The main obstacle regarding social

The main obstacle regarding social network analysis of telecommunication networks is the
vastness of the dataset. Analysis of a network consisting of millions of connected objects
is usually very computationally costly and may take quite some time to perform [6]. As
an answer to the problems of very large data sets, as well as related problems, the de-
velopment is directed towards parallel processes [7]. Examples of this can be found in
commodity computing and cloud-services. The idea is to divide a problem into parts and
let several machines processes it at the same time, separately. This solution is generally
preferred before one single strong computer, perhaps with multiple processors, as it is eco-
nomically cheaper. Google is, as of now, the pioneer of this approach with their software
solutions MapReduce [8] and Pregel [9]. However, open-source alternatives, most promi-
nently Hadoop [10], are making its way into the industry.
A somewhat dierent approach is that of using graph databases. Instead of the strict
order found in relational databases, such as SQL, a graph database does not require any
given pattern in which entries are dened. An example is Neo4j [11]. A Neo4j database
consists of a set of nodes and relations, which both has properties related to them. Nodes
and relations are regarded as equally important, and this makes traversals of the graph
faster than for RDBMSs.
The task at hand regards analysis of large social networks that is a representation of
a telecommunication network. The approaches mentioned above are tested in order to
determine their ability to solve this problem.
The analysis involves measuring the importance of each subscriber within the network.
For this, metrics thought to be related to the ability of a subscriber to spread information
within a network are calculated. To do this satisfactory the whole graph must be available.
This can cause problems for large graph if the storage size is greater than the size of the
hard drive. Additionally, solving the problem in parallel using MapReduce or Hadoop im-
plies storing dierent parts of the data on separate hard drives. Each process then accesses
only the locally stored part of this data, thus only a conned portion of the graph repre-
senting the network. Clever algorithms, taking into account the issues of parallelization,
are a solution to this. In graph databases, such as Neo4j, without parallelization the whole
graph will be available at all times, but the issue of graphs larger than disk space still exists.
Using the technology of the Hadoop framework and making use of knowledge form the
eld of machine learning, a prototype for detecting subscribers of particular interest is
developed. This uses Call Detail Records (CDR) generated by the operator, for charging
purposes, as input. From them a graph in created and social network analysis metrics are
determined for each subscriber. A training set is provided to create a decision model for
classifying the subscribers.

Results (Indonesian) 1:

Hambatan utama mengenai jaringan sosial analisis jaringan telekomunikasi adalahluasnya dataset. Analisis jaringan terdiri dari jutaan objek terhubungbiasanya sangat produk mahal dan mungkin memerlukan beberapa waktu untuk melakukan [6]. Sebagaijawaban untuk masalah yang sangat besar data set, serta terkait masalah, de-velopment diarahkan paralel proses [7]. Contoh ini dapat ditemukan dikomoditi komputasi dan awan layanan. Idenya adalah untuk membagi masalah menjadi bagian danBiarkan beberapa mesin proses itu pada saat yang sama, secara terpisah. Solusi ini adalah umumnyapilihan sebelum satu satu komputer kuat, mungkin dengan prosesor ganda, karena eco-nomically lebih murah. Saat ini, Google adalah pelopor pendekatan ini dengan perangkat lunak merekasolusi MapReduce [8] dan Pregel [9]. Namun, open source alternatif, kebanyakan me -nently Hadoop [10], membuat jalan ke industri.Agak di erent pendekatan adalah menggunakan grafik database. Bukan ketaturutan yang ditemukan dalam database relasional, seperti SQL, database grafik tidak memerlukandi mana entri yang de ned pola yang diberikan. Contohnya adalah Neo4j [11]. Neo4j databaseterdiri dari satu set node dan hubungan, yang keduanya memiliki sifat yang berhubungan dengan mereka. Nodehubungan dianggap sebagai sama pentingnya dan ini membuat traversals grafiklebih cepat daripada untuk RDBMSs.Tugas di tangan menganggap analisis jaringan sosial yang besar yang merupakan representasijaringan telekomunikasi. Pendekatan yang disebutkan di atas diuji untukmenentukan kemampuan mereka untuk memecahkan masalah ini.Analisis melibatkan mengukur pentingnya masing-masing pelanggan dalam jaringan.Untuk ini, metrik diperkirakan berkaitan dengan kemampuan pelanggan untuk menyebarkan informasidalam jaringan dihitung. Untuk melakukan hal ini memuaskan seluruh grafik harus tersedia.Hal ini dapat menyebabkan masalah untuk grafik besar jika kapasitas penyimpanan lebih besar daripada ukuranharddisk. Selain itu, pemecahan masalah secara paralel menggunakan MapReduce atau Hadoop im-Plies menyimpan di erent bagian data pada hard drive terpisah. Setiap proses kemudian mengakseshanya bagian yang disimpan secara lokal data ini, sehingga hanya penipu ned porsi tersembunyi mewakili grafik-Senting jaringan. Algoritma yang pintar, mempertimbangkan isu-isu parallelization,adalah solusi untuk ini. Dalam database grafik, seperti Neo4j, tanpa parallelization seluruhgrafik akan tersedia sepanjang waktu, tetapi masalah grafik yang lebih besar dari ruang disk masih ada.Menggunakan teknologi Hadoop kerangka dan membuat penggunaan bentuk pengetahuan ELD machine learning, sebuah prototipe untuk mendeteksi pelanggan kepentingan tertentu adalahdikembangkan. Ini menggunakan Call Detail Record (CDR) dihasilkan oleh operator, untuk pengisiantujuan, sebagai masukan. Dari mereka adalah grafik dalam jaringan sosial dan menciptakan analisis metrikditentukan untuk setiap pelanggan. Serangkaian pelatihan disediakan untuk menciptakan model keputusan untukmengklasifikasikan pelanggan.

Results (Indonesian) 2:

Kendala utama tentang analisis jaringan sosial jaringan telekomunikasi adalah
luasnya dataset. Analisis jaringan yang terdiri dari jutaan benda yang terhubung
biasanya sangat komputasi mahal dan dapat mengambil beberapa waktu untuk melakukan [6]. Sebagai
jawaban terhadap masalah set data yang sangat besar, serta masalah terkait, de-
Pembangunan diarahkan proses paralel [7]. Contoh ini dapat ditemukan dalam
komputasi komoditas dan awan-jasa. Idenya adalah untuk membagi masalah menjadi bagian-bagian dan
biarkan beberapa mesin proses itu pada saat yang sama, secara terpisah. Solusi ini umumnya
disukai sebelum satu komputer yang kuat tunggal, mungkin dengan prosesor ganda, karena eko
nomically lebih murah. Google adalah, seperti yang sekarang, pelopor pendekatan ini dengan perangkat lunak mereka
solusi MapReduce [8] dan Pregel [9]. Namun, alternatif open-source, yang paling promi-
nently Hadoop [10], membuat jalan ke industri.
Pendekatan erent agak di? Adalah bahwa menggunakan database grafik. Alih-alih yang ketat
agar ditemukan dalam database relasional, seperti SQL, database grafik tidak memerlukan
pola yang diberikan di mana entri de didefinisikan. Contohnya adalah Neo4j [11]. Database Neo4j
terdiri dari satu set node dan hubungan, yang keduanya memiliki sifat yang berhubungan dengan mereka. Node
dan hubungan dianggap sebagai sama pentingnya, dan ini membuat traversals dari grafik
lebih cepat daripada untuk RDBMSs.
Tugas di tangan analisis jaringan sosial besar yang merupakan representasi dari salam
jaringan telekomunikasi. Pendekatan yang disebutkan di atas diuji untuk
menentukan kemampuan mereka untuk memecahkan masalah ini.
Analisis ini melibatkan mengukur pentingnya setiap pelanggan dalam jaringan.
Untuk ini, metrik diduga terkait dengan kemampuan pelanggan untuk menyebarkan informasi
dalam sebuah jaringan dihitung. Untuk melakukan hal ini memuaskan seluruh grafik harus tersedia.
Hal ini dapat menyebabkan masalah untuk grafik besar jika ukuran penyimpanan lebih besar dari ukuran
hard drive. Selain itu, pemecahan masalah secara paralel menggunakan Hadoop im- MapReduce atau
lapisan menyimpan di? Bagian erent data pada hard drive yang terpisah. Setiap proses kemudian mengakses
hanya bagian disimpan secara lokal dari data ini, sehingga hanya con ned bagian dari grafik-wakil
senting jaringan. Algoritma pintar, dengan mempertimbangkan isu-isu paralelisasi,
adalah solusi untuk ini. Dalam database grafik, seperti Neo4j, tanpa paralelisasi seluruh
grafik akan tersedia setiap saat, tetapi masalah grafik lebih besar dari ruang disk masih ada.
Menggunakan teknologi dari kerangka Hadoop dan memanfaatkan pengetahuan membentuk
bidang pembelajaran mesin , prototipe untuk mendeteksi pelanggan kepentingan tertentu
dikembangkan. Ini menggunakan panggilan Detil Records (CDR) yang dihasilkan oleh operator, untuk pengisian
tujuan, sebagai masukan. Dari mereka grafik di buat dan metrik analisis jaringan sosial
ditentukan untuk setiap pelanggan. Satu set pelatihan disediakan untuk membuat model keputusan untuk
mengklasifikasikan pelanggan.