Komputasi Ilmu Sosial Konsep, Metode, Dan Penerapan Pendekatan Komputasional Untuk Memahami Fenomena Sosial Di Era Digital

SPESIFIKASI BUKU

Harga                    : Rp 125.000

Ukuran                  : 15,5 x 23 cm

Jumlah Halaman : 184 hal

Ketebalan Buku  : 1  cm

ISBN                       : On Proses

Deskripsi Buku   : Perkembangan teknologi digital telah membawa perubahan mendasar dalam cara manusia berinteraksi, berkomunikasi, bekerja, membentuk komunitas, serta menjalankan berbagai aktivitas sosial. Berbagai aktivitas tersebut menghasilkan data dalam jumlah besar yang dapat digunakan untuk memahami pola perilaku, dinamika hubungan sosial, perubahan opini publik, penyebaran informasi, hingga transformasi budaya masyarakat. Kondisi ini menghadirkan peluang sekaligus tantangan bagi ilmu sosial untuk mengembangkan pendekatan penelitian yang mampu menjelaskan fenomena sosial secara lebih komprehensif. Salah satu pendekatan yang berkembang untuk menjawab kebutuhan tersebut adalah komputasi ilmu sosial atau computational social science. Komputasi ilmu sosial merupakan bidang interdisipliner yang mengintegrasikan perspektif ilmu sosial dengan metode komputasi, matematika, statistika, dan analisis data untuk mengkaji berbagai fenomena sosial. Pendekatan ini memungkinkan peneliti memanfaatkan data digital, pemodelan komputasional, simulasi, analisis jaringan sosial, serta teknik pembelajaran mesin untuk mengidentifikasi pola dan hubungan yang sulit diamati melalui pendekatan konvensional. Meskipun demikian, penggunaan teknologi komputasi dalam penelitian sosial tidak hanya berkaitan dengan kemampuan mengolah data, tetapi juga memerlukan pemahaman teoretis, ketepatan metodologis, kepekaan terhadap konteks sosial, serta pertimbangan etis dalam pengumpulan dan pemanfaatan data.

REFERENSI :

Barabási, A. L. (2016). Network science. Cambridge University Press.

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research.

Edelmann, A., et al. (2020). Computational social science in the age of big data. Annual Review of Sociology.

Epstein, J. M., & Axtell, R. (1996). Growing artificial societies: Social science from the bottom up. MIT Press.

Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3).

Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political documents. Political Analysis.

Grimm, V., et al. (2006). A standard protocol for describing individual-based and agent-based models. Ecological Modelling.

Kramer, A. D., Guillory, J. E., & Hancock, J. T. (2014). Experimental evidence of massive-scale emotional contagion through social networks. Proceedings of the National Academy of Sciences.

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press.

Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.

O'Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.

Salganik, M. J. (2017). Bit by bit: Social research in the digital age. Princeton University Press.

Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of “small-world” networks. Nature, 393(6684).