1. Dokumen tersebut membahas tentang pemanfaatan big data dari sumber-sumber terbuka seperti media sosial dan berita online untuk keperluan monitoring dan analisis bencana secara lebih luas dan rinci di seluruh Indonesia dan setiap wilayah. 2. Cuitan netizen di media sosial yang real-time terhadap kejadian bencana menjadi sumber penting untuk informasi bencana, yang kemudian dikelompokkan berdasarkan kategori seperti peristiwa, b

1. PEMANFAATAN BIG DATA
DALAM MITIGASI
BENCANA:
KOMUNIKASI RESIKO DAN KRISIS
Ismail Fahmi, Ph.D.
Director PT. Media Kernels Indonesia
(a.k.a Drone Emprit)
Ismail.fahmi@gmail.com
WEBINAR FEMA IPB
16 DESEMBER 2021

2. 2
1992 – 1997 Undergraduate, Electrical Engineering, ITB, Indonesia
2003 – 2004 Master, Information Science, University of Groningen, NL
2004 – 2009 Doctor, Information Science, University of Groningen, NL
2009 – Now Engineer at Weborama (Paris/Amsterdam)
2014 – Now Founder PT. Media Kernels Indonesia, a Drone Emprit Company
2015 – Now Consultant at Perpustakaan Nasional, Inisiator Indonesia OneSearch
2017 – Now Lecturer at the IT Magister Program of the Universitas Islam Indonesia
Ismail Fahmi, Ph.D.
Ismail.fahmi@gmail.com

3. AGENDA
• Tentang Drone Emprit
• Big data untuk statistic
• Big data untuk aktivitas kemanusiaan
• Sistem big data
• Memonitor bencana: case Jawa Barat
• Memonitor bencana nasional
• Ekstraksi informasi dari berita online
• Media sosial vs Media online
• Penutup
3

4. TENTANG DRONE EMPRIT

5. BIG DATA DI KEMENTERIAN PERTAHANAN
5

6. PIKOBAR JAWA BARAT
6
2020

7. PIKOBAR
PUSAT INFORMASI DAN KOORDINASI COVID-19 JAWA BARAT
7

8. SOCIAL MEDIA ANALYTICS DI PIKOBAR
8
Drone Emprit Customized

9. SOCIAL MEDIA ANALYTICS DI PIKOBAR
9
Drone Emprit
Drone Emprit Customized

10. BIG DATA UNTUK STATISTIK

11. DATA GROWTH: UNSTRUCTURED DATA
11

12. BIG DATA – BIG GROWTH
12

13. UN GLOBAL WORKING GROUP ON BIG DATA FOR
OFFICIAL STATISTICS
13
https://unstats.un.org/bigdata/bureau/documents/reports/GWG%20report%20-%202019-27-BigData-E.pdf

14. BIG DATA SOURCE: SOCIAL NETWORK
14

15. BIG DATA SOURCE: IOT / MOBILE DATA
15

16. BIG DATA FOR
HUMANITARIAN ACTIONS

17. 17

18. CITIZEN
FEEDBACK
18

19. HAZE GAZER
19

20. MONITORING SOCIAL RESPONSE BEFORE AND AFTER
NATURAL DISASTERS WITH DATA ANALYTICS
20

21. SISTEM BIG DATA

22. MEDIA KERNELS BIG DATA ARCHITECTURE
22
News Crawler
Twitter Crawler
Twitter Streaming
FB Page Crawler
Data Pipeline
Data
SOLR Indexer 1 SOLR Indexer 2 SOLR Indexer 3 SOLR Indexer 4
Hadoop Framework
Physical Hardware
Insight
Data
Ingest
Management
&
Queue
Realtime
Job
Processing
IG, YouTube
Database Framework
Scheduled
Job
Processing
Map Reduce
Sentiment
Analysis
Other
Processings
Data
&
Workflow
Management
Access
Visualization
Other sources
Analytics UI

23. 23
Social Media
Twitter
Facebook
Search
+
JSON
Detik (ID)
Reuters (EN)
Etc..
RSS
+
HTML
Gatra (ID)
Bloomberg (EN)
Etc..
HTML
Kaskus
Detik Forum
Etc..
HTML
Online News
Forums
Twitter Stream
JSON
Kompas
TEXT
Warta Ekonomi
Etc..
Print
PUSH
JSON
Subscriber
Projects
Storage
Search + Account
Crawler
RSS + HTML
Crawler
HTML Crawler
HTML Crawler
SOLR Nodes
Shard 1
SOLR Nodes
Shard N
Index Servers
Redis Queue
Cache Manager
Mentions
Storage
Keywords +
Accounts Filters
deletes
Sentiment
Analysis
Sentiment
Models
Backtrack
Filters
Sentiment
Analysis
Analyses
Control Room
Screens
Smart phones,
tablets
Desktops
Client(s)
Converter
System Architecture

24. SOCIAL MEDIA ANALYTICS FEATURES
24
Trends
DASHBOARD
Comparison
Topic Map
NEWS PORTAL
Latest News
Media
ANALYTICS
News Sites
Page Ranks
Sentiment Analysis
PF-Chart
Engagement
Exposure
Retweets
TOPICS
Replies
Most Shared URLs
Most Shared Videos
Topic Map
Word Cloud
Impact
INFLUENCERS
Engagement
Reach
Most Engaged
Followers
Influencer Network
SNA
Topic Network
PR-Values
Reach
Hashtags Posts
Bubble Map
Twitter User Map
DEMOGRAPHY
User Locations
Edit Sentiments
MENTIONS
Training & Learning
Backtracking
Compare SNA
COMPARE
Compare Projects
Popularity vs
Favorability
Background Jobs
Upload Report
REPORTING
Download Report
User Management
ADMIN
Project Management
Client Management
Source Management
Label and Training
OPINION ANALYSIS
Opinion Chart
Insight Explorer

25. Data Lake
Keywords
BASIC: KEYWORD + FILTER
25
Twits
twit
twit
news
Filters

26. MEMONITOR BENCANA (BANJIR & GEMPA)
DI JAWA BARAT

27. PIKOBAR JAWA BARAT
27
2020

28. PETA SEMUA TOPIK
28

29. PETA “GEMPA BUMI”
29

30. ZOOM PETA ‘GEMPA BUMI’: CIANJUR
30

31. PETA ”BANJIR”
31

32. MEMONITOR BENCANA NASIONAL
BANJIR, GEMPA, LONGSOR, KEBAKARAN HUTAN

33. SETTING MONITORING KEBENCANAAN
33

34. TREN BENCANA – 3 BULAN TERAKHIR
34
Gempa Pacitan
Gempa Blitar
Gempa Banten, Jepara
Banjir Masamba
Banjir Masamba
Kebakaran
Hutan Brasil

35. VOLUME PERCAKAPAN KEBENCANAAN
35

36. PETA SEBARAN KOTA NETIZEN - GEMPA
36

37. PETA SEBARAN KOTA NETIZEN – BANJIR
37

38. SEBARAN NETIZEN DI PULAU JAWA - BANJIR
38

39. DETAIL PERCAKAPAN ‘BANJIR’ NETIZEN TUBAN
39

40. DETAIL PERCAKAPAN ‘BANJIR’ DI MAKASSAR
40

41. EXTRAK DATA DARI BERITA BENCANA
DI MEDIA ONLNIE

42. NAMED ENTITY RECOGNITION
42
LOCATION PERSON ORGANIZATION

43. TREN ‘BANJIR’ NASIONAL
43

44. ENTITAS NAMA DALAM TEKS BERITA
44

45. SEBARAN LOKASI BANJIR NASIONAL
45

46. BANJIR DI SEBUAH KOTA (MAKASSAR)
46

47. DETAIL PEMBERITAAN BANJIR DI SEBUAH KOTA
47

48. PETA SEBARAN BANTUAN BANJIR
48

49. SNAPSHOT BANTUAN BANJIR DALAM BERITA
49

50. ENTITAS DATA HASIL EKSTRAKSI DARI BERITA
50

51. EKSTRAK DATA BATUAN DARI BERITA
51

52. EKSTRAK INFORMASI KEGIATAN
LEMBAGA PEMBERI BANTUAN

53. PERAN ‘ACT’ DALAM BANJIR LUWU
53

54. PERAN ‘MUHAMMADIYAH’ DALAM BANJIR LUWU
54

55. MEDIA SOSIAL VS MEDIA ONLINE

56. KEBAKARAN HUTAN:
BERITA ONLINE VS MEDIA SOSIAL
56
Media lokal lebih banyak
memberitakan
Feb-Maret 2021

57. TWITTER: BIAS PENGGUNA MEDIA SOSIAL
57
Lebih banyak
di Jawa
KEBAKARAN HUTAN
Feb-Maret 2021

58. BERITA ONLINE: LEBIH REPRESENTATIF
58
KEBAKARAN HUTAN

59. PENUTUP

60. RANGKUMAN /1
• Dari data OSINT (Open Source
Intelligence) seperti media
sosial dan media online, kita
bisa membuat peta monitoring
dan analisis kebencanaan yang
lebih luas untuk seluruh
Indonesia dan lebih detail di
setiap wilayah.
60

61. RANGKUMAN /2
• Cuitan netizen di media sosial yang
realtime terhadap kejadian bencana
menjadi sumber penting untuk
mendapatkan informasi kebencanaan.
• Informasi mereka bisa dikelompokkan
ke dalam berbagai kategori sinyal
seperti:
• Peristiwa bencana
• Penyaluran bantuan
• Pihak yang turut membantu
• Lokasi bencana, kebutuhan, dan bantuan,
• dll
61

62. RANGKUMAN /3
• Berita dari media onlineyang sifatnya
lebih faktual, berdasarkan laporan
jurnalis di lapangan, dan lebih
terstruktur, secara implisit
mengandung data kebencanaan.
• Kita bisa ekstrak data dari berita ini
menggunakan teknologi komputasi
bahasa.
• Kategori dan klasifikasi informasi (atau
disebut ontology) khusus kebencanaan
dari OSINT penting dibuat agar
informasi yang tampaknya tak punya
struktur ini bisa menjadi bermakna
untuk monitoring, analisis, dan aksi.
62

63. SARAN

64. CURRENT SITUATION:
VICIOUS CYCLE OF NOISES
64
Government
Noise
Public
Noise
Buzzers Buzzers

65. PROPOSED SOLUTION:
INCREASING S/N RATIO
65

66. SOCIAL MEDIA & BIG DATA
66
Government
Big Data Analytics
Signal
Response,
engagement
Policy & PR

67. SARAN
• Sistem big data ditempatkan sebagai ”mata dan telinga” yang
secara terus-menerus mengangkap sinyal untuk menjadi
masukan bagi strategi komunikasi dan penyusunan kebijakan.
• Perlu strategi komunikasi yang tepat agar publik menjadi subjek
bukan objek dalam mitigasi bencana. Dengan publik yg aktif,
kita bisa menangkap voice, bukan noise.
67

68. THANK YOU
Ismail Fahmi, Ph.D.