah was todayhari ini.
42
102000
3000
Anda akan tahu di mana epideminya hari itu.
02:00
And actuallysebenarnya, about a yeartahun or so agolalu,
43
105000
2000
Sebenarnya, sekitar setahun lalu atau lebih,
02:02
there was this promulgationpenyebaran
44
107000
2000
ada kabar tentang
02:04
of the ideaide of GoogleGoogle FluFlu TrendsTren, with respectmenghormati to the fluflu,
45
109000
3000
konsep Google Flu Trends, yang terkait dengan flu,
02:07
where by looking at people'sorang-orang searchingmencari behaviortingkah laku todayhari ini,
46
112000
3000
yaitu dengan melihat perilaku pencarian hari ini,
02:10
we could know where the fluflu --
47
115000
2000
kita bisa tahu di mana ada flu ...
02:12
what the statusstatus of the epidemicwabah was todayhari ini,
48
117000
2000
apa status epideminya hari ini,
02:14
what's the prevalenceprevalensi of the epidemicwabah todayhari ini.
49
119000
3000
apa prevelansi epideminya hari ini.
02:17
But what I'd like to showmenunjukkan you todayhari ini
50
122000
2000
Tapi yang ingin saya perlihatkan sekarang
02:19
is a meanscara by whichyang we mightmungkin get
51
124000
2000
sebuah cara yang bisa digunakan
02:21
not just rapidcepat warningPERINGATAN about an epidemicwabah,
52
126000
3000
tidak hanya untuk peringatan cepat adanya epidemi,
02:24
but alsojuga actuallysebenarnya
53
129000
2000
tapi juga
02:26
earlyawal detectiondeteksi of an epidemicwabah.
54
131000
2000
deteksi awal adanya epidemi.
02:28
And, in factfakta, this ideaide can be used
55
133000
2000
Ide ini bahkan bisa digunakan
02:30
not just to predictmeramalkan epidemicsepidemi of germskuman,
56
135000
3000
tidak hanya untuk epidemi kuman,
02:33
but alsojuga to predictmeramalkan epidemicsepidemi of all sortsmacam of kindsmacam.
57
138000
3000
tapi juga segala macam epidemi.
02:37
For examplecontoh, anything that spreadsmenyebar by a formbentuk of socialsosial contagionpenyakit menular
58
142000
3000
Misalnya, apa pun yang menyebar melalui penularan sosial
02:40
could be understooddipahami in this way,
59
145000
2000
bisa dipahami dengan cara ini,
02:42
from abstractabstrak ideaside ide on the left
60
147000
2000
dari ide abstrak sebelah kiri
02:44
like patriotismpatriotisme, or altruismaltruisme, or religionagama
61
149000
3000
seperti patriotisme, altruisme, atau agama,
02:47
to practicespraktek
62
152000
2000
sampai praktik
02:49
like dietingDiet behaviortingkah laku, or bookBook purchasingpembelian,
63
154000
2000
seperti perilaku makan, pembelian buku,
02:51
or drinkingminum, or bicycle-helmetHelm Sepeda [and] other safetykeamanan practicespraktek,
64
156000
3000
minum, atau helm sepeda dan praktik keamanan lainnya,
02:54
or productsproduk that people mightmungkin buymembeli,
65
159000
2000
produk yang mungkin dibeli orang-orang,
02:56
purchasespembelian of electronicelektronik goodsbarang,
66
161000
2000
pembelian barang elektronik,
02:58
anything in whichyang there's kindjenis of an interpersonalinterpersonal spreadpenyebaran.
67
163000
3000
apa saja yang mengandung penyebaran interpersonal.
03:01
A kindjenis of a diffusiondifusi of innovationinovasi
68
166000
2000
Semacam difusi inovasi
03:03
could be understooddipahami and predicteddiprediksi
69
168000
2000
bisa dipahami dan diprediksi
03:05
by the mechanismmekanisme I'm going to showmenunjukkan you now.
70
170000
3000
dengan mekanisme yang akan saya perlihatkan.
03:08
So, as all of you probablymungkin know,
71
173000
2000
Seperti yang mungkin Anda tahu,
03:10
the classicklasik way of thinkingberpikir about this
72
175000
2000
pemikiran klasik tentang ini
03:12
is the diffusion-of-innovationdifusi-dari-inovasi,
73
177000
2000
adalah difusi-inovasi,
03:14
or the adoptionadopsi curvemelengkung.
74
179000
2000
atau kurva adopsi.
03:16
So here on the Y-axisSumbu, we have the percentpersen of the people affectedterpengaruh,
75
181000
2000
Jadi di sini ada sumbu Y, persentase orang yang terpengaruh,
03:18
and on the X-axisSumbu x, we have time.
76
183000
2000
di sumbu X, waktu.
03:20
And at the very beginningawal, not too manybanyak people are affectedterpengaruh,
77
185000
3000
Awalnya, tidak banyak orang yang terpengaruh,
03:23
and you get this classicklasik sigmoidalsigmoidal,
78
188000
2000
lalu kita dapat kurva sigmoid klasik ini,
03:25
or S-shapedBerbentuk S, curvemelengkung.
79
190000
2000
atau kurva berbentuk S.
03:27
And the reasonalasan for this shapebentuk is that at the very beginningawal,
80
192000
2000
Penyebab bentuk ini adalah pada awalnya,
03:29
let's say one or two people
81
194000
2000
misal saja satu atau dua orang
03:31
are infectedterinfeksi, or affectedterpengaruh by the thing
82
196000
2000
terpengaruh, atau terinfeksi, oleh hal itu,
03:33
and then they affectmempengaruhi, or infectmenginfeksi, two people,
83
198000
2000
lalu mempengaruhi, atau menginfeksi, dua orang,
03:35
who in turnbelok affectmempengaruhi fourempat, eightdelapan, 16 and so forthsebagainya,
84
200000
3000
yang lalu mempengaruhi 4, 8, 16 dan seterusnya,
03:38
and you get the epidemicwabah growthpertumbuhan phasefase of the curvemelengkung.
85
203000
3000
kita dapatkan fase pertumbuhan epidemi pada kurva.
03:41
And eventuallyakhirnya, you saturatejenuh the populationpopulasi.
86
206000
2000
Akhirnya populasi menyentuh titik saturasi.
03:43
There are fewerlebih sedikit and fewerlebih sedikit people
87
208000
2000
Semakin sedikit orang
03:45
who are still availabletersedia that you mightmungkin infectmenginfeksi,
88
210000
2000
yang masih bisa terinfeksi,
03:47
and then you get the plateaudataran of the curvemelengkung,
89
212000
2000
lalu kita menyentuh plato kurva,
03:49
and you get this classicklasik sigmoidalsigmoidal curvemelengkung.
90
214000
3000
kita dapatkan kurva sigmoid klasik ini.
03:52
And this holdsmemegang for germskuman, ideaside ide,
91
217000
2000
Ini berlaku untuk kuman, ide,
03:54
productproduk adoptionadopsi, behaviorsperilaku,
92
219000
2000
adopsi produk, perilaku,
03:56
and the like.
93
221000
2000
dan lain-lain.
03:58
But things don't just diffusemenyebar in humanmanusia populationspopulasi at randomacak.
94
223000
3000
Tapi difusi dalam populasi manusia tidak terjadi secara acak.
04:01
They actuallysebenarnya diffusemenyebar throughmelalui networksjaringan.
95
226000
2000
Difusi terjadi melalui jaringan.
04:03
Because, as I said, we livehidup our liveshidup in networksjaringan,
96
228000
3000
Karena kita hidup dalam jaringan.
04:06
and these networksjaringan have a particulartertentu kindjenis of a structurestruktur.
97
231000
3000
jaringan ini punya struktur tertentu.
04:09
Now if you look at a networkjaringan like this --
98
234000
2000
Misal Anda melihat jaringan seperti ini ...
04:11
this is 105 people.
99
236000
2000
Ini 105 orang.
04:13
And the linesgaris representmewakili -- the dotstitik-titik are the people,
100
238000
2000
Garis ini mewakili ... titik-titik ini orang,
04:15
and the linesgaris representmewakili friendshippersahabatan relationshipshubungan.
101
240000
2000
garis ini mewakili hubungan pertemanan.
04:17
You mightmungkin see that people occupymenempati
102
242000
2000
Kita bisa melihat bagaimana orang
04:19
differentberbeda locationslokasi withindalam the networkjaringan.
103
244000
2000
menempati lokasi yang berbeda dalam jaringan.
04:21
And there are differentberbeda kindsmacam of relationshipshubungan betweenantara the people.
104
246000
2000
Ada jenis hubungan yang berbeda antara orang-orang.
04:23
You could have friendshippersahabatan relationshipshubungan, siblingsaudara kandung relationshipshubungan,
105
248000
3000
Kita bisa punya hubungan pertemanan, hubungan saudara,
04:26
spousalsuami-istri relationshipshubungan, co-workerrekan kerja relationshipshubungan,
106
251000
3000
hubungan pernikahan, hubungan kerja,
04:29
neighbortetangga relationshipshubungan and the like.
107
254000
3000
hubungan tetangga, dan sebagainya.
04:32
And differentberbeda sortsmacam of things
108
257000
2000
Berbagai hal yang berbeda ini
04:34
spreadpenyebaran acrossmenyeberang differentberbeda sortsmacam of tiesikatan.
109
259000
2000
menyebar melalui berbagai ikatan yang berbeda.
04:36
For instancecontoh, sexuallysecara seksual transmittedditransmisikan diseasespenyakit
110
261000
2000
Misal, penyakit kelamin yang menular
04:38
will spreadpenyebaran acrossmenyeberang sexualseksual tiesikatan.
111
263000
2000
menyebar melalui ikatan seksual.
04:40
Or, for instancecontoh, people'sorang-orang smokingmerokok behaviortingkah laku
112
265000
2000
Misalnya lagi, perilaku merokok
04:42
mightmungkin be influencedterpengaruh by theirmereka friendsteman.
113
267000
2000
kemungkinan dipengaruhi oleh teman.
04:44
Or theirmereka altruisticaltruistik or theirmereka charitableamal givingmemberi behaviortingkah laku
114
269000
2000
Atau perilaku altruistis atau kedermawanan
04:46
mightmungkin be influencedterpengaruh by theirmereka coworkersrekan kerja,
115
271000
2000
mungkin dipengaruhi oleh rekan kerja,
04:48
or by theirmereka neighborstetangga.
116
273000
2000
atau oleh tetangga.
04:50
But not all positionsposisi in the networkjaringan are the samesama.
117
275000
3000
Tapi tidak semua posisi di dalam jaringan sama.
04:53
So if you look at this, you mightmungkin immediatelysegera graspmemahami
118
278000
2000
Kalau kita lihat ini, Anda mungkin segera memahami
04:55
that differentberbeda people have differentberbeda numbersangka of connectionskoneksi.
119
280000
3000
masing-masing orang punya jumlah koneksi yang berbeda.
04:58
Some people have one connectionkoneksi, some have two,
120
283000
2000
Ada orang yang punya satu koneksi, ada yang dua,
05:00
some have sixenam, some have 10 connectionskoneksi.
121
285000
3000
ada yang enam, ada yang punya 10 koneksi.
05:03
And this is calledbernama the "degreegelar" of a nodenode,
122
288000
2000
Ini disebut "kelas" nodus.
05:05
or the numberjumlah of connectionskoneksi that a nodenode has.
123
290000
2000
atau jumlah koneksi yang dimiliki oleh nodus.
05:07
But in additiontambahan, there's something elselain.
124
292000
2000
Tapi selain itu, ada yang lain.
05:09
So, if you look at nodesnode A and B,
125
294000
2000
Kalau kita lihat nodus A dan B,
05:11
they bothkedua have sixenam connectionskoneksi.
126
296000
2000
keduanya punya enam koneksi.
05:13
But if you can see this imagegambar [of the networkjaringan] from a bird'sburung eyemata viewmelihat,
127
298000
3000
Tapi seperti yang Anda di gambar dengan skala besar ini,
05:16
you can appreciatemenghargai that there's something very differentberbeda
128
301000
2000
kita bisa melihat ada sesuatu yang sangat berbeda
05:18
about nodesnode A and B.
129
303000
2000
dari nodus A dan B.
05:20
So, let me askmeminta you this -- I can cultivatemengolah this intuitionintuisi by askingmeminta a questionpertanyaan --
130
305000
3000
Coba Anda jawab -- saya bisa memancing intuisi ini dengan bertanya --
05:23
who would you ratheragak be
131
308000
2000
Anda pilih jadi siapa
05:25
if a deadlymematikan germkuman was spreadingmenyebar throughmelalui the networkjaringan, A or B?
132
310000
3000
kalau kuman mematikan menyebar melalui jaringan, A atau B?
05:28
(AudiencePenonton: B.) NicholasNicholas ChristakisChristakis: B, it's obviousjelas.
133
313000
2000
(Pirsawan: B) Nicholas Christakis: B, jelas
05:30
B is locatedterletak on the edgetepi of the networkjaringan.
134
315000
2000
B berada di bagian tepi jaringan.
05:32
Now, who would you ratheragak be
135
317000
2000
Sekarang, Anda pilih jadi siapa
05:34
if a juicyjuicy piecebagian of gossipgosip were spreadingmenyebar throughmelalui the networkjaringan?
136
319000
3000
kalau ada gosip hangat yang menyebar melalui jaringan?
05:37
A. And you have an immediatesegera appreciationapresiasi
137
322000
3000
A. Kita bisa segera memahami
05:40
that A is going to be more likelymungkin
138
325000
2000
bahwa A kemungkinannya lebih besar
05:42
to get the thing that's spreadingmenyebar and to get it soonerlebih cepat
139
327000
3000
terkena yang sedang menyebar dan lebih cepat
05:45
by virtuekebajikan of theirmereka structuralstruktural locationlokasi withindalam the networkjaringan.
140
330000
3000
karena secara struktur lokasi mereka di dalam jaringan.
05:48
A, in factfakta, is more centralpusat,
141
333000
2000
Posisi A memang lebih memusat,
05:50
and this can be formalizeddiformalkan mathematicallymatematis.
142
335000
3000
ini bisa diformalkan secara matematis.
05:53
So, if we want to trackjalur something
143
338000
2000
Jadi, kalau kita ingin melacak sesuatu
05:55
that was spreadingmenyebar throughmelalui a networkjaringan,
144
340000
3000
yang menyebar melalui jaringan,
05:58
what we ideallyidealnya would like to do is to setset up sensorssensor
145
343000
2000
yang idealnya kita lakukan adalah menyiapkan sensor
06:00
on the centralpusat individualsindividu withindalam the networkjaringan,
146
345000
2000
di individu-individu pusat di dalam jaringan,
06:02
includingtermasuk nodenode A,
147
347000
2000
termasuk nodus A,
06:04
monitormonitor those people that are right there in the middletengah of the networkjaringan,
148
349000
3000
pantau orang-orang yang tepat berada di tengah-tengah jaringan,
06:07
and somehowentah bagaimana get an earlyawal detectiondeteksi
149
352000
2000
dan dapatkan deteksi awal
06:09
of whateverterserah it is that is spreadingmenyebar throughmelalui the networkjaringan.
150
354000
3000
atas apa pun yang menyebar melalui jaringan.
06:12
So if you saw them contractkontrak a germkuman or a piecebagian of informationinformasi,
151
357000
3000
Kalau Anda melihat mereka terkena kuman atau informasi,
06:15
you would know that, soonsegera enoughcukup,
152
360000
2000
Anda akan tahu, segera,
06:17
everybodysemua orang was about to contractkontrak this germkuman
153
362000
2000
semua orang akan terkena kuman ini
06:19
or this piecebagian of informationinformasi.
154
364000
2000
atau informasi ini.
06:21
And this would be much better
155
366000
2000
Ini lebih baik dari pada
06:23
than monitoringpemantauan sixenam randomlysecara acak chosenterpilih people,
156
368000
2000
memantau enam orang yang dipilih secara acak,
06:25
withouttanpa referencereferensi to the structurestruktur of the populationpopulasi.
157
370000
3000
tanpa referensi atas struktur populasi yang ada.
06:28
And in factfakta, if you could do that,
158
373000
2000
Bahkan, kalau kita bisa melakukan ini,
06:30
what you would see is something like this.
159
375000
2000
yang akan kita lihat adalah seperti ini.
06:32
On the left-handtangan kiri panelpanel, again, we have the S-shapedBerbentuk S curvemelengkung of adoptionadopsi.
160
377000
3000
Di panel kiri, sekali lagi, kita punya kurva adopsi berbentuk S
06:35
In the dottedbertitik redmerah linegaris, we showmenunjukkan
161
380000
2000
Di garis merah putus-putus, kita tampilkan
06:37
what the adoptionadopsi would be in the randomacak people,
162
382000
2000
adopsi yang terjadi pada orang-orang yang acak,
06:39
and in the left-handtangan kiri linegaris, shiftedbergeser to the left,
163
384000
3000
di garis sebelah kiri, bergeser ke kiri,
06:42
we showmenunjukkan what the adoptionadopsi would be
164
387000
2000
kita tampilkan adopsi
06:44
in the centralpusat individualsindividu withindalam the networkjaringan.
165
389000
2000
pada individu-individu pusat di dalam jaringan.
06:46
On the Y-axisSumbu is the cumulativekumulatif instancescontoh of contagionpenyakit menular,
166
391000
2000
Di sumbu Y, jumlah kumulatif penyebaran,
06:48
and on the X-axisSumbu x is the time.
167
393000
2000
di sumbu X, waktu.
06:50
And on the right-handtangan kanan sidesisi, we showmenunjukkan the samesama datadata,
168
395000
2000
Di sisi kanan, kita menampilkan data yang sama,
06:52
but here with dailyharian incidenceinsidensi.
169
397000
2000
tapi di sini disertai data harian.
06:54
And what we showmenunjukkan here is -- like, here --
170
399000
2000
Yang kita tampilkan di sini -- seperti, di sini --
06:56
very fewbeberapa people are affectedterpengaruh, more and more and more and up to here,
171
401000
2000
sangat sedikit orang yang terinfeksi, di atas sini semakin banyak,
06:58
and here'sini the peakpuncak of the epidemicwabah.
172
403000
2000
di sini puncak epideminya.
07:00
But shiftedbergeser to the left is what's occurringterjadi in the centralpusat individualsindividu.
173
405000
2000
Tapi bergeser ke kiri adalah apa yang terjadi pada individu pusat.
07:02
And this differenceperbedaan in time betweenantara the two
174
407000
3000
Perbedaan waktu antara keduanya
07:05
is the earlyawal detectiondeteksi, the earlyawal warningPERINGATAN we can get,
175
410000
3000
adalah deteksi awal, peringatan awal yang kita punya,
07:08
about an impendingmendatang epidemicwabah
176
413000
2000
terhadap ancaman epidemi
07:10
in the humanmanusia populationpopulasi.
177
415000
2000
pada populasi manusia.
07:12
The problemmasalah, howevernamun,
178
417000
2000
Namun masalahnya,
07:14
is that mappingpemetaan humanmanusia socialsosial networksjaringan
179
419000
2000
pemetaan jaringan sosial manusia
07:16
is not always possiblemungkin.
180
421000
2000
tidak selalu bisa dilakukan.
07:18
It can be expensivemahal, not feasiblelayak,
181
423000
2000
Biayanya mahal, sangat sulit,
07:20
unethicaltidak etis,
182
425000
2000
tidak etis,
07:22
or, franklyterus terang, just not possiblemungkin to do suchseperti itu a thing.
183
427000
3000
atau, sederhananya, tidak mungkin dilakukan.
07:25
So, how can we figureangka out
184
430000
2000
Jadi bagaimana cara mengetahui
07:27
who the centralpusat people are in a networkjaringan
185
432000
2000
siapa orang pusat di suatu jaringan
07:29
withouttanpa actuallysebenarnya mappingpemetaan the networkjaringan?
186
434000
3000
tanpa benar-benar memetakan jaringan?
07:32
What we camedatang up with
187
437000
2000
Yang kita ciptakan adalah
07:34
was an ideaide to exploitmengeksploitasi an oldtua factfakta,
188
439000
2000
ide untuk mengeksploitasi fakta lama,
07:36
or a knowndikenal factfakta, about socialsosial networksjaringan,
189
441000
2000
fakta yang sudah diketahui, tentang jaringan sosial,
07:38
whichyang goespergi like this:
190
443000
2000
yang bunyinya:
07:40
Do you know that your friendsteman
191
445000
2000
Tahukah Anda teman Anda
07:42
have more friendsteman than you do?
192
447000
3000
punya lebih banyak teman dari pada Anda?
07:45
Your friendsteman have more friendsteman than you do,
193
450000
3000
Teman Anda punya lebih banyak teman dari pada Anda.
07:48
and this is knowndikenal as the friendshippersahabatan paradoxparadoks.
194
453000
2000
Ini dikenal sebagai paradoks pertemanan.
07:50
ImagineBayangkan a very popularpopuler personorang in the socialsosial networkjaringan --
195
455000
2000
Bayangkan seorang yang sangat populer di jaringan sosial --
07:52
like a partypesta hosttuan rumah who has hundredsratusan of friendsteman --
196
457000
3000
seperti tuan rumah pesta yang punya ratusan teman --
07:55
and a misanthropepembenci orang who has just one friendteman,
197
460000
2000
dan seorang antisosial hanya punya satu teman,
07:57
and you pickmemilih someonesome one at randomacak from the populationpopulasi;
198
462000
3000
kalau Anda memilih seseorang secara acak dari populasi itu;
08:00
they were much more likelymungkin to know the partypesta hosttuan rumah.
199
465000
2000
kemungkinan besar mereka kenal dengan tuan rumah pesta itu.
08:02
And if they nominatemencalonkan the partypesta hosttuan rumah as theirmereka friendteman,
200
467000
2000
Kalau mereka menominasikan dia sebagai teman mereka,
08:04
that partypesta hosttuan rumah has a hundredratus friendsteman,
201
469000
2000
dia berarti punya ratusan teman,
08:06
thereforekarena itu, has more friendsteman than they do.
202
471000
3000
karena itu, punya lebih banyak teman dari pada mereka.
08:09
And this, in essenceesensi, is what's knowndikenal as the friendshippersahabatan paradoxparadoks.
203
474000
3000
Ini, pada intinya, yang dikenal sebagai paradoks pertemanan.
08:12
The friendsteman of randomlysecara acak chosenterpilih people
204
477000
3000
Teman dari orang yang dipilih secara acak
08:15
have higherlebih tinggi degreegelar, and are more centralpusat
205
480000
2000
punya kelas yang lebih tinggi, dan lebih memusat,
08:17
than the randomacak people themselvesdiri.
206
482000
2000
dari pada orang yang dipilih acak itu sendiri.
08:19
And you can get an intuitiveintuitif appreciationapresiasi for this
207
484000
2000
Secara intuitif Anda bisa memahami ini
08:21
if you imaginemembayangkan just the people at the perimeterperimeter of the networkjaringan.
208
486000
3000
jika Anda bayangkan orang yang berada di tepi jaringan.
08:24
If you pickmemilih this personorang,
209
489000
2000
Kalau Anda pilih orang ini,
08:26
the only friendteman they have to nominatemencalonkan is this personorang,
210
491000
3000
satu-satunya teman untuk dinominasikan adalah orang ini,
08:29
who, by constructionkonstruksi, mustharus have at leastpaling sedikit two
211
494000
2000
yang, secara konstruksi, paling tidak punya dua teman,
08:31
and typicallykhas more friendsteman.
212
496000
2000
biasanya bahkan lebih.
08:33
And that happensterjadi at everysetiap peripheralperifer nodenode.
213
498000
2000
Itu terjadi di setiap nodus periferal.
08:35
And in factfakta, it happensterjadi throughoutsepanjang the networkjaringan as you movepindah in,
214
500000
3000
Bahkan, itu terjadi di seluruh jaringan saat Anda mulai masuk,
08:38
everyonesemua orang you pickmemilih, when they nominatemencalonkan a randomacak --
215
503000
2000
semua yang Anda pilih, saat menominasikan secara acak...
08:40
when a randomacak personorang nominatesmenominasikan a friendteman of theirsmereka,
216
505000
3000
saat orang yang acak menominasikan teman mereka,
08:43
you movepindah closerlebih dekat to the centerpusat of the networkjaringan.
217
508000
3000
Anda bergerak mendekat ke pusat jaringan.
08:46
So, we thought we would exploitmengeksploitasi this ideaide
218
511000
3000
Jadi kami pikir kami bisa memanfaatkan ide ini
08:49
in ordermemesan to studybelajar whetherapakah we could predictmeramalkan phenomenafenomena withindalam networksjaringan.
219
514000
3000
untuk mempelajari cara memprediksi fenomena di dalam jaringan.
08:52
Because now, with this ideaide
220
517000
2000
Karena dengan ide ini,
08:54
we can take a randomacak samplemencicipi of people,
221
519000
2000
kita bisa memilih sampel secara acak,
08:56
have them nominatemencalonkan theirmereka friendsteman,
222
521000
2000
meminta mereka menominasikan teman mereka,
08:58
those friendsteman would be more centralpusat,
223
523000
2000
teman mereka akan lebih memusat,
09:00
and we could do this withouttanpa havingmemiliki to mappeta the networkjaringan.
224
525000
3000
kita bisa melakukan ini tanpa harus memetakan jaringan.
09:03
And we testeddiuji this ideaide with an outbreakpecahnya of H1N1 fluflu
225
528000
3000
Kami menguji ide ini dengan wabah flu H1N1
09:06
at HarvardHarvard CollegePerguruan tinggi
226
531000
2000
di Harvard College
09:08
in the falljatuh and wintermusim dingin of 2009, just a fewbeberapa monthsbulan agolalu.
227
533000
3000
musim gugur dan dingin 2009, beberapa bulan lalu.
09:11
We tookmengambil 1,300 randomlysecara acak selectedterpilih undergraduatessarjana,
228
536000
3000
Kami memilih secara acak 1.300 mahasiswa,
09:14
we had them nominatemencalonkan theirmereka friendsteman,
229
539000
2000
kami minta mereka menominasikan teman mereka,
09:16
and we followeddiikuti bothkedua the randomacak studentssiswa and theirmereka friendsteman
230
541000
2000
kami ikuti mahasiswa yang kami pilih itu dan teman mereka
09:18
dailyharian in time
231
543000
2000
setiap hari
09:20
to see whetherapakah or not they had the fluflu epidemicwabah.
232
545000
3000
untuk melihat apakah mereka terkena epidemi flu.
09:23
And we did this passivelysecara pasif by looking at whetherapakah or not they'dmereka akan gonepergi to universityUniversitas healthkesehatan servicesjasa.
233
548000
3000
Kami melakukan ini secara pasif, melihat apakah mereka pergi ke pelayanan kesehatan universitas.
09:26
And alsojuga, we had them [activelyaktif] emaile-mail us a couplepasangan of timeswaktu a weekminggu.
234
551000
3000
Juga minta mereka secara aktif mengirimi kami email beberapa kali seminggu.
09:29
ExactlyPersis what we predicteddiprediksi happenedterjadi.
235
554000
3000
Yang terjadi tepat seperti yang kami perkirakan.
09:32
So the randomacak groupkelompok is in the redmerah linegaris.
236
557000
3000
Grup yang acak ini ada di dalam garis merah.
09:35
The epidemicwabah in the friendsteman groupkelompok has shiftedbergeser to the left, over here.
237
560000
3000
Epidemi grup teman bergerak ke kiri, di sini.
09:38
And the differenceperbedaan in the two is 16 dayshari.
238
563000
3000
Perbedaan keduanya adalah 16 hari.
09:41
By monitoringpemantauan the friendsteman groupkelompok,
239
566000
2000
Dengan memantau grup teman,
09:43
we could get 16 dayshari advancemuka warningPERINGATAN
240
568000
2000
kami bisa mendapatkan peringatan awal 16 hari
09:45
of an impendingmendatang epidemicwabah in this humanmanusia populationpopulasi.
241
570000
3000
ancaman epidemi di populasi manusia ini.
09:48
Now, in additiontambahan to that,
242
573000
2000
Selain itu,
09:50
if you were an analystanalis who was tryingmencoba to studybelajar an epidemicwabah
243
575000
3000
kalau Anda adalah analis yang mencoba mempelajari epidemi
09:53
or to predictmeramalkan the adoptionadopsi of a productproduk, for examplecontoh,
244
578000
3000
atau memprediksi adopsi suatu produk, misalnya,
09:56
what you could do is you could pickmemilih a randomacak samplemencicipi of the populationpopulasi,
245
581000
3000
yang harus Anda lakukan adalah memilih secara acak sampel dari populasi,
09:59
alsojuga have them nominatemencalonkan theirmereka friendsteman and followmengikuti the friendsteman
246
584000
3000
meminta mereka menominasikan teman dan mengikuti mereka.
10:02
and followmengikuti bothkedua the randomsrandoms and the friendsteman.
247
587000
3000
mengikuti baik sampel acak maupun teman mereka.
10:05
AmongAntara the friendsteman, the first evidencebukti you saw of a blipBlip aboveatas zeronol
248
590000
3000
Pada teman, jika Anda melihat kedipan di atas nol
10:08
in adoptionadopsi of the innovationinovasi, for examplecontoh,
249
593000
3000
pada adopsi inovasi, misalnya,
10:11
would be evidencebukti of an impendingmendatang epidemicwabah.
250
596000
2000
itu akan bukti adanya ancaman epidemi.
10:13
Or you could see the first time the two curveskurva divergedmenyimpang,
251
598000
3000
Atau jika Anda melihat kedua kurva berpisah,
10:16
as shownditunjukkan on the left.
252
601000
2000
seperti terlihat di sebelah kiri.
10:18
When did the randomsrandoms -- when did the friendsteman take off
253
603000
3000
Kapan sampel acak... kapan teman mereka memisahkan diri
10:21
and leavemeninggalkan the randomsrandoms,
254
606000
2000
meninggalkan sampel acak,
10:23
and [when did] theirmereka curvemelengkung startmulai shiftingbergeser?
255
608000
2000
kapan kurva mereka mulai bergeser?
10:25
And that, as indicatedditunjukkan by the whiteputih linegaris,
256
610000
2000
Dan seperti ditunjukkan dengan garis putih,
10:27
occurredterjadi 46 dayshari
257
612000
2000
terjadi dalam 46 hari
10:29
before the peakpuncak of the epidemicwabah.
258
614000
2000
sebelum puncak epidemi.
10:31
So this would be a techniqueteknik
259
616000
2000
Jadi ini akan menjadi teknik
10:33
wherebydimana we could get more than a month-and-a-halfbulan-dan-a-setengah warningPERINGATAN
260
618000
2000
yang bisa memberi peringatan satu bulan setengah lebih awal
10:35
about a fluflu epidemicwabah in a particulartertentu populationpopulasi.
261
620000
3000
akan epidemi flu di populasi tertentu.
10:38
I should say that
262
623000
2000
Namun, harus saya katakan
10:40
how farjauh advancedmaju a noticemelihat one mightmungkin get about something
263
625000
2000
Seawal apa pemberitahuan tentang sesuatu bisa diberikan
10:42
dependstergantung on a hosttuan rumah of factorsfaktor.
264
627000
2000
tergantung pada kerentanan inang.
10:44
It could dependtergantung on the naturealam of the pathogenpatogen --
265
629000
2000
Tergantung pada sifat alamiah patogen --
10:46
differentberbeda pathogenspatogen,
266
631000
2000
patogen yang berbeda
10:48
usingmenggunakan this techniqueteknik, you'dAnda akan get differentberbeda warningPERINGATAN --
267
633000
2000
dengan teknik ini, Anda dapat peringatan yang berbeda --
10:50
or other phenomenafenomena that are spreadingmenyebar,
268
635000
2000
atau fenomena lain yang menyebar,
10:52
or franklyterus terang, on the structurestruktur of the humanmanusia networkjaringan.
269
637000
3000
atau tentang struktur jaringan manusia.
10:55
Now in our casekasus, althoughmeskipun it wasn'ttidak necessaryperlu,
270
640000
3000
Dalam kasus kami, meski pun tidak perlu,
10:58
we could alsojuga actuallysebenarnya mappeta the networkjaringan of the studentssiswa.
271
643000
2000
kamu juga memetakan jaringan para mahasiswa itu.
11:00
So, this is a mappeta of 714 studentssiswa
272
645000
2000
Ini adalah peta 714 mahasiswa
11:02
and theirmereka friendshippersahabatan tiesikatan.
273
647000
2000
dan ikatan pertemanan mereka.
11:04
And in a minutemenit now, I'm going to put this mappeta into motiongerakan.
274
649000
2000
Sesaat lagi, saya akan menjalankan peta ini.
11:06
We're going to take dailyharian cutsluka throughmelalui the networkjaringan
275
651000
2000
Kita akan melihat perkembangan jaringan per hari
11:08
for 120 dayshari.
276
653000
2000
selama 120 hari.
11:10
The redmerah dotstitik-titik are going to be caseskasus of the fluflu,
277
655000
3000
Titik merah adalah kasus flu,
11:13
and the yellowkuning dotstitik-titik are going to be friendsteman of the people with the fluflu.
278
658000
3000
titik kuning adalah teman orang yang terkena flu.
11:16
And the sizeukuran of the dotstitik-titik is going to be proportionalsebanding
279
661000
2000
Ukuran titik akan proporsional
11:18
to how manybanyak of theirmereka friendsteman have the fluflu.
280
663000
2000
terhadap banyaknya teman yang terkena flu.
11:20
So biggerlebih besar dotstitik-titik mean more of your friendsteman have the fluflu.
281
665000
3000
Jadi semakin besar titik semakin banyak teman yang terkena flu.
11:23
And if you look at this imagegambar -- here we are now in SeptemberSeptember the 13thth --
282
668000
3000
Kalau Anda lihat gambar ini -- di sini sekarang tanggal 13 September --
11:26
you're going to see a fewbeberapa caseskasus lightcahaya up.
283
671000
2000
Anda akan melihat beberapa kasus mulai menyala.
11:28
You're going to see kindjenis of bloomingmekar of the fluflu in the middletengah.
284
673000
2000
Kita bisa melihat titik flu semakin besar di bagian tengah.
11:30
Here we are on OctoberOktober the 19thth.
285
675000
3000
Di sini tanggal 19 Oktober.
11:33
The slopelereng of the epidemicwabah curvemelengkung is approachingmendekati now, in NovemberNovember.
286
678000
2000
Turunan kurva epidemi mulai mendekat, di bulan November.
11:35
BangBang, bangbang, bangbang, bangbang, bangbang -- you're going to see lots of bloomingmekar in the middletengah,
287
680000
3000
Dor, dor, dor, dor, dor, kita bisa melihat banyak titik yang membesar di tengah,
11:38
and then you're going to see a sortmenyortir of levelingmeratakan off,
288
683000
2000
kita lalu melihat semacam penurunan,
11:40
fewerlebih sedikit and fewerlebih sedikit caseskasus towardsmenuju the endakhir of DecemberDesember.
289
685000
3000
semakin sedikit kasus di akhir bulan Desember.
11:43
And this typemengetik of a visualizationvisualisasi
290
688000
2000
Jenis visualisasi ini
11:45
can showmenunjukkan that epidemicsepidemi like this take rootakar
291
690000
2000
bisa menunjukkan bahwa epidemi seperti ini berakar
11:47
and affectmempengaruhi centralpusat individualsindividu first,
292
692000
2000
dan mempengaruhi individu pusat dulu,
11:49
before they affectmempengaruhi otherslainnya.
293
694000
2000
sebelum mempengaruhi yang lain.
11:51
Now, as I've been suggestingmenyarankan,
294
696000
2000
Seperti yang saya katakan sebelumnya,
11:53
this methodmetode is not restrictedterbatas to germskuman,
295
698000
3000
metode ini tidak terbatas pada kuman,
11:56
but actuallysebenarnya to anything that spreadsmenyebar in populationspopulasi.
296
701000
2000
tapi apa pun yang menyebar dalam populasi.
11:58
InformationInformasi spreadsmenyebar in populationspopulasi,
297
703000
2000
Informasi menyebar dalam populasi.
12:00
normsnorma can spreadpenyebaran in populationspopulasi,
298
705000
2000
Norma menyebar dalam populasi.
12:02
behaviorsperilaku can spreadpenyebaran in populationspopulasi.
299
707000
2000
Perilaku menyebar dalam populasi.
12:04
And by behaviorsperilaku, I can mean things like criminalpidana behaviortingkah laku,
300
709000
3000
Perilaku bisa berarti banyak hal seperti perilaku kriminal,
12:07
or votingpemungutan suara behaviortingkah laku, or healthkesehatan carepeduli behaviortingkah laku,
301
712000
3000
atau perilaku pemilih, atau pelayanan kesehatan,
12:10
like smokingmerokok, or vaccinationvaksinasi,
302
715000
2000
seperti merokok, atau vaksinasi,
12:12
or productproduk adoptionadopsi, or other kindsmacam of behaviorsperilaku
303
717000
2000
atau adopsi produk, atau jenis perilaku lainnya
12:14
that relateberhubungan to interpersonalinterpersonal influencemempengaruhi.
304
719000
2000
yang berhubungan dengan pengaruh interpersonal.
12:16
If I'm likelymungkin to do something that affectsmempengaruhi otherslainnya around me,
305
721000
3000
Kalau saya bisa melakukan yang mempengaruhi yang di sekitar saya,
12:19
this techniqueteknik can get earlyawal warningPERINGATAN or earlyawal detectiondeteksi
306
724000
3000
teknik ini bisa memberikan peringatan awal, atau deteksi awal,
12:22
about the adoptionadopsi withindalam the populationpopulasi.
307
727000
3000
tentang adopsi yang ada di populasi.
12:25
The keykunci thing is that for it to work,
308
730000
2000
Yang penting, agar berfungsi,
12:27
there has to be interpersonalinterpersonal influencemempengaruhi.
309
732000
2000
harus ada pengaruh interpersonal
12:29
It cannottidak bisa be because of some broadcastSiaran mechanismmekanisme
310
734000
2000
Bukan karena adanya mekanisme penyiaran tertentu
12:31
affectingmempengaruhi everyonesemua orang uniformlyseragam.
311
736000
3000
yang mempengaruhi semua bersamaan.
12:35
Now the samesama insightswawasan
312
740000
2000
Pemahaman yang sama ini
12:37
can alsojuga be exploiteddieksploitasi -- with respectmenghormati to networksjaringan --
313
742000
3000
juga bisa dimanfaatkan -- terkait dengan jaringan --
12:40
can alsojuga be exploiteddieksploitasi in other wayscara,
314
745000
3000
juga bisa dimanfaatkan dalam cara lain,
12:43
for examplecontoh, in the use of targetingpenargetan
315
748000
2000
misalnya, dalam penggunaan penargetan
12:45
specificspesifik people for interventionsintervensi.
316
750000
2000
orang-orang tertentu untuk intervensi.
12:47
So, for examplecontoh, mostpaling of you are probablymungkin familiarakrab
317
752000
2000
Misalnya, Anda mungkin pernah mendengar
12:49
with the notiongagasan of herdkawanan immunitykekebalan.
318
754000
2000
tentang konsep imunitas kawanan.
12:51
So, if we have a populationpopulasi of a thousandribu people,
319
756000
3000
Kalau kita punya populasi terdiri dari seribu orang,
12:54
and we want to make the populationpopulasi immuneimun to a pathogenpatogen,
320
759000
3000
dan ingin membuat populasi itu kebal terhadap sebuah patogen,
12:57
we don't have to immunizemengimunisasi everysetiap singletunggal personorang.
321
762000
2000
kita tidak perlu mengimunisasi semua orang.
12:59
If we immunizemengimunisasi 960 of them,
322
764000
2000
Kalau kita mengimunisasi 960 orang,
13:01
it's as if we had immunizeddiimunisasi a hundredratus [percentpersen] of them.
323
766000
3000
itu seperti kita sudah mengimunisasi seratus persen.
13:04
Because even if one or two of the non-immuneBebas-imun people getsmendapat infectedterinfeksi,
324
769000
3000
Karena kalau pun ada satu dua orang tidak kebal yang terinfeksi,
13:07
there's no one for them to infectmenginfeksi.
325
772000
2000
tidak ada orang lain yang bisa mereka tulari.
13:09
They are surroundedterkepung by immunizeddiimunisasi people.
326
774000
2000
Mereka dikelilingi oleh orang-orang yang kebal.
13:11
So 96 percentpersen is as good as 100 percentpersen.
327
776000
3000
Jadi 96 persen sama baiknya dengan 100 persen.
13:14
Well, some other scientistsilmuwan have estimateddiperkirakan
328
779000
2000
Beberapa ilmuwan sudah memperkirakan
13:16
what would happenterjadi if you tookmengambil a 30 percentpersen randomacak samplemencicipi
329
781000
2000
apa yang terjadi kalau kita mengambil sampel acak sebesar 30 persen
13:18
of these 1000 people, 300 people and immunizeddiimunisasi them.
330
783000
3000
dari 1000 orang, 300 orang dan mengimunisasi mereka.
13:21
Would you get any population-leveltingkat populasi immunitykekebalan?
331
786000
2000
Apakah kita akan mendapatkan kekebalan tingkat populasi?
13:23
And the answermenjawab is no.
332
788000
3000
Jawabannya tidak.
13:26
But if you tookmengambil this 30 percentpersen, these 300 people
333
791000
2000
Tapi kalau Anda ambil 30 persen ini, 300 orang ini,
13:28
and had them nominatemencalonkan theirmereka friendsteman
334
793000
2000
minta mereka menominasikan teman mereka
13:30
and tookmengambil the samesama numberjumlah of vaccinevaksin dosesdosis
335
795000
3000
mengambil jumlah dosis vaksin yang sama
13:33
and vaccinateddivaksinasi the friendsteman of the 300 --
336
798000
2000
memvaksinasi teman dari yang 300 itu,
13:35
the 300 friendsteman --
337
800000
2000
300 teman,
13:37
you can get the samesama leveltingkat of herdkawanan immunitykekebalan
338
802000
2000
Anda bisa mendapatkan imunitas kawanan yang sama
13:39
as if you had vaccinateddivaksinasi 96 percentpersen of the populationpopulasi
339
804000
3000
seperti Anda memvaksinasi 96 persen populasi itu
13:42
at a much greaterlebih besar efficiencyefisiensi, with a strictketat budgetanggaran constraintpaksaan.
340
807000
3000
dengan efisiensi yang lebih besar, dengan batas anggaran yang ketat.
13:45
And similarserupa ideaside ide can be used, for instancecontoh,
341
810000
2000
Ide seperti ini bisa digunakan, misalnya,
13:47
to targettarget distributiondistribusi of things like bedtempat tidur netsjaring
342
812000
2000
untuk membidik distribusi barang seperti kelambu
13:49
in the developingmengembangkan worlddunia.
343
814000
2000
di negara berkembang.
13:51
If we could understandmemahami the structurestruktur of networksjaringan in villagesdesa,
344
816000
3000
Jika kita bisa memahami struktur jaringan di desa,
13:54
we could targettarget to whomsiapa to give the interventionsintervensi
345
819000
2000
kita bisa membidik orang-orang yang akan kita intervensi
13:56
to fostermendorong these kindsmacam of spreadsmenyebar.
346
821000
2000
untuk mengarahkan penyebaran ini.
13:58
Or, franklyterus terang, for advertisingiklan with all kindsmacam of productsproduk.
347
823000
3000
Atau bisa juga untuk periklanan dengan berbagai jenis produk.
14:01
If we could understandmemahami how to targettarget,
348
826000
2000
Kalau kita bisa memahami cara membidik target,
14:03
it could affectmempengaruhi the efficiencyefisiensi
349
828000
2000
ini dapat mempengaruhi efisiensi
14:05
of what we're tryingmencoba to achievemencapai.
350
830000
2000
apa yang ingin kita capai.
14:07
And in factfakta, we can use datadata
351
832000
2000
Bahkan, kita bisa menggunakan data
14:09
from all kindsmacam of sourcessumber nowadayssekarang [to do this].
352
834000
2000
dari segala macam jenis sumber sekarang ini untuk melakukannya.
14:11
This is a mappeta of eightdelapan millionjuta phonetelepon userspengguna
353
836000
2000
Ini adalah peta delapan juta pengguna telepon
14:13
in a EuropeanEropa countrynegara.
354
838000
2000
di sebuah negara Eropa.
14:15
EverySetiap dotdot is a personorang, and everysetiap linegaris representsmewakili
355
840000
2000
Setiap titik adalah orang, dan setiap garis mewakili
14:17
a volumevolume of callspanggilan betweenantara the people.
356
842000
2000
volume panggilan antara orang-orang itu.
14:19
And we can use suchseperti itu datadata, that's beingmakhluk passivelysecara pasif obtainedDiperoleh,
357
844000
3000
Kita bisa menggunakan data ini, yang diperoleh secara pasif,
14:22
to mappeta these wholeseluruh countriesnegara
358
847000
2000
untuk memetakan seluruh negara ini
14:24
and understandmemahami who is locatedterletak where withindalam the networkjaringan.
359
849000
3000
dan memahami siapa yang berada di mana di dalam jaringan.
14:27
WithoutTanpa actuallysebenarnya havingmemiliki to queryquery them at all,
360
852000
2000
Tanpa harus menanyai mereka langsung,
14:29
we can get this kindjenis of a structuralstruktural insightwawasan.
361
854000
2000
kita bisa dapat pemahaman struktural ini.
14:31
And other sourcessumber of informationinformasi, as you're no doubtkeraguan awaresadar
362
856000
3000
Sumber informasi lainnya, yang pastinya Anda tahu,
14:34
are availabletersedia about suchseperti itu featuresfitur, from emaile-mail interactionsinteraksi,
363
859000
3000
menyediakan fitur semacam itu, dari interaksi email,
14:37
onlineon line interactionsinteraksi,
364
862000
2000
interaksi online,
14:39
onlineon line socialsosial networksjaringan and so forthsebagainya.
365
864000
3000
jaringan sosial online, dan sebagainya.
14:42
And in factfakta, we are in the eraera of what I would call
366
867000
2000
Bahkan, kita ini berada di era yang saya sebut
14:44
"massive-passivebesar-besaran-pasif" datadata collectionkoleksi effortsupaya.
367
869000
3000
usaha pengumpulan data "luas-pasif"
14:47
They're all kindsmacam of wayscara we can use massivelysecara besar-besaran collecteddikumpulkan datadata
368
872000
3000
Banyak cara yang bisa digunakan untuk mengumpulkan data secara luas
14:50
to createmembuat sensorsensor networksjaringan
369
875000
3000
untuk membuat jaringan sensor
14:53
to followmengikuti the populationpopulasi,
370
878000
2000
untuk mengikuti populasi,
14:55
understandmemahami what's happeningkejadian in the populationpopulasi,
371
880000
2000
memahami apa yang terjadi dalam populasi,
14:57
and intervenecampur tangan in the populationpopulasi for the better.
372
882000
3000
mengintervensi populasi dengan tujuan memperbaiki.
15:00
Because these newbaru technologiesteknologi tell us
373
885000
2000
Karena teknologi baru ini memberitahu kita
15:02
not just who is talkingpembicaraan to whomsiapa,
374
887000
2000
bukan sekadar siapa berbicara dengan siapa,
15:04
but where everyonesemua orang is,
375
889000
2000
tapi di mana mereka,
15:06
and what they're thinkingberpikir basedberbasis on what they're uploadingmeng-upload on the InternetInternet,
376
891000
3000
apa yang mereka pikirkan berdasarkan apa yang mereka unggah ke internet.
15:09
and what they're buyingpembelian basedberbasis on theirmereka purchasespembelian.
377
894000
2000
apa yang mereka beli berdasarkan pembelian mereka.
15:11
And all this administrativeadministratif datadata can be pulledditarik togetherbersama
378
896000
3000
Semua data administratif ini bisa dikumpulkan
15:14
and processeddiproses to understandmemahami humanmanusia behaviortingkah laku
379
899000
2000
diproses untuk memahami perilaku manusia
15:16
in a way we never could before.
380
901000
3000
dengan cara yang tidak bisa kita lakukan sebelumnya.
15:19
So, for examplecontoh, we could use truckers'sopir truk' purchasespembelian of fuelbahan bakar.
381
904000
3000
Misalnya, kita bisa menggunakan data pembelian bahan bakar supir truk.
15:22
So the truckerssopir truk are just going about theirmereka businessbisnis,
382
907000
2000
Supir truk bisa menjalankan kegiatan mereka seperti biasa,
15:24
and they're buyingpembelian fuelbahan bakar.
383
909000
2000
mereka membeli bahan bakar.
15:26
And we see a blipBlip up in the truckers'sopir truk' purchasespembelian of fuelbahan bakar,
384
911000
3000
Kita bisa melihat titik berkedip pada pembelian bahan bakar supir truk,
15:29
and we know that a recessionresesi is about to endakhir.
385
914000
2000
kita jadi tahu bahwa resesi akan berakhir.
15:31
Or we can monitormonitor the velocitykecepatan
386
916000
2000
Kita bisa memantau kecepatan
15:33
with whichyang people are movingbergerak with theirmereka phonestelepon on a highwayjalan raya,
387
918000
3000
orang-orang di jalan raya dengan telepon mereka,
15:36
and the phonetelepon companyperusahaan can see,
388
921000
2000
perusahaan telepon bisa melihat,
15:38
as the velocitykecepatan is slowingmelambat down,
389
923000
2000
kalau kecepatannya berkurang,
15:40
that there's a trafficlalu lintas jamselai.
390
925000
2000
berarti ada kemacetan.
15:42
And they can feedmakan that informationinformasi back to theirmereka subscriberspelanggan,
391
927000
3000
Mereka bisa mengirimkan informasi ini ke pelanggan mereka,
15:45
but only to theirmereka subscriberspelanggan on the samesama highwayjalan raya
392
930000
2000
tapi hanya ke pelanggan yang berada di jalan yang sama
15:47
locatedterletak behinddibelakang the trafficlalu lintas jamselai!
393
932000
2000
yang berada di belakang kemacetan itu!
15:49
Or we can monitormonitor doctorsdokter prescribingresep behaviorsperilaku, passivelysecara pasif,
394
934000
3000
Kita bisa memantau perilaku pemberian resep dokter, secara pasif,
15:52
and see how the diffusiondifusi of innovationinovasi with pharmaceuticalsfarmasi
395
937000
3000
melihat bagaimana difusi inovasi dalam hal obat-obatan
15:55
occursterjadi withindalam [networksjaringan of] doctorsdokter.
396
940000
2000
terjadi di jaringan para dokter.
15:57
Or again, we can monitormonitor purchasingpembelian behaviortingkah laku in people
397
942000
2000
Kita juga bisa memantau perilaku pembelian orang-orang,
15:59
and watch how these typesjenis of phenomenafenomena
398
944000
2000
melihat bagaimana fenomena ini
16:01
can diffusemenyebar withindalam humanmanusia populationspopulasi.
399
946000
3000
berdifusi di dalam populasi manusia.
16:04
And there are threetiga wayscara, I think,
400
949000
2000
Ada tiga cara menurut saya,
16:06
that these massive-passivebesar-besaran-pasif datadata can be used.
401
951000
2000
untuk menggunakan data pasif-luas ini.
16:08
One is fullysepenuhnya passivepasif,
402
953000
2000
Yang pertama, benar-benar pasif,
16:10
like I just describeddijelaskan --
403
955000
2000
seperti yang saya gambarkan --
16:12
as in, for instancecontoh, the truckersopir truk examplecontoh,
404
957000
2000
misalnya dalam contoh supir truk tadi,
16:14
where we don't actuallysebenarnya intervenecampur tangan in the populationpopulasi in any way.
405
959000
2000
kita tidak perlu mengintervensi populasi dengan cara apa pun.
16:16
One is quasi-activekuasi aktif,
406
961000
2000
Berikutnya, quasi-aktif,
16:18
like the fluflu examplecontoh I gavememberi,
407
963000
2000
seperti contoh flu di atas,
16:20
where we get some people to nominatemencalonkan theirmereka friendsteman
408
965000
3000
kita meminta beberapa orang menominasikan teman mereka
16:23
and then passivelysecara pasif monitormonitor theirmereka friendsteman --
409
968000
2000
secara pasif memantau teman mereka --
16:25
do they have the fluflu, or not? -- and then get warningPERINGATAN.
410
970000
2000
apakah terkena flu atau tidak? -- dan mendapat peringatan awal.
16:27
Or anotherlain examplecontoh would be,
411
972000
2000
Contoh lainnya misal,
16:29
if you're a phonetelepon companyperusahaan, you figureangka out who'ssiapa centralpusat in the networkjaringan
412
974000
3000
kalau Anda adalah perusahaan telepon, Anda bisa tahu siapa yang jadi pusat jaringan,
16:32
and you askmeminta those people, "Look, will you just textteks us your feverdemam everysetiap day?
413
977000
3000
Anda minta ke orang-orang itu, "Maaf, bisa SMS-kan demam Anda setiap hari?
16:35
Just textteks us your temperaturesuhu."
414
980000
2000
SMS-kan saja suhu Anda."
16:37
And collectmengumpulkan vastluas amountsjumlah of informationinformasi about people'sorang-orang temperaturesuhu,
415
982000
3000
Kumpulkan informasi suhu orang-orang dalam jumlah yang banyak,
16:40
but from centrallysentral locatedterletak individualsindividu.
416
985000
2000
tapi dari individu yang berada di pusat.
16:42
And be ablesanggup, on a largebesar scaleskala,
417
987000
2000
Dalam skala yang besar, ini bisa
16:44
to monitormonitor an impendingmendatang epidemicwabah
418
989000
2000
memantau ancaman epidemi
16:46
with very minimalminimal inputmemasukkan from people.
419
991000
2000
dengan input yang minimal dari orang-orang.
16:48
Or, finallyakhirnya, it can be more fullysepenuhnya activeaktif --
420
993000
2000
Yang terakhir, bisa lebih aktif --
16:50
as I know subsequentberikutnya speakersspeaker will alsojuga talk about todayhari ini --
421
995000
2000
pembicara berikutnya hari ini juga akan berbicara tentang ini --
16:52
where people mightmungkin globallysecara global participateikut in wikiswiki,
422
997000
2000
di mana orang-orang bisa berpartisipasi dalam wiki secara global,
16:54
or photographingmemotret, or monitoringpemantauan electionspemilihan umum,
423
999000
3000
atau fotografi, atau pemantau pemilu,
16:57
and uploadupload informationinformasi in a way that allowsmemungkinkan us to poolkolam
424
1002000
2000
dan mengungah informasi dalam cara yang memungkinkan kita mengumpulkan
16:59
informationinformasi in ordermemesan to understandmemahami socialsosial processesproses
425
1004000
2000
informasi untuk memahami proses sosial
17:01
and socialsosial phenomenafenomena.
426
1006000
2000
dan fenomena sosial.
17:03
In factfakta, the availabilityketersediaan of these datadata, I think,
427
1008000
2000
Bahkan menurut saya ketersediaan data ini
17:05
heraldsbentara a kindjenis of newbaru eraera
428
1010000
2000
menghantarkan kita ke era baru
17:07
of what I and otherslainnya would like to call
429
1012000
2000
yang saya dan rekan-rekan lain ingin sebut
17:09
"computationalkomputasi socialsosial scienceilmu."
430
1014000
2000
"ilmu sosial komputasional."
17:11
It's sortmenyortir of like when GalileoGalileo inventeddiciptakan -- or, didn't inventmenciptakan --
431
1016000
3000
Ini seperti saat Galileo menciptakan -- atau tidak menciptakan --
17:14
camedatang to use a telescopeteleskop
432
1019000
2000
menggunakan teleskop
17:16
and could see the heavenslangit in a newbaru way,
433
1021000
2000
melihat langit dengan cara baru,
17:18
or LeeuwenhoekLeeuwenhoek becamemenjadi awaresadar of the microscopemikroskop --
434
1023000
2000
atau saat Leeuwenhoek sadar akan fungsi mikroskop --
17:20
or actuallysebenarnya inventeddiciptakan --
435
1025000
2000
atau benar-benar menciptakannya --
17:22
and could see biologybiologi in a newbaru way.
436
1027000
2000
melihat biologi dengan cara baru.
17:24
But now we have accessmengakses to these kindsmacam of datadata
437
1029000
2000
Sekarang kita punya akses ke data semacam ini
17:26
that allowmengizinkan us to understandmemahami socialsosial processesproses
438
1031000
2000
yang memungkinkan kita memahami proses sosial
17:28
and socialsosial phenomenafenomena
439
1033000
2000
dan fenomena sosial
17:30
in an entirelysepenuhnya newbaru way that was never before possiblemungkin.
440
1035000
3000
dengan cara yang benar-benar baru yang sebelumnya tidak mungkin dilakukan.
17:33
And with this scienceilmu, we can
441
1038000
2000
Dengan ilmu ini, kita bisa
17:35
understandmemahami how exactlypersis
442
1040000
2000
memahami bagaimana tepatnya
17:37
the wholeseluruh comesdatang to be greaterlebih besar
443
1042000
2000
kumpulan bisa menjadi lebih besar
17:39
than the sumjumlah of its partsbagian.
444
1044000
2000
dari hasil penjumlahan bagian-bagiannya.
17:41
And actuallysebenarnya, we can use these insightswawasan
445
1046000
2000
Bahkan, kita bisa menggunakan pemahaman ini
17:43
to improvememperbaiki societymasyarakat and improvememperbaiki humanmanusia well-beingkesejahteraan.
446
1048000
3000
untuk memperbaiki masyarakat dan umat manusia.
17:46
Thank you.
447
1051000
2000
Terima kasih.
Translated by Ade Indarta
Reviewed by Katherine Kho

▲Back to top

ABOUT THE SPEAKER
Nicholas Christakis - Physician, social scientist
Nicholas Christakis explores how the large-scale, face-to-face social networks in which we are embedded affect our lives, and what we can do to take advantage of this fact.

Why you should listen

People aren't merely social animals in the usual sense, for we don't just live in groups. We live in networks -- and we have done so ever since we emerged from the African savannah. Via intricately branching paths tracing out cascading family connections, friendship ties, and work relationships, we are interconnected to hundreds or even thousands of specific people, most of whom we do not know. We affect them and they affect us.

Nicholas Christakis' work examines the biological, psychological, sociological, and mathematical rules that govern how we form these social networks, and the rules that govern how they shape our lives. His work shows how phenomena as diverse as obesity, smoking, emotions, ideas, germs, and altruism can spread through our social ties, and how genes can partially underlie our creation of social ties to begin with. His work also sheds light on how we might take advantage of an understanding of social networks to make the world a better place.

At Yale, Christakis is a Professor of Social and Natural Science, and he directs a diverse research group in the field of biosocial science, primarily investigating social networks. His popular undergraduate course "Health of the Public" is available as a podcast. His book, Connected, co-authored with James H. Fowler, appeared in 2009, and has been translated into 20 languages. In 2009, he was named by Time magazine to its annual list of the 100 most influential people in the world, and also, in 2009 and 2010, by Foreign Policy magazine to its list of 100 top global thinkers

More profile about the speaker
Nicholas Christakis | Speaker | TED.com