1ST ROUND FINAL RESULT : PILKADA DKI BATTLE

Entri ini adalah terusan dari laporan half report dinamika jejaring sosial mengenai Pilkada DKI pada masa kampanye dari tanggal 8-11 Februari 2017. Di babak final result ini saya tampilkan data penuh twitter selama seminggu terakhir masa kampanye, yaitu data dari tanggal 8-15 Februari 2017. Data ini sudah mengendap lebih dari sebulan tidak saya analisa, karena memang saya  tidak sempat. Kebetulan hari ini lagi flu, jadi sambil istirahat di rumah saya iseng otak atik data akhir kampanye pilkada di twitter. Menariknya adalah karena kita sudah tahu hasil putaran pertama Pilkada DKI, maka dari data kampanye kita bisa pelajari, apakah pola yang terjadi mengkorfirmasi hasil pilkada putaran pertama tersebut. Mekanisme dan hashtag / keyword pengambilan data dijelaskan pada entri blog half report. 


Hasil Cepat (lihat tabel dibawah) 

Selama seminggu masa pengumpulan data, terkumpul data untuk masing masing paslon sebesar 116160 tweet (paslon1), 199815 tweets (paslon2),180312 tweets (paslon3). Jumlah tweets paslon2 paling besar, diikuti ketat oleh paslon3, sedangkan paslon1 tertinggal jauh dibawah ..sepertinya memang tweets paslon1 lebih ga ngoyo atau memang tidak banyak yang ngetweet tentang paslon1 tersebut dibandingkan 2 paslon lainnya.

Jumlah akun yang terlibat dalam percakapan adalah 22004 (paslon1), 38498 (paslon2), dan 27359 (paslon3). Lagi lagi terlihat bahwa akun yang membicarakan paslon1 paling sedikit. Jumlah interasi / percakapan tentang paslon2 dan paslon3 mendominasi jagad twitter dengan nilai sebesar 125076 dan 78956 interaksi. Hal ini menunjukan bahwa dinamika percakapan dalam waktu tersebut terhitung tinggi dibandingkan dengan jumlah akun yang terlibat pada percakapan tersebut. Jumlah akun dan interaksi menghasilkan density (kepadatan) jejaring sosial masing masing paslon. Nilai density masing masing paslon tidak terlalu berbeda antara satu dan lainnya, hal ini tidak mengherankan untuk suatu jejaring sosial seperti twitter.

Untuk Top-5 Mentions di masing masing jejaring paslon, terlihat bahwa paslon1 justru @SBYudhoyono yang paling banyak di mention dengan dua kali lebih banyak daripada cagubnya sendiri @AgusYudhoyono. Paslon2 @basuki_btp paling banyak di mention dan nilainya jauh lebih besar dari mention mention lainnya, hal ini sudah bisa kita duga sebelumnya, akan tetapi cawagubnya (atau akun kampanye @AhokDjarot) malah tidak terlihat pada Top-5 Mentions tersebut. Top-5 Mentions jejaring paslon2 juga menyertakan tokoh tokoh publik lainnya seperti @afgansyah_reza dan @jokoanwar. Paslon 3, @sandiuno dan @aniesbaswedan dominan pada posisi 1 dan 3 Top-5 Mentions di jejaringnya, cukup surprising ada akun @maspiyuuu yang ternyata sangat banyak dimentions di jejaring paslon ini. siapakah @maspiyuuu ?. Ada juga aktor @pandji sebagai pendukung paslon3 nongol disini.

Top-5 Tweets masing masing paslon menyertakan akun akun dengan jumlah tweets yang hampir mirip satu dan lainnya, bisa dibilang tidak ada satu aktorpun yang dominan dalam jumlah tweet. Paslon 2 mempunyai rata rata tweet yang lebih banyak, wajar hal ini bisa dilihat dari jumlah total tweet paslon2 yang paling banyak. Kemudian diikuti dengan paslon 3 dan paslon 1.

Modularity menunjukan seberapa jelas perbedaan pembentukan kelompok kelompok pada jejaring sosial. Semakin tinggi nilai modularity menyatakan bahwa kelompok kelompok tersebut makin jelas pemisahannya atau dengan kata lain tidak ada aktor yang yang posisinya meragukan berada di kelompok A atau kelompok B. Dari ke 3 jejaring paslon, Paslon2 mempunyai modularity terkecil, dan paslon3 modularitynya terbesar, hal ini bisa diartikan bahwa kelompok kelompok pada paslon2 batasannya menjadi lebih blur, seseorang bisa masuk ke satu kelompok ke kelompok lainnya dengan lebih mudah. Akibatnya adalah diseminasi informasi berjalan lebih lancar karena ada akun / agen yang mudah menyebarkan informasi dengan cara berpindah kelompok.

Jumlah 5 kelompok terbesar terlihat bahwa paslon1 dan paslon3 mempunyai kelompok dominan yang besarnya melebihi 20% dari total ukuran jejaring sosial, jadi terdapat kelompok kelompok yang menjadi motor dari jejaring sosial paslon tersebut. Di pihak lain kelompok terbesar pada paslon2 hanya berukuran 12%, hal ini menunjukkan bahwa kelompok kelompok pada paslon2 terbentuk secara natural tanpa ada kelompok yang jadi motor dominan. 

 

Paslon1

1universe

universe paslon1

 

2 5kelompokbesar

5 kelompok besar pada paslon1

 

1 100tokohutama

100 akun utama pada paslon1

 

Paslon2

 

2universe

universe paslon2

 

2universezoom

universe paslon2 (zoomed)

 

 

2directed75actor

75 akun utama di jejaring paslon2

Paslon3

 

3universe

universe paslon3

 

3universedeg11 2605

universe paslon3 (degree 11 – 2605)

 

3 75actor

75 akun utama pada paslon3

  

Profile Tweet

Tabletweet

 

Kasimpulan

Hasil akhir putaran pertama sudah kita ketahui paslon1 tersingkir, dan paslon2, paslon3 maju ke babak kedua. Hasil analisa jejaring sosial seminggu terakhir kampanye mengkonfirmasikan bahwa aktivitas jejaring sosial memang paslon1 paling rendah, indikasinya adalah jumlah tweet, jumlah akun, jumlah interaksi, ukuran kelompok dominan dan tokoh utama jejaring malah bukan cagubnya sendiri. Isu isu dalam jejaring sosial ini lebih banyak ke bapak mantan presiden bukan ke akun kampanye atau akun cagubnya. Paslon2 walaupun kelompoknya lebih natural dan partisipan jejaring sosial paling banyak, akan tetapi sangat terfokus pada tokoh Ahok, tidak ada tokoh lain yang menjadi pelengkap atau backup dominan dari paslon ini. Paslon3, cagub dan cawagub muncul sebagai tokoh dominan pada jejaring sosialnya, ini menunjukkan banyak alternatif pilihan / cerita yang bisa dimunculkan dari aktifnya kedua tokoh tersebut.

Apakah hasil analisa jagad twitter ini bisa digunakan sebagai alat prediksi pemenang pada putaran ke 2 bulan depan nanti ? .. hmm menurut saya, analisa ini bisa menjadi alat bantu, akan tetapi bukan sebagai alat penentu kemenangan. Dengan melihat dinamika jejaring sosial, kita bisa melihat hal hal yang tidak bisa kita kuantifikasikan sebelumnya. Dan mungkin juga pada kondisi tertentu, kita bisa melakukan rekayasa (dalam level tertentu) apakah jejaring sosial kita berjalan sesuai dengan ekspektasi kita. Banyak faktor dominan lainnya yang bisa tiba tiba menjadi faktor penentu kemenangan, jejaring sosial adalah salah satunya. Jadi gimana setelah melihat entri blog ini anda menjagokan nomer 2 atau nomer 3 yang menang ? ..  

4 Papers Scopus ICOICT 2017

International Conference on Information and Communication Technology (ICOICT) adalah konferensi berskala internasional terindeks Scopus, dipublikasikan pada IEEE Xplore dan diselenggarakan oleh Telkom University (School of Computing). Tahun 2017 ini ICOICT disellengarakan untuk ke 5 kalinya pada tanggal 27-29 Mei di Malaka Malaysia. Tahun ini ada 4 paper dari lab SCBD FEB yang lolos seleksi dari total 5 paper yang kami submit.

Sepanjang ingatan saya tahun ini adalah ke 4 kalinya saya dan tim lab. SCBD FEB ikut berpartisipasi, mulai dari ICOICT 2014 (2 paper), ICOICT 2015 (3 paper), ICOICT 2016 (2 Paper), dan tahun ini 4 paper. Pengalaman tahun tahun sebelumnya membuktikan bahwa publikasi ICOICT cukup cepat terpublikasi di IEEE Xplore dan Scopus, membuat konferensi ini merupakan konferensi favorit lab kami untuk mempublikasikan hasil penelitian. 

Judul paper paper yang lolos tersebut adalah : 1. Hybrid Sentiment and Network Analysis of Social Opinion Polarization. 2. Social Network Data Analytics for Market Segmentation in Indonesian Telecomunication Industry. 3. Training Data Optimization Strategy for Multiclass Text Classification. 4. Indonesia Infrastructure and Consumer Stock Portfolio Prediction using Artifical Neural Network Backpropagation. 

Tema dan metode pada paper paper tersebut cukup beragam, mulai dari Tema Finance (no.4), Marketing (no.2), sampai dengan Social Behavior (no.1). Sedangkan metode yang digunakan mulai dari sentiment analysis (no.1, no.3), social network analysis (no.1, no.2), artificial neural network / data mining (no.4).

well done Team .. !! 

Untitled 1

acceptance letter to 2017 ICOICT

Dinamika Pilkada DKI 2017 menggunakan Jejaring Sosial

Pilkada DKI 2017 merupakan event yang menjadi magnet bagi bangsa Indonesia, bukan hanya ekslusif untuk warga DKI saja. Event ini sangat menarik untuk dianalisa, terutama buat saya yang selama ini mendalami keilmuan jejaring sosial, dimana konsentrasi pergerakan sosial atas isu isu tertentu bisa menjadi bahan untuk memahami perilaku sosial bangsa kita. Perilaku pada media sosial menunjukkan bagaimana opini nyata tiap individu, pembentukan kelompok sosial, dan juga rekayasa opini (termasuk hoax dan lain lainnya). Pada entri kali ini saya melihat dinamika percakapan masyarakat Indonesia di media sosial membahas berbagai topik berkaitan dengan Pilgub DKI 2017. Sebagai disclaimer saya tegaskan politik bukan merupakan domain yang saya pahami sepenuhnya. Pada entri blog ini tidak ada tendensi untuk mendukung calon manapun, dan lagian saya bukan warga DKI juga 😛

 

Saya mengambil data di Twitter sebagai sample, karena di media sosial ini perilaku sosial terkait pilkada terlihat jelas. Facebook juga menunjukkan kecenderungan serupa dengan Twitter, tetapi karena di Facebook tidak mungkin bagi kita untuk mengambil semesta data, dan hanya mungkin mengambil data dari lingkungan pertemanan kita, maka Twitter merupakan media yang tepat dari sisi pencapaian pengambilan data dan keterwakilan sample.

 

Profil Data :

Data percakapan di Twitter diambil mulai dari tanggal 8-11 februari 2017, tepat selama 60 jam. Durasi ini melewati acara debatcagub ke 3 yang diadakan pada tanggal 10 februari malam.  Sebelum acara debat yang dilaksanakan tweet yang terkumpul adalah sebanyak 18077 tweet (nomer1), 23656 tweet (nomer2), dan 41053 tweet(nomer3). Setelah acara debat terlihat lonjakan jumlah tweet menjadi 35380 tweet (nomer1), 49028 tweet(nomer2), dan 82185 tweet(nomer3). Total keseluruhan tweet yang diambil adalah sebanyak 166593 tweet dengan total data space mendekati 1 GB. Keyword / Hashtag disesuaikan untuk tiap tiap paslon, sesuai dengan hashtag yang paling banyak diadopsi oleh publik dan pendukungnya. Hashtag hashtag tersebut antara lain 

 

nomer 1 : #jakartauntukrakyat #ahyfordki1 #MuslimberSatupilihno1 #AgusSylviKonsisten #SATUkanjakarta #JakartaForAll

nomer 2 : #perjuanganbelumselesai #coblosbadjanomor2 #FreeAhok #BadjaMelaju #SekuatBadja #Gue2 #Badjajuara #salamduajari

nomer 3 : #salambersama #TerbuktiOkOce #majubersama #CoblosPecinya #AniesSandiCintaUlama

 

Nomer1


Dari paslon nomer 1 saya memperoleh 35380 tweet, dimana didalamnya terdapat 8505 aktor yang terlibat percakapan, dengan sejumlah 29836 percakapan antar aktor tersebut. Pola percakapan dari gambar dibawah memperlihatkan bahwa terdapat 3 kelompok besar  (ungu, hijau, biru) yang mendominasi 60% percakapan. Aktor aktor utama jaringan ini adalah @AgusYudhoyono @Abaaah @SBYudhoyono. Terdapat beberapa situs berita yang dominan yaitu @Metro_TV @kompscom @detikcom dll. keseluruhan top 50 aktor bisa dilihat di gambar dibawah. Kelompok terbesar adalah kelompok berwarna ungu dengan ukuran 27% (cukup besar) dari keseluruhan jaringan.  Kelompok terbesar ini berisi tokoh tokoh utama dari paslon 1, kelompok kedua sebesar 13% berisi akun akun pendukung utama seperi @AhyCenter @agusylviDKI @ZaraZettiraZZ @Umar_Hasibuan @panca66. 

 

 

1

 

1detail

 

1top

 

11

Nomer2

 

Dari paslon nomer 2 diperoleh 49028 tweet, dimana percakapan tersebut melibatkan 15745 aktor dan 44834 percakapan antar aktor aktor tersebut. DI jejaring nomer 2 ini kelompok terlihat lebih menyebar dengan kelompok terbesar berwarna ungu mempunyai ukuran hanya 10,9%, dilanjutkan dengan kelompok warna hijau tua (9,5%), dan disusul warna biru (8,39%). Aktor aktor utama nya bisa dilihat pada gambar dibawah (top-50), terlihat bahwa aktor aktor dominan tersebut berada pada kelompok yang berbeda (terlihat dari warna node yang berbeda). 

 

 

2

 

2detail

 

2top

 

21

 

 Nomer3

 

Paslon 3 mempunyai data tweet yang paling banyak dibandingkan paslon lainnya. 82185 tweet terambil dalam periode pengambilan, yang melibatkan 12744 aktor dan 22565 interaksi percakapan. Dengan sejumlah 22565 tweet interaksi dibandingkan dengan total 82185 tweet yang terambil, maka rasio percakapan / diskusi dalam jaringan ini sangat kecil dibandingkan paslon lain. Sebagian besar tweet adalah indivdual tweet atau tweet yang tidak mengenerate percakapan.Seperti paslon 1, kelompok di jaringan ini didominasi oleh 3 kelompok utama yaitu kelompok ungu (26,76%), hijau (23,67%), dan biru (18,51%). Total tiga kelompok tersebut sudah sangat mendominasi dengan mencakup 69% percakapan. 

 

 

3

 

3detail

 

3top

 

31

Analisa

 

Dari pengukuran average degree (rata rata koneksi dari seorang aktor) dan network diameter (besar jaringan)  ketiga jejaring sosial tidak mempunyai perbedaan yang signifikan. Pada pengukuran .graph density (kepadatan percakapan), Nomor 1 dan 2 lebih baik dari Nomor 3, kepadatan yang baik lebih disukai, ini mengindikasikan bagaimana banyaknya interaksi dalam suatu jejaring sosial. Perbedaan yang signifikan terlihat dari dinamika terbentuknya kelompok dan pengukuran kecenderungan pengelompokan dengan menggunakan metric modularity. Nomer 1 dan nomer 3 mempunyai nilai modularity yang lebih tinggi dari Nomer 2, yang artinya kelompok yang terbentuk benar benar terpisah dengan jelas. Kelompok kelompok pada paslon nomor  2, masih berhubungan erat dengan keompok lain dalam jejaring sosialnya.  Bisa disimpulkan bahwa percakapan paslon nomor 2 lebih di generate oleh massa, sehingga kelompok percakapan yang terbentuk terlihat lebih natural, sedangkan kelompok pada nomor 1 dan nomor 3 dikendalikan secara sistematik oleh aktor aktor utama.

 

Analisa jejaring sosial adalah analisa cepat untuk melihat dinamika struktur jaringan. Untuk supaya bisa memodelkan dan membuat prediksi siapa pemenang pilkada, tentunya butuh analisa faktor lain, contohnya seperti analisa konten tweet (sentiment analysis atau opinion mining). Saya pernah mengusulkan analsia konten dengan cara cepat menggunakan network text analysis seperti yang saya tulis di paper saya ini dan paper saya yang ini. Untuk analisa konten tersebut, dibutuhkan data raw twitter, berhubung data tersebut berukuran sangat besar 1 GB dan berada di komputer lab., plus  sayanya sedang mobile (weekendan), maka saya hanya mengambil ekstrak data jejaring sosial yang hasilnya saya jabarkan dalam blog ini.

 

Bila ada yang tertarik untuk menganalisa topik ini lebih mendalam, terutama yang ahli dibidang politik, silahkan kontak saya untuk berdiskusi atau bahkan mungkin mendapatkan datanya. 

 

 

 

Rekayasa Komunikasi / Communication Engineering

Tadi malam sambil ngopi ngopi dan makan gorengan, saya ngobrol ngobrol asyik (unofficial) dengan beberapa rekan social media officer (SMO). SMO ini sebenernya kerjanya rangkap rangkap menjadi Humas, Customer Relationship Management (CRM), Branding, Analisa Kompetitor, membangun massa dan lain lain melalui corong media sosial organisasi / perusahaan. Berat bukan pekerjaan mereka ? .. sepertinya mudah tapi tanggung jawabnya sangat besar dan belum ada alat ukur yang pasti bagaimana mengukur keberhasilan pekerjaan mereka, akibatnya banyak SMO yang disalahkan karena dianggap tidak optimal mendukung aktivitas organisasi dalam berhubungan dengan pihak luar. Beberapa rekan SMO mengungkapkan strategi mereka untuk mengatasi hal tersebut, seperti menghitung like, retweet, engagement, dll .. tapi rasanya belum ada pemahaman mendasar bagaimana menjelaskan pengukuran pengukuran yang dilakukan, sampai saya ingat ide saya 5 tahun lalu (mengenai rekayasa komunikasi) saat saya pertama kali belajar mengenai social network analysis (SNA).

Ide yang saya lontarkan saya sebut sebagai Rekayasa Komunikasi ( Communication Engineering), yang tujuannya adalah bagaimana kita bisa merekayasa jejaring sosial sehingga bentuk, ukuran, dan engagementnya sesuai yang kita inginkan. Teringat hal tersebut, saya langsung presentasikan di depan para SMO mengenai beberapa faktor dan framework untuk merekayasa komunikasi online ini. Dengan paham rekayasa komunikasi kita bisa menangkis hoax, mengukur viralitas (diseminasi informasi), mengukur brand awareness, meningkatkan jumlah engagement, meningkatkan audience secara terukur dengan menyediakan langkah langkah strategis sesuai feedback dari bentuk jaringan, dll.

Contoh ilustrasi jejaring sosial bisa dilihat pada gambar 1, berikut ini. Misal terdapat 34 orang / aktor di dalam jejaring sosial yang membicarakan tentang suatu brand / organisasi. Maka bentuk jaringan 34 orang yang semuanya saling terhubung tentu akan berbeda dengan bentuk jaringan 34 orang yang masing masing punya satu hubungan. Disini jejaring sosial memainkan peran penting dalam mengukur kompleksitas hubungan yang ada (diukur dari berapa banyaknya hubungan atau densitas jejaring sosial). Kita bisa monitor bentuk jaringan sosial percakapan per hari untuk melihat apakah usaha usaha yang dilakukan SMO mendapatkan respon positif (jaringan membesar) atau bahkan respon kurang (jaringan menciut). Kita juga bisa identifikasikan orang orang yang berpengaruh di dalam jaringan (aktor nomer 1, 33, 34) baik pengaruhnya baik ataupun buruk. Kelompok yang terbentuk di dalam jejaring sosial dan lain lain

 

NewImage

  gambar 1. jejaring sosial 34 orang 

Framework yang saya usulkan supaya kerja SMO menjadi terukur menggunakan rekayasa komunikasi adalah pada gambar 2 sebagai berikut. Disini dapat dilihat bahwa sumbu X dan sumbu Y menunjukan bahwa network (ukuran, densitas, bentuk jaringan) menjadi tolak ukur apakah 5 faktor (content, context, buzzer, threat, interactivity) membawa perubahan signifikan ke network. Saya uraikan satu satu faktor tersebut.

Framework SMO

gambar 2. framework rekayasa komunikasi 

1. Content

Konten adalah hal pertama yang bisa meningkatkan engagement atau memperbesar ukuran jaringan (Viral). Kita bisa melakukan day-to-day monitoring terhadap ukuran jaringan. Apakah konten yang kita tampilkan memperbesar jaringan secara signifikan, mengecilkan jaringan atau tetap saya tidak ada perubahan. Dengan target engagement audience yang besar (menjadi massa) maka kita harus memperbanyak konten / akun yang menampilkan cerita yang berhubungan dengan brand dari berbagai sisi, kemudian kita lihat konten mana yang berhasil menjadi viral dan konten mana yang tidak, serta mendefinisikan karakteristik audience kita

2. Context

Dengan konteks yang sesuai maka ukuran ukuran jaringan juga bisa membesar secara cepat, contoh adalah menyesuaikan dengan trending topics, seperti Om Telolet Om , Persib Juara dan lain lain. Sama seperi konten diatas kita evaluasi konteks yang kita tampilkan apakah sukses menjadi viral, jika tidak, langkah apa yang diperlukan supaya menjadi viral

3. Buzzer

Buzzer sebetulnya bukan suatu keharusan, akan tetapi jika kita ingin membentuk massa dengan cepat (tidak melihat kualitas) maka menyewa buzzer merupakan langkah yang praktis. Perlu diingat bahwa kehadiran buzzer perlu dievaluasi dengan ukuran berapa besar jaringan yang buzzer berhasil bentuk yang akhirnya terintegrasi dengan jaringan brand kita. Dan apakah jaringan ini bersifat permanen atau temporary. Evaluasi jaringan membantu SMO dalam melihat efektivitas seorang Buzzer

4. Threat

Identifikasi ancaman merupakan salah satu faktor yang penting agar supaya jaringan yang ktia bentuk dengan susah payah tidak menjadi bubar dan hancur. Identifikasi ancaman dilanjutkan dengan langkah meminimalisir ancaman. Kita bisa melakukan proses analisa sentimen terhadap jaringan brand kita. Jaringan yang terbentuk bisa dibagi menjadi kelompok jaringan positif dan kelompok jaringan negatif. Identifikasi tokoh pada jaringan negatif dan langkah langkah untuk meminimalisir supaya tidak viral perlu dilakukan bergantung kepada kondisi isu yang digulirkan. Identifikasi hoax juga bisa dimulai dari aktvitas pada faktor ini.

5. Interactivity

Dalam rangka pencarian informasi yang efektif dan efisien, banyak pengguna intereat beralih menggunakan media sosial sebagai jalur komunikasi utama ke perusahaan. CRM melalui media sosial sudah banyak diadopsi oleh perusahaan perusahaan besar. Akan tetapi masih banyak juga perusahaan yang belum melakukan hal ini. Dengan menyediakan jalur komunikasi antar pelanggan-perusahaan melalui media sosial, maka viralitas dan ukuran jaringan akan meningkat, apalagi aktivitas CRM biasanya bisa kita lihat juga sebagai Frequently Asked Question (FAQ), sebuah dokumentasi penting yang wajib dipunyai oleh sebuah brand. Interactivity yang tinggi sangat disukai audience dan secara positif memperbesar ukuran jaringan.

Ke lima faktor diatas adalah faktor faktor yang bisa kita rekayasa untuk meningkatkan viralitas, brand awareness, menambah jumlah user, dan meminimalisir ancaman. Saya pernah berkata bahwa di era ICT saat ini. Komunikasi bukan hanya masalah kualitas konten tapi juga pengukuran penyebarannya, makanya sebetulnya orang orang yang melakukan aktivitas rekayasa ini lebih kita sebut sebagai engineer (insinyur) daripada seorang ahli sosial. Entah yang lains etuju apa tidak … Semoga bermanfaat …

Asosiasi Ilmuwan Data Indonesia (AIDI)

Pada acara Data Science Days bulan November 2016 yang diselenggarakan oleh Fakultas Ekonomi dan Bisnis, Universitas Telkom, telah dideklarasikan terbentuknya Asosiasi Ilmuwan Data Indonesia (disingkat AIDI). Latar belakang pembentukan AIDI adalah perlunya membangun suatu ekosistem Data Science (+Big Data) yang aman, bermanfaat sejahtera, berdaya saing, berkelanjutan untuk mendukung pembangunan bangsa dan kedaulatan data Indonesia. Perlunya perkumpulan / gerakan ini, kami rasakan sejak bermunculannya layanan berbasis internet (dari luar negeri) yang mengumpulkan data data dari pengguna internet Indonesia. Kita mengenal penyedia layanan tersebut dengan sebutan Over The Top content (OTT), contohnya yah penyedia layanan jejaring sosial yang populer di Indonesia (Facebook, Twitter, Instagram, Path, dll), layanan terintegrasi seperti Google (email, maps, search engine..), layanan pengetahuan (wikipedia, imdb), layanan berita, layanan perjodohan, layanan chatting, dan lain lain

Kurang mampu bersaingnya aplikasi nasional / OTT lokal (atau mungkin kurang populernya) membuat data data yang diproduksi dari aktivitas online terkirim ke penyedia layanan di luar negeri. Walaupun saat ini sudah mulai banyak penyedia layanan seperti forum diskusi (kaskus), ecommerce (tokopedia, bukalapak, blibli, dll), akan tetapi sebagian besar pengguna internet indonesia masih menggunakan aplikasi buatan luar dalam mendukung aktivitas sehari hari. Kondisi ini mendorong pentingnya suatu asosiasi yang turut berperan aktif dalam memberikan edukasi baik dari sisi pengembang maupun pengguna sehingga data data yang dihasilkan bisa digunakan untuk mendukung perekonomian dan pembangunan bangsa.

Inisiator dari AIDI terdiri dari para akademisi, pelaku industri, pemerintahan, dan komunitas. Tercatat dari akademisi adalah wakil dari Universitas Telkom, ITB, UNPAD, UNS, UGM, STIS. Dari Industri ada beberapa perusahaan seperti Solusi 247, Mediawave, NoLimit, Bahasa Kita, Zamrud Technology, PasarLaut. Dari pemerintahan diwakili oleh Kemenkominfo dan BPPT. Dari komunitas adalah dua komunitas besar di bidang Data Science + Big Data yaitu Komunitas Data Science Indonesia dan Komunitas IdBigData.

Banyak sekali permasalahan data-related yang membutuhkan aturan dan kebijaksanaan yang terintegrasi, contohnya Open Data dan Smart City. AIDI diharapkan akan berperan aktif dalam pembuatan draft regulasi yang berkaitan dengan data sebagai komoditas strategis. Dorongan perkembangan ICT dan keilmuan Data Mining, Machine Learning, dan Keseluruhan aktivitas Data Analytics membuat data menjadi komoditas yang sangat penting. Produksi data melimpah seiring dengan masifnya pengguna internet Indonesia membuat aktivitas disekitar data harus segera diatur dan dibuatkan roadmapnya.

Saat ini AIDI sedang melakukan konsolidasi organisasi dan menyusun program kerja, diharapkan dalam waktu tidak terlalu lama AIDI akan segera aktif berkontribusi untuk perkembangan Data Science + Big Data di Indonesia. Untuk informasi lebih lanjut dan update terkini bisa akses website AIDI yaitu www.aidi.id

IMG 2017 01 12 00 20 30

Para inisiator AIDI berfoto bersama, setelah penandatanganan deklarasi

Konferensi Big Data 2016 (KBI2016)

Komunitas IDBigData kembali menyelenggarakan konferensi Big Data (KBI) 2016 di gedung BPPT Jakarta, pada tanggal 7-8 desember 2016. Konferensi ini adalah lanjutan dari KBI KBI sebelumnya contohnya pada tahun 2015 ( link blog saya, link blog saya, link website resmi). KBI 2016 adalah KBI ke 3 yang diselenggarakan oleh komunitas IDBigData. Tema besar konferensi ini adalah adalah “Leveraging National Capacities and Capabilities”.

Saya sendiri ikut berpartisipasi di acara KBI sejak KBI ke 2 tahun kemarin di Bandung dengan menjadi salah satu narasumber untuk topik “Social Network Analysis” (video).  sebelumnya saya juga pernah ikut berpartisipasi di IDBigData #4 (video). Untuk tahun ini saya akan berpartisipasi di talkshow / panel, dengan topik “Tantangan dan Daya Saing Big Data Indonesia”. Saya akan mewakili Asosiasi Ilmuwan Data Indonesia (AIDI). Mengenai Asosiasi akan saya tuliskan di blog terpisah ya…

Topik KBI tahun ini menurut saya akan sangat menarik, selama beberapa tahun terakhir ini industri, pemerintahan, dan akademisi sibuk dengan solusi solusi untuk menyelesaikan problem problem Big Data, akan tetapi gambaran besar, visi, misi pembangunan yang bertumpu akan kemampuan menganalisa Big Data masih kurang banyak dibicarakan. Nah melalui konferensi ini diharapkan kita bisa mengumpulkan berbagai macam ide yang pada akhirnya membawa kesamaan tujuan.

Indonesia adalah negara yang sangat besar potensi alam dan rakyatnya. Kemampuan menjinakkan Big Data bisa menjadi solusi yang efektif dan efisien dalam mendukung daya saing bangsa, perekonomian, dan pemerataan pembangunan. Kesadaran akan data collection, open data, open audit akan membuat pemerintahan lebih transparan, akuntabel, dan pro keadilan sosial bagi seluruh rakyat Indonesia

Come and join this conference

PS : my schedule is on the first day, first talk show at 13:00 WIB

IMG 2016 11 30 07 52 03

Screen Shot 2016 11 30 at 7 49 43 AM  2

Screen Shot 2016 11 30 at 7 50 04 AM  2

Data Science Days 2016

Berawal dari tukar menukar ide dengan alumni lab. Big Data FEB, maka tercetuslah gagasan untuk membuat event tentang Data yang bertujuan meningkatkan awareness civtas academica dan industri mengenai Data. Gagasan ini kami bawa ke tingkat fakultas dan disetujui, sehingga akhirnya kami buat acara yang bernama “DATA SCIENCE DAYS”. Event ini terdiri dari seminar, workshop, dan exhibition. Seminar akan membawa topik topik terkini mengenai Data Science, seperti kebutuhan, trend, dan implementasinya. Workshop akan menampilkan showcase Data Science oleh mahasiswa lab. Big Data dan Alumni. Exhibition dari perusahaan data, dimana ada juga jobfair dan pengenalan perusahaan.

Acara ini akan berlangsung selama dua hari, rabu 9 November 2016 untuk workshop, dan kamis 10 november 2016 untuk seminar dan exhibition. Oh yah pada acara ini kami (FEB) dan beberapa rekan di Industri dan kampus lain akan mendeklarasikan Asosiasi Data Science Indonesia, dimana tujuan asosiasi ini adalah mengumpulkan sumber daya Data Scientist di Indonesia, melakukan edukasi dan riset mengenai data untuk kemajuan Indonesia.

Berikut ini rundown dan posternya, be there …

Workshop InfografisSeminar InfografisExhibition InfografisPoster Pembicara REV