Menembus Kemacetan Bandung (Acara sharing BPS dan Konferensi ICoDIS)

Kemarin saya mendapatkan undangan untuk mengisi dua buah acara di bandung yang lokasinya berjauhan. Satu lokasi di ujung utara , di hotel grand mercure, jalan setiabudhi (di sekitaran area rumah sosis) dan satu lagi di ujung selatan, di kampus universitas telkom, jalan terusan buah batu. Acara di grand mercure adalah menjadi narasumber materi “Big Data Analytics Implementation” untuk Badan Pusat Statistik jam 8 pagi, sedangkan di universitas telkom adalah menjadi moderator plenary session pada International Conference on Data and Information Science (ICoDIS) jam 13 siang.

Bagi yang tinggal di Bandung tentu bisa membayangkan perjuangan menembus kemacetan yang makin hari makin tidak bisa diprediksi. Terutama dengan ada perbaikan jalan layang pasupati, kondisi pintu masuk GT pasteur yang menyempit, kemacetan luar biasa daerah terusan buah batu, belum lagi kemacetan daerah lain yang tidak terduga.

Akhirnya saya membujuk panitia acara BPS untuk memperbolehkan saya selesai jam 11 (dari rencana jam 12). Alhamdulilah perjalanan turun dari setiabudhi sampai GT pasteur lumayan lancar, hanya memakan waktu 30 menit, dari GT pasteur ke GT buah batu juga memakan waktu 30 menit. Tapi dari GT buah batu ke kampus telkom siang kemarin macetnya melebihi ekspektasi. Saya menghabiskan waktu 50 menit sampai ke gedung acara konferensi. Untungnya acaranya yang jam 13 dimulai agak telat, sehingga saya masih sempat sholat dan makan siang dulu. Total waktu dari setiabudi ke kampus univ telkom adalah 1 jam 50 menit.

Kesimpulannya jangan lagi lagi memenuhi undangan acara dalam sehari dalam jarak yang berjauhan seperti yang saya lakukan. kemarin saya termasuk beruntung karena hanya menemui satu titik kemacetan saja. Next time it could be worse

berikut foto acara sharing BPS dan konferensi ICoDIS

Advertisements

Model Chaos dan Complex untuk Pengukuran Ekonomi Indonesia

Kami dari lab. Social Computing dan Big Data pada acara sharing knowledge minggu ke 2 mengundang Ibu Tisa (Siti Saadah) dari Fakultas Ilmu Informatika untuk memaparkan penelitian beliau dengan tema besar mengukur kondisi perekonomian makro Indonesia. Pendekatan yang dilakukan bu Tisa sangat unik, karena tidak menggunakan teori ekonomi makro konvensional, akan tetapi menggunakan pendekatan permodelan artificial intelligence (AI).

Model yang diusulkan berdasarkan perilaku chaos dan complex variabel variabel indikator ekonomi makro. Chaos dimodelkan dengan persamaan differensial dinamis. Proses pembelajaran model menggunakan metode Genetic Algorithm dengan menggunakan proporsi perkawinan silang dan mutasi variabel yang berbeda beda secara berulang ulang.

Usulan penggunaan metode ilmu komputer untuk menyelesaikan permasalahan ekonomi, tentu tidak dengan mudah diterima oleh para ahli ekonomi. Perlu waktu untuk menyakinkan pendekatan seperti ini. Saya yakin cara seperti ini akan menjadi standard di masa depan. Industri fintech (financial technology) adalah salah satu contoh industri yang bisa mendorong pendekatan pendekatan seperti diatas untuk diadopsi sistem ekonomi.

potongan video dari facebook live 

Human Development Index vs Total Revenue Kota/Kab di Indonesia

Kota/Kab. mana yang sudah maju ?

HDI (Human Development Index) adalah indeks tingkat kesejahteraan masyarakat dilihat dari tingkat kesehatan, pengetahuan, ketrampilan yang pada akhirnya dijadikan ukuran untuk perkembangan ekonomi suatu Kota/Kab. Total Revenue (Rev) adalah total pendapatan suatu Kota/Kab dalam kurun waktu tertentu. Suatu Kota/Kab dengan HDI yang besar seharusnya mempunyai Rev yang besar, atau sebaliknya Rev yang besar meningkatkan nilai HDI Kota/Kab. Pertanyaannya adalah bagaimana melihat Kota/Kab yang sudah mempunyai performansi seperti asumsi diatas. Data diambil dari gerakan Open Data INDO DAPOER (Indonesia Database for Policy and Economic Research) yang dikeluarkan oleh World Bank. Untuk snapshot ini, saya hanya mengambil data tahun 2013 saja.

Dari 469 Kota/Kab di Indonesia mayoritas berada pada daerah HDI tinggi tapi Rev kecil (klaster warna merah). Pengecualian pada klaster warna hijau, yaitu 4 Kota/Kab dengan performansi bagus, yaitu Kab. Kutai Kartanegara, Kota Surabaya, Kab. Bogor dan Kota Bandung. Kluster warna biru terdapat Kota/Kab yang nilai HDI kecil dan Rev kecil seperti Kab. Asmat, Kab. Lombok Barat, Kab. Lebak, Kab. Sampang dll. Pada kluster warna biru pemerintah harus bekerja keras untuk meningkatkan nilai HDI pada daerah daerah tersebut dengan harapan akan mendorong Rev. Kuster warna oranye adalah Kota/Kab yang sepertinya akan menuju kearah peningkatan Rev, contohnya yaitu Kab. Bekasi, Kota Medan, Kab. Tangerang, Kab. Karawang dll.

Secara keseluruhan nilai HDI ada pada kondisi baik, akan tetap proses yang berlangsung belum membawa kepeningkatan Rev yang seimbang, sepertinya perlu pemberdayaan ekonomi rakyat seperti usaha usaha kewirausahaan. Terlihat juga ketimpangan kesejahteraan masyarakat antara pulau jawa dan luar pulau jawa.

Untitled4 2

Sharing KickScraper (KickStarter Scrap using Ruby) sebagai Pemahaman Proses Pengumpulan Data

Lab Social Computing & Big Data mulai semester ganjil 2017/2018 ini diisi dengan personil personil baru mahasiswa angkatan 2014. Mereka akan mengadakan kegiatan riset, melayani pelatihan / asistensi mata kuliah Big Data dan Data Analytics, serta mengadakan acara sharing ilmu / akademik setiap minggu. Untuk minggu pertama ini kegiatan sharing diisi topik mengenai KickScraper, yaitu bagaimana melakukan web scrapping terhadap website Kickstarter dengan menggunakan script bahasa Ruby. Pemateri acara kali ini adalah Tri Buono, mahasiswa angkatan 2013. Teknik yang disharing oleh dia berkaitan dengan risetnya mengenai pengenalan pola pola investasi pada perusahaan startup. Acara ini dihadiri mahasiswa lab dan juga dosen dosen KK dan pengajar matkul Big Data & Data Analytics

Terdapat dua problem mendasar pada kegiatan data analytics yaitu yang pertama data collection dan yang kedua aktivitas data analytics sendiri. Kegiatan data collection sendiri merupakan masalah besar di Indonesia pada umumnya, dimana jarang sekali individu / organisasi yang memahami pentingnya semangat Open Data, sehingga data masing masing instansi / organisasi berdiri sendiri sendiri dan tidak teintegrasi, akibatnya banyak pekerjaan atau kebijaksanaan yang saling tumpang tindih, tidak konvergen mencapai tujuan bersama. Saya pernah punya pengalaman buruk mengenai open data dengan pemkot, dimana walikota klaim bahwa data pemkot terbuka untuk umum, tapi begitu mahasiswa saya mempelajari polanya, ternyata data tersebut tidak ‘berbunyi’ sehingga tidak bisa dicari polanya, tidak bisa didapat informasi atau pengetahuan. Pernyataan bahwa data sudah terbukapun  perlu diperiksa lagi, karena kita belum tahu seberapa lengkap data yang dimiliki.

Pada sharing kali ini, tujuan utama yang ingin dicapai bukanlah mengajarkan teknik mengambil datanya, tapi pemahaman bagaimana proses perolehan data. Kickscraper mengambil data web Kickstarter menggunakan API. Berbeda dengan teknik klasik web scrapping menggunakan layanan seperti import.io ataupun parsehub, maka pengambilan data menggunakan API lebih fleksibel, lebih powerful dan bisa mengambil hidden data kalau penyedia layanan mengijinkan. Kerugiannya adalah kita tidak tahu sampai kapan API tersebut tersedia (secara gratis). Jadi proses data collection merupakan proses yang dinamis, apa yang kita ketahui hari ini belum tentu besok masih bisa dilakukan. Oleh karenanya pesan yang saya sampaikan adalah yang paling penting memahami proses, klasifikasi jenis / teknik pengamnilan data, serta membiasakan mahasiswa mahasiswa manajemen bisnis ini untuk ngoding …. yah bahasa koding ini bahasa yang paling penting dipelajari selain bahasa inggris. Beberapa mahasiswa memang tidak biasa dengan pengoperasian terminal di mac atau  windows shell, bahkan belum tahu bagaimana menjalankan ruby (ataupun python dan sejenisnya), sehingga acara sharing ini merupakan sarana bagus untuk memperkenalkan hal hal tersebut. 

 

IMG 8452

IMG 1082

IMG 0102

IMG 8369

IMG 5349

IMG 3885

Konferensi Internasional SCBTII 2017

Tanggal 20 Juli 2017 FEB Telkom University mengadakan konferensi international 8th SCBTII (Sustainable Collaboration in Business, Technology, Information and Innovation) di Hotel Grand Preanger, Bandung. Saya bersama dengan tim lab. Social Computing and Big Data ikut berpartisipasi dengan mengirimkan 6 paper dan poster hasil riset lab kami mengenai sentiment analysis, social network, sharing economy business model, dan data mining. Topik penelitian dan data mulai dari situs e-commerce C2C dan B2C seperti Bukalapak, Tokopedia, Elevenia, MatahariMall, sampai dengan industri pariwisata, situs jual beli rumah dan lain lain. Keikutsertaan di konferensi ini sekaligus sebagai perpisahan 7 mahasiswa anggota lab yang akan diwisuda bulan juli ini. 

Saya share dalam blog ini adalah foto foto tim lab kami dan topik paper yang dipresentasikan oleh masing masing pembuat paper.

20245726 10155297081955202 4112449497662892014 n

foto bersama dengan tim lab, sesudah presentasi paper kami ..

20108459 10155297081935202 1918739512197985889 n

Paper 1. Yora dengan paper “Implementation of Genetic Process Mining to Support Information System Audit

20139897 10155297081980202 922630502192945516 n

Paper 2. Mia dengan paper ” A Core of Ecommerce Customer Experience Based on Conversational Data using Network Text Methodology

20140014 10155297082010202 5376826786335428309 n

Paper 3. Fatma dengan paper ” A Comparison of Indonesia E-commerce Industry Sentiment Analysis for Marketing Intelligence Effort (Case Study of Bukalapak, Tokopedia, and Elevenia)”

20246010 10155297082040202 7818811475462775937 n

Paper ke 4. Sheila dengan judul ” Summarizing Online Conversation of Indonesia Tourism Industry using Network Text Analysis”

20108277 10155297082170202 5926907697437121903 n

Paper ke 5, Dion dengan paper ” Sharing Business Model Compass for Indonesian Sharing Economy’s Business Entities”

20228397 10155297082155202 1208421842565980975 n

Paper ke 6 (dalam bentuk poster) dari Fariz dengan judul ” Property Business Classification Model Based on Indonesia E-commerce Data”

Screen Shot 2017 07 22 at 9 17 18 PM

Akhirnya usai sudah SCBTII 2017, sampai jumpa di SCBTII 2018 … 

Publikasi di Konferensi ICOICT dan ICST 2017

Udah lama saya gak update kabar (entry blog) tentang penelitian dan publikasi dari saya atau tim lab saya. Malah saya tidak sempat menulis entry blog khusus mengenai perjalanan ke konferensi ICOICT di Malaka bulan Mei 2017 kemarin. Konferensi ICOICT 2017 ini adalah konferensi ke 5. Oh yah ICOICT 2017 ini adalah keikutsertaan saya yang ke 4 dari seluruh rangkaian konferensi ICOICT yang diadakan sejak tahun 2012. Konferensi kedua yang saya ikutin di tahun 2017 ini dalah konferensi ICST, yang dilaksanakan pada bulan Juli 2017 di Jogjakarta. Kedua konferensi terindeks Scopus dan IEEExplore

Pada ICOICT 2017 terdapat 4 paper yang dipresentasikan dengan berbagai topik, mulai dari social network, sentiment analisis, dan prediksi menggunakan neural network. Judul judulnya yaitu “Hybrid Sentiment and Network Analysis of Social Opinion Polarization” , “Social Network Data Analytics for Marketing Segmentation in Indonesian Telecommunication Industry”, ” Indonesia Infrastructure and Consumer Stock Portfolio Prediction using Artificial Neural Network Backpropagation”, “Training Data Optimization Strategy for Multiclass Text Classification” . 

Pada ICST 2017 kami mempresentasikan 2 paper yaitu  yang pertama mengenai simulasi monte carlo untuk segmentasi pasar dan yang kedua mengenai perbandingan metode legacy vs metode jejaring sosial untuk penyebaran informasi. Abstrak dari kedua paper ICST ini bisa dilihat pada gambar berikut: 

Untitled 1

Shariah Vs Capitalism : Perlukah Pengganti GDP ?

Pada saat berbuka puasa minggu kemarin, sempat terjadi diskusi menarik dengan beberapa rekan mengenai sistem perekonomian Indonesia dan sebaiknya model ekonomi apa yang cocok untuk Indonesia. Dari hasil diskusi ini munculah perbandingan Shariah vs Capitalism. Seperti kita ketahui, saat ini prinsip Capitalism (kapitalisme) dan persaingan bebas merajai dunia, akan tetapi mulai bermunculan kritik kritik mengenai praktek ini, seperti bahwa kapitalisme bukan merupakan ekonomi yang berkelanjutan untuk masa depan, terjadinya monopolisme, dan makin curamnya jurang perbedaan si kaya dan si miskin. Lawan ekstrim dari kapitalisme ini adalah sistem marxism atau sosialisme dimana segala aktivitas ekonomi diatur oleh negara dengan tujuan kemaslahatan masyarakat luas. 

Ekonomi Shariah adalah praktek ekonomi berdasarkan prinsip ajaran agama islam, yaitu transaksi keuangan dan aktivitas ekonomi lainnya yang sesuai dengan aturan pada Quran dan Sunnah. Beberapa contoh pelaksanaan ekonomi shariah adalah berhutang tanpa riba (tidak dikenakan bunga), jual beli barang dengan akad/billing/invoice, simpan pinjam di bank shariah, dan lain lain. Tujuan dari ekonomi shariah adalah untuk menjamin keadilan ekonomi bagi masing masing pelaku transaksi, menjaga kejujuran (meminimalkan penipuan), meratakan pemberdayaan ekonomi jadi bukan hanya segelintir orang yang menikmati keuntungan berlebih sedangkan sisanya tidak mendapatkan keuntungan yang sesuai. Shariah disebut sebut sebagai alternatif tengah dari dua ekstrim ideologi kapitalisme dan sosialisme. 

Capitalism atau kapitalisme adalah prinsip ekonomi atau ideologi untuk mengambil keuntungan sebesar besarnya untuk keuntungan kelompok / pribadi. Pada sistem kapitalis investasi dan pengambilan keputusan ditentukan oleh kelompok bisnis, demikian juga harga dan distribusi barang ditentukan oleh kompetisi di pasar. Kapitalisme mendorong kompetisi yang tinggi sehingga produk yang dihasilkan benar benar berkualitas. Akan tetapi kapitalisme dikritik karena kekuasaan ekonomi dipegang oleh sekelompok kecil kapitalis, memprioritaskan profit diatas segala nilai lainnya seperti kesejahteraan sosial dan kelangsungan sumber daya alam. Kapitalisme juga dituding sebagai penyebab ketidak seimbangan dan ketidak stabilan ekonomi. 

GDP atau Gross Domestic Product adalah pengukuran moneter untuk menentukan nilai pasar dari semua nilai barang dan jasa yang diproduksi dalam satu periode tertentu. GDP ini adalah nilai tunggal, artinya peristiwa ekonomi yang terjadi  digambarkan dalam bentuk satu nilai representasi. Tentu saja nilai tunggal ini tidak mengambarkan dinamika siapa yang memproduksi barang dan jasa tersebut, apakah hanya segelintir kapitalis atau semua elemen masyarakat secara merata ikut berperan dalam memproduksi barang dan jasa tersebut.  

Sayangnya GDP saat ini adalah standard yang digunakan untuk melihat kesejahteraan suatu negara. Suatu nilai tidak tunggal (contoh nilai Ratio atau nilai Distribusi), tentu akan lebih baik menggambarkan dinamika perekonomian dibandingkan dengan nilai tunggal GDP diatas. Sebagai contoh yang ga nyambung adalah misal  “rata rata umur penduduk Bandung adalah 30 tahun, tentu nilai tunggal 30 tahun ini tidak mengambarkan apa apa, akan berbeda jika ukuran yang dipakai adalah nilai ratio usia produktif / usia keseluruhan penduduk atau nilai distribusi usia dan jumlah orang pada tiap usia” .  

Berhubung saya sendiri sedang belajar mengenai ekonomi makro dan sistem perekonomian, maka masukan dan kritikan akan diterima dengan senang hati. Sepertinya riset mengenai hal ini (alat ukur pengganti GDP) ini akan sangat menarik, selain itu sangat menarik melihat bagaimana implementasi shariah pada saat standard perekonomian dunia saat ini dikuasai para kapitalis.

Ada yang berminat untuk meriset ini ??  ..

636069052205139287417551989 SOCIALISM CAPITALISM

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.