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

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. 

 

 

 

Fenomena #SayaBertanya

Hashtag #SayaBertanya muncul pertama kali pada 6 Februari 2017 setelah mantan presiden SBY memposting tweet yang ditujukan kepada Presiden dan Kapolri. Saya tidak menyoal tweet pak SBY tersebut, tapi saya lebih tertarik viralitas hashtag ini yang ternyata sangat populer. Viralitas tersebut disebabkan kreativitas warga twitter sendiri yang membuat guyonan menggunakan hashtag tersebut, terlepas itu sindiran atau hanya sekedar guyonan. Meme dan variasi kata pendek ini diaplikasikan ke dalam permasalahan pacaran, gebetan, harga bahan pokok, kemacetan, dan hal hal keseharian masing masing orang. Viralitas ini juga menyebar sampai ke facebook, instagram, dan path.

Sayangnya saya baru sempat ambil data sejak tanggal 7 Februari, jadi lumayan telat sehari dari puncak masa populer hashtag tersebut. Akan tetapi walaupun telat, dimana saya mengambil tweets antara tanggal 7-9 februari (selama kurang lebih 50 jam). Saya mendapatkan 25 ribu tweet yang memuat hashtag #SayaBertanya. Menurut saya termasuk lumayanlah, sebenarnya proses crawling sampai saat ini masih tetap berjalan, tapi saya sudah ga sabar untuk segera analisa dan nunggu hasilnya :P. Dari 25 ribu tweet tersebut, saya memperoleh 8613 aktor dan 15898 relasi, cukup lumayan ramai / padat percakapan yang terjadi disana baik dalam bentuk retweet maupun reply / mention.  

Viralitas hashtag ini menunjukan bagaimana dinamisnya bangsa kita di media sosial. Bagaimana kreativitas merubah hal hal yang biasa menjadi suatu hiburan dan menjadi topik pembicaraan serius maupun santai. Fenomena yang asyik untuk diteliti dan dijadikan percobaan perilaku manusia di internet.

Berikut ini pola interaksi hashtag #SayaBertanya

Sayabertanya1

Sayabertanya2

Berikut ini ini adalah aktor aktor dominan dalam percakapan tersebut. @SBYudhoyono paling banyak dimention, diteruskan oleh @jokowi dan @basuki_btp. 3 kelompok terbesar adalah kelompok (modularity class) no 11, 544, dan 540. @jokowi @basuki_btp tidak termasuk ke dalam kelompok dominan. 

Screen Shot 2017 02 09 at 9 14 00 PM  2

Berikut ini contoh contoh tweet tweet dari hashtag ini yang lucu lucu (menurut saya lho)

Screen Shot 2017 02 09 at 8 43 47 PM

Screen Shot 2017 02 09 at 8 43 52 PMScreen Shot 2017 02 09 at 8 44 10 PM

Contoh contoh lain bisa dilihat di artikel (di detik) berikut ini : 

https://inet.detik.com/cyberlife/d-3415131/netizen-heboh-sayabertanya-kepada-presiden

Terpaksa Ngoding, Tapi Seneng …

Beberapa saat yang lalu saya diajak riset bersama oleh peneliti dari Inggris. Topik riset sendiri meneliti bisnis otomotif dengan mengambil data dari media sosial. Karena kesibukan saya yang “super” saat itu, maka saya serahkan proses data collection dan pre-processing ke asisten (mahasiswa). ekspektasi saya proses ini akan berjalan dalam waktu seminggu. Seminggu, dua minggu saya tunggu ternyata belum beres juga. Saya selidiki ternyata ada permasalahan dalam langkah pre-process data yang  saya baru tahu masih menggunakan beberapa langkah manual  … :(. Makanya asisten saya seperti kewalahan mengurusi data ratusan ribu tweet, kalau dibiarkan bisa bisa dia stress, plus saya sendiri udah tidak sabar nungguin hasil crawl dan analisa

Jadinya saya otak atik python supaya proses transformasi data mentah dari twitter ke format social network menjadi lebih cepat dan otomatis. Setelah setengah hari ngoding akhirnya problem pre-process yang berlangsung lama bisa diselesaikan dengan koding saya tersebut. Senengnya dari data twitter sebesar 500mb (200 ribu tweets) bisa saya konvert dalam kurun waktu kurang dari 10 menit. Wah tahu gini proses yang seminggu kemarin bisa diselesaikan dalam 10 menit. Memang kalo ga kepentok problem, sepertinya saya juga ga akan turun tangan ngoding sendiri …:D

Seneng juga kalo koding yang kita bikin bener bener menyelesaikan masalah .. nah akhirnya karena lagi seneng, maka saya teruskan menggambar visualisasi jejaring sosial 3 merk mobil dari data 200 ribu tweet yang saya sebutkan diatas … 

Merk A

merk A

Merk B

merk B

Merk C

merk C

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 …

Konferensi 4th InteliSys dan Jurnal Scopus

Konferensi 4th InteliSys yang kami ikuti sudah selesai dilaksanakan pada tanggal 20-12 Agustus 201. InteliSys adalah singkatan dari Interational Conference on Advances in Intelligent Systems in BioInformatics, Chem-Informatics, Business Intelligence, Social Media and Cybernetics. Jadi topik utama konferensi ini adalahpada sistem cerdas untuk bidang bidang yang disebutkan diatas. Output dari konferensi ini adalah ARPN Journal of Engineering and Applied Sciences yang terindeks SCOPUS (Q3). Konferensi ini diadakan bersamaan (waktu dan tempatnya) dengan konferensi international Internet Economics and Psycho Informatics. Terdapat sekitar 100an paper yang mendaftar, dan hanya sekitar 16 paper yang diterima untuk InteliSys. Kami cukup berbangga karena 2 paper kami termasuk kedalam 16 paper yang terpilih pada konferensi tersebut.

Paper pertama yang kami ikut sertakan berjudul “Social Network and Sentiment Analysis for Social Customer Relationship Management in Indonesia Banking Sector” . Paper ini adalah hasil riset saya bersama Aulia, mantan mahasiswa saya yang sekarang sudah lulus dan menjadi Data Scientist di anak perusahaan Telkom Indonesia. Paper kedua berjudul “Top Brand Alternative Measurement Based on Consumer Network Activity” . Paper kedua ini adalah kerja kolaborasi dengan dua mahasiswa saya (yang sudah lulus juga) Viva dan Bebyta. Paper ini adalah hasil riset hibah sekama penelitian dana internal Universitas Telkom 2016. 

Oh yah ada satu hal menarik dari materi yang dibawakan oleh salah satu keynote speaker yaitu Prof. Rudy Setiono dari National University of Singapore (NUS) yang berbicara mengenai Neural Network for Business Intelligence application. materi yang sangat menarik dan membuat saya belajar banyak. Bravo Prof …

 

Image2

 

Image1Image3

Tentang Pilkada 2015 : Studi Evolusi dan Dinamika Percakapan Online

Pada akhir tahun 2015 diselenggarakan Pemilihan Umum Daerah (Pilkada) untuk memilih kepala daerah tingkat 1 dan 2 secara serentak di berbagai wilayah di Indonesia. Komunitas DSI (Data Science Indonesia) dan Perludem (Perkumpulan untuk Pemilu dan Demokrasi) mengadakan beberapa studi/riset mengenai Pilkada tersebut. Partner riset saya (Jaka dan Adib) mengajak untuk membuat penelitian mengenai penyebaran informasi Pilkada di media sosial, tujuannya adalah melihat gaung pesta demokrasi ini di kalangan masyarakat Indonesia. Twitter adalah pilihan yang masuk akal, karena pada saat itu ramai sekali tweet tweet mengenai Pilkada.

Blog entry ini sebenarnya sangat terlambat, hal ini dikarenakan saya sendiri lupa pernah mengadakan penelitian ini, karena hasil penelitian waktu itu disampaikan di suatu acara di forum terbuka (dipresentasikan oleh Jaka dan Adib) dan tidak ditulis dalam bentuk jurnal, sehingga saya tidak mempunyai bukti pernah melakukan riset ini. Maka dari itu, blog entry ini akan menjadi pengingat mengenai riset pilkada yang pernah saya lakukan.

Data tweet diambil selama 6 hari (3-9 desember 2015) dengan jumlah tweet mencapai 900 ribu tweets. Jaringan percakapan dibagi menjadi masa selama kampanye, masa tenang, dan hari pelaksanaan pilkada. 

Penelitian kami membahas apa yang mengenerate percakapan di media sosial, bagaimana berita pilkada menyebar, dan bagaimana mengukur penyebaran berita tersebut. Presentasi lengkap dari Jaka bisa dilihat di Link ini (slideshare)

 

 

Screen Shot 2016 06 25 at 12 38 56 AM

 

NewImage

NewImage

 

 

 

Network dan Sentimen #SaveGojek

Kemarin selama beberapa jam layanan ojek online dilarang beroperasi oleh Kemenhub. Tagar #SaveGojek langsung merajai media twitter. Sambil nungguin Sarah ujian balet pagi ini, saya iseng crawl twitter tentang fenomena kemarin. Bagaimana network dan sentimen dari tweet tweet tersebut, bisa dilihat pada gambar dibawah ini. Network diperoleh dari percakapan yang terjadi. Crawling dengan library twitteR di R diperoleh 10 ribu tweet dalam rentang dari pukul 8:30 pagi sampai dengan pukul 14:00 siang tanggal 18 desember 2015. Saya berhentikan crawling data sampai 14:00 karena saat itu pelarangan ojek online di tunda, yang artinya ojek online sudah diperbolehan lagi.

Setelah melakukan penyaringan tweet saya memperoleh sekitar 2000 percakapan. Banyak sekali ditemukan tweet sampah, tampaknya ada orang / kelompok yang berusaha mengaburkan isu #SaveGojek dengan isu isu lain yang tidak berkaitan (sampah). Konstruksi interaksi di twitter membentuk network percakapan dengan visualisasi sebagai pada gambar dibawah ini. Seperti karakteristik cuitan pada twitter, mayoritas diwarna oleh opini pribadi, dan mayoritas akhirnya tidak membentuk percakapan yang memadai. 

Savegojek

Peringkat akun akun populer (me-mention + di-mention) adalah berturut turut @jokowi, @kurawa, @pramonoanung dan seterusnya. lengkapnya ada pada tabel dibawah ini, semakin besar nilai degreenya maka semakin populer akun itu di twitter.

 

Rankingsavegojek

Adapun sentimen dari tagar #SaveGojek dapat dilihat pada wordcloud berikut ini. Terlihat bahwa sentimen yang terjadi mayoritas adalah sentimen negatif terkait pelarangan ojek online, terutama berkaitan dengan kata kata dilarang, dukung, rakyat, inovasi, membantu, Jonan dan lain lain.  

Savegojekwordcloud

Ilusi Pada Jejaring Sosial

Peneliti jejaring sosial Lerman bersama rekan rekannya mempublish tulisan ilmiah yang sangat bagus dengan judul “Majority Illusion in Social Networks”. Begitu menariknya tulisan ini bahkan sampai dua artikel ditulis untuk membicarakan hal ini yaitu artikel MIT Technology Review dan Washington Post. Saya mencoba menterjemahkan overview dari paper tersebut dalam bahasa yang lebih sederhana (semoga berhasil)

Jejaring Sosial atau ilmu jaringan sering dipakai untuk menjelaskan fenomena kompleks dari interaksi antar individu. Perilaku sosial itu menular, dimana opini dan preferensi individu sering berubah dipengaruhi oleh opini dan preferensi teman teman dekatnya, dimana pada akhirnya akan mengarahkan kepada opini dan preferensi dari kelompok tersebut. Banyak contoh dari fenomena ini misalnya adopsi teknologi, norma sosial, pilihan politik, penyebaran brand produk dan lain lain. 

Pada kenyataannya individu tidak mengetahui secara global apa suara kelompoknya, yang mereka tahu adalah suara orang orang terdekat mereka saja. Secara statistik / perhitungan frekuensi maka hal ini tidak akan terpotret. Kita melakukan statistik dengan syarat kita mempunyai pengetahuan global atas suatu kelompok. Perhatikan gambar  jejaring sosial dibawah ini : secara global dengan perhitungan statistik kita melihat opini warna oranye mendominasi kelompok tersebut, tetapi secara lokal, setiap warna oranye mengira bahwa opini dia adalah minoritas, karena teman temannya mayoritas memilih warna biru.  Dengan adanya ilusi seperti ini maka jejaring sosial memfasilitasi penyebaran informasi dan menjelaskan mengapa suatu kelompok tiba tiba bias ke suatu pilihan tertentu jika posisi jejaringnya sesuai.

Network

Pendekatan secara jaringan akan mampu menjelaskan dan memformulasikan problem kompleks mengenai hubungan dinamis yang tidak bisa dipecahkan oleh formulasi frekuensi atau statistik konvensional. Saya rasa ini adalah formulasi dinamika penyebaran melalui jejaring sosial yang cukup bagus di modelkan oleh Lerman dan rekan rekannya .. salam ..

Kekuatan Hubungan Lemah Pada Jejaring Sosial

Karya Granovetter yang paling terkenal adalah paper “The Strength of Weak Ties”  (1973). Paper ini merupakan paper yang paling banyak disitasi di bidang sosiologi. Ide Granovetter sangat revolusioner pada jamannya, dimana dia melihat bahwa keberhasilan penyebaran informasi menuju ke populasi yang lebih besar pada bidang pemasaran, politik, dan lain lain bergantung kepada hubungan pertemanan lemah yang dimiliki seseorang atau kelompok. Berlawanan dengan anggapan orang pada masa itu, hubungan (pertemanan) yang kuat ternyata justru tidak akan membawa atau menyebarkan informasi ke audience yang lebih luas. 

Secara empiris, hal ini bisa kita buktikan. Hubungan transitivity , yaitu jika si A kenal B, dan B kenal C, maka kemungkinan besar A akan kenal C, dari sini bisa dilihat kalo melibatkan banyak orang maka akan timbul hubungan pertemanan yang kuat atau sering di sebut clique  dimana setiap anggota suatu jejaring sosial akan kenal semua anggota jejaring sosial tersebut. Dua sifat diatas akan membentuk cluster / community / kelompok pada jejaring sosial, dimana pada suatu kelompok biasanya mempunyai pemikiran atau ide yang sama dalam melihat suatu permasalahan. Informasi yang beredar didalam grup itu akan menyebar keluar (secara luas) melalui hubungan hubungan lemah antara orang orang di dalam grup dengan orang orang di luar. Untuk tahu lebih detail melihat formulasi dan eksperimennya, silahkan baca papernya dari link diatas. 

Ilustrasi lainnya adalah kita bisa menyebarkan suatu informasi ke khalayak yang lebih luas dibantu oleh semua teman teman kita, dimana tentu saja yang dominan jumlahnya adalah teman teman yang hubungannya lemah. Temen teman dekat kita tentu jumlahnya terbatas dan lebih sedikit dengan teman yang tidak begitu dekat. Jadi cermatilah teman teman anda, perhatikan dan lihat apakah ada peluang bagi anda untuk memanfaatkannya untuk kepentingan anda dalam menyebarkan informasi ?

 

400px Tie network

ilustrasi penyebaran informasi antar kelompok karena adanya hubungan lemah