Tentang Drone Emprit Drone Emprit Academic Social Media Analytics for Special Purposes Understanding Social Media Data Sources Big Data Analytics Architecture Analytics Workflow and Settings Twitter Data Crawling Crawling Sumber Data Lain Story Telling With Data Use Cases Analisis Trend Analisis Jaringan Sosial Analisis Aktor Analisis Narasi Analisis Topik Analisis Geo Location Analisis Sentimen Analisis Emosi Analisis Demografi Analisis Bot Analisis Difusi Informasi Cara mensitasi Drone Emprit

1. SOCIAL MEDIA
ANALYTICS
UNTUK AKADEMIK, BISNIS,
JURNALISTIK, DAN INVESTIGASI
Ismail Fahmi, Ph.D.
Director Media Kernels Indonesia (Drone Emprit)
Lecturer at the University of Islam Indonesia
Ismail.fahmi@gmail.com
WORKSHOP KBI 2020
30 OKTOBER 2020
ACADEMIC

2. ACADEMIC
2
1992 – 1997 S1, Teknik Elektro, ITB
2003 – 2004 S2, Information Science, Universitas Groningen, Belanda
2004 – 2009 S3, Information Science, Universitas Groningen, Belanda
2000 – 2003 Inisiator IndonesiaDLN (Digital Library Network pertama di Indonesia)
Mengembangkan Ganesha Digital Library (GDL)
Mendirikan Knowledge Management Research Group (KMRG) ITB
Membangun Digital Library ITB
2009 – Sekarang Engineer di Weborama, Perusahaan berbasis big data (Paris/Amsterdam)
2014 – Sekarang Founder PT. Media Kernels Indonesia, a Drone Emprit Company
2015 – Sekarang Konsultan Perpustakaan Nasional, Inisiator Indonesia OneSearch
2017 – Sekarang Dosen Tetap Magister Teknik Informatika Universitas Islam Indonesia
Ismail Fahmi, Ph.D.
Ismail.fahmi@gmail.com
Lahir: Bojonegoro, 1974
Founder Media Kernels Indonesia

3. ACADEMIC
WORKSHOP AGENDA
• Tentang Drone Emprit
• Drone Emprit Academic
• Social Media Analytics for
Special Purposes
• Understanding Social Media
Data Sources
• Big Data Analytics Architecture
• Analytics Workflow and Settings
• Twitter Data Crawling
• Crawling Sumber Data Lain
• Story Telling With Data
• Use Cases
• Analisis Trend
• Analisis Jaringan Sosial
• Analisis Aktor
• Analisis Narasi
• Analisis Topik
• Analisis Geo Location
• Analisis Sentimen
• Analisis Emosi
• Analisis Demografi
• Analisis Bot
• Analisis Difusi Informasi
• Cara mensitasi Drone Emprit
3

4. ACADEMIC
TENTANG DRONE EMPRIT

5. ACADEMIC
ABOUT PT. MEDIA KERNELS INDONESIA
PT. Media Kernels Indonesia is focused on harnessing Natural
Language Processing (NLP) technologies to provide innovative
solutions in big data, text mining and insight discovery for
knowledge-based institutions.
Our products:
• Media Kernels (aka Drone Emprit), a media monitoring and
analytics tool.
• Fact Miner, an information extraction and visualization tool for
unstructured text.
5
FactMiner

6. ACADEMIC
6
S2-S3
2003 - 2009
UNIVERSITY OF GRONINGEN
BELANDA

7. ACADEMIC
7
AMSTERDAM
2009 - 2014

8. ACADEMIC
8
PHP Perl
Natural Language
ProcessingSOLR
Zend Framework
Machine Learning
AMSTERDAM
2009 - 2014

9. ACADEMIC
DRONE EMPRIT ACADEMIC

10. ACADEMIC
TENTANG DRONE EMPRIT ACADEMIC
Drone Emprit Academic adalah sebuah
sistem big data yang menangkap dan
menganalisis percakapan di media sosial
khususnya Twitter, yang dikembangkan
oleh PT Media Kernels Indonesia, dan
bekerjasama dengan Universitas Islam
Indonesia untuk penyediaan layanannya.
Drone Emprit menggunakan layanan API
(Applications Programming Interface) dari
Twitter untuk menangkap percakapan
secara semi realtime melalui metode
streaming.
10

11. ACADEMIC
DRONE EMPRIT ACADEMIC
FREE SOCIAL MEDIA (TWITTER) DATA ANALYTICS
11

12. ACADEMIC
JOIN DRONE EMPRIT ACADEMIC
HTTPS://DEA.UII.AC.ID
12

13. ACADEMIC
HOW IT WORKS
13
STEPS:
• Registration
• Propose keywords
• Analysis and publication
Dashboard
Access
REQUIREMENTS:
• Publish their analysis for public
using any medium at least 1
publication every 2 months.
USERS
• Students
• Researchers
• Lecturers
• Journalists
• Blogger
• Hoax buster
Admin

14. ACADEMIC
TOPICS BASED ON SDGS
(SUSTAINABLE DEVELOPMENT GOALS)
14

15. ACADEMIC
DRONE EMPRIT ACADEMIC DASHBOARD
15

16. ACADEMIC
SOCIAL MEDIA ANALYTICS FOR
SPECIAL PURPOSES

17. ACADEMIC
AKADEMIK
• Membutuhkan metodologi yang
jelas dan ilmiah sejak tahap
pengumpulan data, pengolahan,
analisis, dan visualisasinya.
• Media sosial merekam percakapan
tentang semua aspek dari pengguna
dengan berbagai latar belakang; ini
menjadi sumber berharga bagi
penelitian dan kajian di berbagai
bidang keilmuan.
17

18. ACADEMIC
BISNIS DAN INDUSTRI
18
• Dunia bisnis dan industri
memiliki fokus pada isu-isu
berikut:
• Inovasi produk baru
• Peningkatan penjualan
• Memprediksi kebutuhan pasar
• Mengurangi pengeluaran
• Efesiensi proses
• Mendapatkan talen yang
dibutuhkan
• Dll
• Media sosial banyak digunakan
dalam bisnis dan industri untuk
sebagian isu di atas.

19. ACADEMIC
JURNALISTIK
• Saat ini, jurnalistik dan media sosial
sudah tidak bisa dipisahkan.
Keduanya saling melengkapi.
• Banyak berita yang berasal dari
media sosial, menjadi viral, hingga
masuk ke media massa. Demikian
juga sebaliknya, berita dari media
massa menjadi bahan perbincangan
di media sosial.
• Analisis media sosial (OSINT) bisa
menjadi bahan jurnalistik yang
penting.
19

20. ACADEMIC
INVESTIGASI
• Hoaks, disinformasi, computational
propaganda, cyber troops, dan trools
merupakan istilah yang tidak asing
lagi di media sosial yang ditujukan
untuk memanipulasi opini publik.
• Analisis media sosial dari big data
percakapan akan membantu
memahami pola yang dilakukan, siapa
pelakunya, apa yang jadi narasi
utamanya, kapan dimulai, dst.
20

21. ACADEMIC
UNDERSTANDING SOCIAL MEDIA
DATA SOURCES

22. ACADEMIC
BIG DATA – BIG GROWTH
22

23. ACADEMIC
PENGGUNA TWITTER DI INDONESIA
NAIK DARI 27% (2018) MENJADI 56% (2020)
23
27%
52%
56%
2018
2019
2020

24. ACADEMIC
24

25. ACADEMIC
25
MILLENIALGEN Z

26. ACADEMIC
CROSS PLATFORM RESONANCE
26

27. ACADEMIC
BIG DATA ANALYTICS
ARCHITECTURE

28. ACADEMIC
DRONE EMPRIT SYSTEM ARCHITECTURE
Twitter
Facebook
YouTube
Instagram
Online News
Physical Hardware
SOLR Index 1 SOLR Index 2 SOLR Index N
Data Lake Engine
Crawler &
Data
Ingest
Engine
RealtimeJob
Analytics Engine
SQL DB Engine
ScheduledJob
Advanced
Analytics
BasicAnalytics
API Engine
AccessControl
Data
Advanced
Analytics
BasicAnalytics
UI EngineData Sources
Theme
Config
Logo
Features
Hostname
TikTok

29. ACADEMIC
DRONE EMPRIT FEATURES
29

30. ACADEMIC
30
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 StreamJSON
Kompas
TEXT
Warta Ekonomi
Etc..
Print
PUSHJSON
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

31. ACADEMIC
SERVER ARCHITECTURE
Media Kernels installation with 12 servers:
• Maximum 2000 keywords
• Online news crawler & data ingestion (Server 1, 2, 3)
• Twitter, Facebook, Instagram, and YouTube crawlers (Server 4, 5, 6, 7, 8)
• Data lake and analytics (Server 6, 7, 8, 9, 10)
• Database and API (Server 11, 12)
• Web (Server 11, 12)
• NAS (Network Attached Storage)
31
Server 1
Server 2
Server 3
Server 4
Server 5
Server 6
INTERNET
Router
NAS
Server 7
Server 8
Server 9
Server 10
Server 11
Server 12

32. ACADEMIC
WORKFLOW & SETTING

33. ACADEMIC
WORKFLOW
33
Data
Population
(backtrack)
Analysis Visualization
Sentiment analysis,
opinion analysis, bot
analysis, demography
analysis, etc
Keyword dan filter Social Network Analysis,
Tree Map, Geolocation
Map, Trends, etc.

34. ACADEMIC
RESEARCH QUESTIONS &
KEYWORD SETTINGS
• Saat memulai analisis, yang perlu dibuat
adalah: Research Questions.
• Insight apa saja yang ingin didapat dari analisis.
• Bisa menggunakan kerangka 5W + 1H dalam
menyusun pertanyaan.
• Kemudian atur setting kata kunci dan filter
untuk mendapatkan “populasi percakapan”
seakurat dan selengkap mungkin.
• Percakapan di media sosial yang terkumpul
menggunakan setting ini tidak boleh
mengandung noise (percakapan tidak relevan)
terlalu banyak.
• Tidak boleh juga terlalu sedikit, banyak yang
hilang, karena ingin akurat.
34

35. ACADEMIC
DATA IS VERY EXPENSIVE TO GET
35

36. ACADEMIC
TWITTER DATA CRAWLING

37. ACADEMIC
KEYWORD & FILTER
37
Sensus, sp2020, ..
Sensus
penduduk
Keyword à Twitter
Sumber daya yang sangat terbatas
Filter à Data Lake
Membatasi hasil pencarian

38. ACADEMIC
BERHEMAT DENGAN KEYWORD
(DIAGRAM VENN)
38
Sensus, sp2020, ..
Sensus penduduk

39. ACADEMIC
Data Lake
Keywords
KEYWORD + FILTER
39
Twits
twit
twit
twit
Filters

40. ACADEMIC
API: SEARCH/TWEETS
40

41. ACADEMIC
FULL ARCHIVE (BERBAYAR)
41

42. ACADEMIC
DATA IS EXPENSIVE
100 USD PER 50.000 TWEETS
42

43. ACADEMIC
CONTOH: FREE TWITTER SEARCH
43
History: 7 days
Start search
100% results

44. ACADEMIC
API: REALTIME (SAMPLE)
44
Random SampleAll Statuses
Kurang dari 10%

45. ACADEMIC
API: REALTIME (FILTER)
45

46. ACADEMIC
API: REALTIME (FILTER)
46
Filtered StatusesAll Statuses
~ 100%
POST statuses/filter
Filter max 400 keywords
Filter:
Max 400 keywords

47. ACADEMIC
KEYWORDS:
SUMBER DAYA YANG SANGAT TERBATAS
47
TWITTER
Max 400
keywords
Server
IP Addr 1
Server
IP Addr 2
Server
IP Addr n
Max 400
keywords
Max 400
keywords
DRONE EMPRIT
ACADEMIC
DATA LAKE

48. ACADEMIC
CRAWLING
SUMBER DATA LAIN

49. ACADEMIC
ONLINE NEWS CRAWLER
49
Crawler Indeks Server

50. ACADEMIC
DRONE EMPRIT WEB CRAWLER
Dibuat sendiri, berbasis Perl.
50

51. ACADEMIC
FACEBOOK: SELENIUM
51

52. ACADEMIC
INSTAGRAM
52

53. ACADEMIC
YOUTUBE
53

54. ACADEMIC
STORY TELLING WITH DATA

55. ACADEMIC
DATA IS THE NEW GOLD
• Ini benar kalau kita bisa
mengolahnya menjadi insight.
• Ini salah kalau kita “mati gaya”
di depan data, tidak punya ide
bagaimana memanfaatkannya.
• Jadi selain data itu sendiri, kita
perlu seorang “Alchemist”
yang bisa mengubahnya
menjadi “emas.”
• Dia adalah: data scientist.
55

56. ACADEMIC
DATA SCIENCE
56

57. ACADEMIC
57

58. ACADEMIC
RECOMMENDED BOOK
58

59. ACADEMIC
CASE 1: ANALISIS TREND (WHEN)

60. ACADEMIC
INSIGHT DARI GRAFIK TREN
• Analisis yang paling mudah dibuat namun bisa memberi insight
yang sangat penting adalah analisis tren.
• Tips analisis grafik tren:
• Menampilkan sebuah peristiwa.
• Membandingkan beberapa peristiwa dalam sebuah grafik.
• Ajukan banyak pertanyaan: bagaimana dimulai, kapan hoaks pertama
muncul, kenapa terjadi peak, apa penyebab penurunan, apa korelasi dua
peristiwa, dll.
• Case studies:
• Wiji Thukul
• New Normal vs AKB
60

61. WIJI
THUKUL
DI TENGAH AVA K-POPERS
DATE
5-6 OKTOBER 2020
DATA SOURCES
TWITTER
CASE STUDY“

62. ACADEMIC
RESEARCH QUESTIONS
Di timeline Twitter, bersliweran puisi Wiji Thukul yang berbunyi:
“Apabila usul ditolak tanpa ditimbang, suara dibungkam, kritik dilarang tanpa
alasan, dituduh subversif dan mengganggu keamanan, maka hanya ada satu kata:
lawan!”
• Bagaimana awalnya puisi Wiji Thukul ini menjadi viral?
• Bagaimana tren volume cuitannya?
• Siapa yang memviralkan puisi ini?
62

63. ACADEMIC
GOOGLE TREND “WIJI THUKUL”
Pada tanggal 5 Oktober, jam 9 malam, mulai terjadi lonjakan pencarian kata kunci “wiji thukul” di search
engine Google. Sejak saat itu, pencarian kata kunci ini terus meningkat dan dilanjutkan pada hari berikutnya.
63

64. ACADEMIC
TREN DI TWITTER (DRONE EMPRIT)
Sedangkan di Twitter, percakapan mulai naik terjadi pada tanggal 5 Oktober 2020, jam 19:00, atau 2 jam sebelum
pencarian di Google mulai naik. Tampaknya, percakapan di Twitter membuat netizen mencari di Google siapa itu “Wiji
Thukul.” Dan delaynya hanya 2 jam.
Pada hari berikutnya (6 Okt), percakapan mulai naik lagi pada pukul 11 pagi hingga malam. Dan trennya masih terus
tinggi.
64
21:00 start peak
Google Trend
“Wiji Thukul”
makin naik
Dalay 2 jam dari
Twitter ke Google
Search
11:00
09:55 awal
cuitan puisi Wiji
Thukul

65. NEW
NORMAL
VS ADAPTASI KEBIASAAN
BARU (AKB)
DATE
1 JULI – 21 AGUSTUS 2020
DATA SOURCES
TWITTER
CASE STUDY“

66. ACADEMIC
TREND GLOBAL: ‘NEW NORMAL’
66
Keywords: New Normal
26 Mei: Presiden Jokowi
mengunjungi mall di
Bekasi, persiapan New
Normal
KAMPANYE NEW NORMAL

67. ACADEMIC
TREN: NEW NORMAL VS AKB
NEW NORMAL TETAP TINGGI HINGGA SEKARANG
67
10 JULI 2020
Dari New Normal ke
AKB
New Normal Tetap Tinggi
New Normal
AKB

68. ACADEMIC
CASE 2: ANALISIS JARINGAN SOSIAL (SNA)

69. ACADEMIC
SOCIAL NETWORK ANALYSIS
69

70. ACADEMIC
BETWEENNESS CENTRALITY
70

71. ACADEMIC
ANATOMI SEBUAH CUITAN
71

72. ACADEMIC
ELEMEN METADATA SEBUAH CUITAN
72

73. ACADEMIC
RELASI RETWEET
73

74. ACADEMIC
RELASI: RETWEET (AGREEMENT) VS MENTION
(DISCUSSION)
74

75. ACADEMIC
RELASI RETWEET
75

76. ACADEMIC
RELASI MENTION
76

77. ACADEMIC
CASE 3: ANALISIS AKTOR (WHO)

78. ACADEMIC
CARA MENGETAHUI AKTOR
• Banyak pertanyaan yang bisa diambil terkait actor dalam sebuah
peristiwa. Misalnya:
• Siapa yang memulai sebuah isu?
• Siapa penyebar hoaks pertama kali, dan siapa influencer atau buzzer yang
pertama mengamplifikasi?
• Siapa tokoh yang paling berpengaruh dalam sebuah isu?
• Kelompok mana yang paling aktif mengangkat sebuah isu?
• Aktor mana yang berpindah dari satu kubu ke kubu lainnya?
• Dll.
• Bagaimana menjawab pertanyaan di atas? Berikut ini beberapa analisis
yang bisa digunakan:
• Grafik tren
• Most retweeted posts
• Social Network Analysis
• Avatar top actors
78

79. ACADEMIC
TREN: MENGETAHUI AWAL MULA MUNCULNYA
PUISI WIJI THUKUL
Dari data yang ditangkap Drone Emprit, cuitan puisi ini pertama kali muncul pada tgl 4 Oktober, jam 09:55 oleh akun @nasirltp. Cuitan
itu dihapus, lalu dibuat lagi pada pukul 10:00 dengan menyertakan link berita dari situs Liga Mahasiswa Nasional Untuk Demokrasi
(LMND) tentang penetapan RUU Ciptaker oleh Pemerintah dan DPR. Dilanjutkan oleh @Daffaramdhnn yang menampilkan gambar
berisi puisi Wiji Thukul lebih lengkap pada pukul 15:18.
79

80. ACADEMIC
SNA ”WIJI THUKUL”: KELOMPOK MANA?
80
K-POPER

81. ACADEMIC
TOP 5 INFLUENCERS “WIJI THUKUL”
81

82. ACADEMIC
TOP 60 INFLUENCERS “WIJI THUKUL”
82

83. ACADEMIC
TOP AVATAR “WIJI THUKUL”: K-POPERS
83

84. PERGESERAN PENDUKUNG
JOKOWI
(2014 – 2020)
DATE
2014 - 2020
DATA SOURCES
TWITTER
CASE STUDY“

85. ACADEMIC
JANUARY 2014: GUBERNUR DKI JAKARTA
PRO
KONTRA
2014

86. ACADEMIC
SEP-OKT 2017: PRESIDEN RI, SETELAH PILKADA DKI
PRO
KONTRA
2017
PRO

87. ACADEMIC
JAN-FEB 2020: PRESIDEN RI, PRA COVID-19
87
PRO KONTRA
2020

88. ACADEMIC
OKT 2020: PRESIDEN RI, OMNIBUS LAW
88
PRO
KONTRA
2020

89. BAGAIMANA GIVE AWAY
BEKERJA DALAM
PERANG TAGAR
DATE
29 SEPTEMBER – 2 OKTOBER 2020
DATA SOURCES
TWITTER
CASE STUDY“

90. ACADEMICVOLUME
#GejayanMemanggil2
#MahasiswaPelajarAnarkis

91. ACADEMICTREN
#GejayanMemanggil2
#MahasiswaPelajarAnarkis

92. ACADEMIC
DISINFORMASI BISA DICIPTAKAN DENGAN CARA MURAH MERIAH:
MELALUI AKUN-AKUN ANONIM, GIVEAWAY, DAN BUZZER
1) SEBUAH DISINFORMASI BISA DIMULAI DARI
SEBUAH AKUN ANONIM ATAU GIVEAWAY,
YANG DIAMPLIFIKASI OLEH AKUN-AKUN
SEPERTI BOT, AGAR #TAGAR CEPAT
TRENDING
2) KARENA TRENDING, #TAGAR MUDAH
DILIHAT OLEH AKUN-AKUN NATURAL, YANG
TURUT MENGAMPLIFIKASI JIKA COCOK,
ATAU MENCOUNTER JIKA TIDAK SETUJU
3) DI PENGHUJUNG HARI, AKUN GIVEAWAY YANG
MENGINISASI #TAGAR TIDAK LAGI DOMINAN, KARENA
PERCAKAPAN SUDAH DIAMBIL ALIH OLEH AKUN-AKUN
NATURAL DAN VIRAL
#MahasiswaPelajarAnarkis
AKUN ANONIM
AKUN ANONIM
AKUN ANONIM
AKUN MAHASISWA
AKUN MAHASISWA
AKUN MAHASISWA
TAGAR #MAHASISWAPELAJARANARKIS DICIPTAKAN UNTUK
MENGACAUKAN NARASI DALAM GERAKAN MAHASISWA
#GEJAYANMEMANGGIL2, MELALUI AKUN GIVEAWAY, ANONIM
DAN BUZZER

93. ACADEMIC
DAMPAK SEBARAN DISINFORMASI:
NARASI PENTING TERTUTUPI OLEH DISINFORMASI
KONTRA MAHASISWA PRO MAHASISWA
#GejayanMemanggil2
#MahasiswaPelajarAnarkis
DISINFORMASI SERING SENGAJA DICIPTAKAN
UNTUK MEMBENTUK OPINI PUBLIK DEMI
KEPENTINGAN TERTENTU, DENGAN ATAU TANPA
BANTUAN AGEN KOMUNIKASI PUBLIK
STARTER BUZZERS
TARGET
TARGET
TARGET
TARGET
KETIKA DISINFORMASI MENYEBAR LUAS, NARASI
KEBENARAN MENJADI TERSINGKIR DAN
TERTUTUPI, DAN PADA AKHIRNYA PUBLIK SULIT
MENEMUKANNYA
DISINFORMASI YANG DILAKUKAN TERUS-MENERUS
OLEH SEBUAH KELOMPOK, YANG MENYENTUH
ASPEK SPIKOLOGIS DAN “POST-TRUTH” PUBLIK,
AKHIRNYA AKAN MENGANCAM DEMOKRASI ”AKAL
PIKIRAN”
GRAFIK JARINGAN SOSIAL INI MEMPERLIHATKAN KETIKA TAGAR
#MAHASISWAPELAJARANARKIS BERHASIL MENEMBUS NARASI
#GEJAYANMEMANGGIL2, YANG IRONISNYA MAHASISWA TURUT
MENGAMPLIFIKASI TAGAR TERSEBUT

94. ACADEMIC
CASE 4: ANALISIS NARASI (WHAT)

95. ACADEMIC
MENGETAHUI NARASI UTAMA
• “Narasi” merupakan salah satu insight yang sangat penting
didapat ketika menganalisis percakapan di media sosial.
• Dari narasi ini kita bisa mengetahui:
• Apa yang menjadi isu, opini, atau agenda utama dalam percakapan
public?
• Apakah ada agenda setting tertentu yang sedang dimainkan oleh media
atau sekelompok orang?
• Jika ini sebuah propaganda, ke arah mana “manipulasi opini publik” ini
didesain?
• Bagaimana perang narasi antara dua kubu tentang sebuah isu?
• Dll.
• Narasi utama bisa diketahui dari:
• Most retweeted posts.
• Informasi dalam meme, infografis, dan video yang disebar.
95

96. MAFIA
RUMAH
SAKIT
DAN TUDINGAN
MENGCOVIDKAN PASIEN
DATE
4 OKTOBER 2020
DATA SOURCES
TWITTER
CASE STUDY
“

97. ACADEMIC
LATAR BELAKANG
“… Tak heran banyak di medsos yang
beredar kabar viral ada masyarakat yang
diminta menandatangani bahwa anggota
keluarganya kena Covid 19 dan diberi
sejumlah uang oleh pihak rumah sakit,
padahal sesungguhnya keluarga terkena
penyakit lain. Selain itu ada orang
diperkirakan Covid 19 terus meninggal,
padahal hasil tes belum keluar. Setelah
hasilnya keluar, ternyata negatif,” papar
Neta.
“… Bareskrim Polri, kejaksaan, dan KPK
perlu bekerja cepat menangkap para mafia
rumah sakit dan segera menyeretnya ke
Pengadilan Tipikor,” tandasnya.
97

98. ACADEMIC
RESEARCH QUESTIONS
• Apa narasi percakapan di media social (Twitter) terkait ramainya
isu soal “mengcovidkan” pasien dalam tagar
#BongkarMafiaCovidRS?
• Apa yang menjadi referensi tudingan itu?
98

99. ACADEMIC
METODOLOGI
• Pada tanggal 4 Oktober terdapat
sebuah tagar yang sempat trending di
Twitter, yaitu #BongkarMafiaCovidRS.
• Tagar ini berisi informasi yang cukup
lengkap tentang narasi seputar Mafia
Rumah Sakit dan dugaan
“mengcovidkan” pasien oleh banyak
rumah sakit.
• Analisis ini menggunakan tagar
tersebut sebagai keyword.
99

100. ACADEMIC
MOST RETWEETED /1
100

101. ACADEMIC
MOST RETWEETED /2
101

102. ACADEMIC
TOP TWIT #1
Narasi: Mafia kesehatan memanfaatkan pandemic Covid-19 untuk meraup keuntungan.
Referensi: Pernyataan IPW, Neta S Pane tentang dugaan mafia kesehatan. Neta merefer ke “sudah marah dan ramai
bermunculan di berbagai media social.” Neta juga merefer ke pernyataan Kepala KSP saat di Semarang. Situs: Suara.com.
102
"IPW melihat Bareskrim Polri belum bergerak
untuk mengusut dan memburu mafia rumah
sakit tersebut. Padahal kasus yang
mencovidkan orang tersebut sudah marak dan
ramai bermunculan di berbagai media sosial,"
kata Neta dalam keterangannya, Sabtu
(3/10/2020).
Neta mencotohkan, pada Jumat (2/10/2020)
kemarin, Kepala Kantor Staf Presiden (KSP),
Moeldoko di Semarang menyatakan,
banyaknya isu rumah sakit memvonis semua
pasien yang meninggal karena terpapar Covid.
Alasannya, agar mendapatkan anggaran dari
pemerintah.

103. ACADEMIC
TOP TWIT #2
Narasi: disinyalir, sebagian daerah memanfaatkan pandemi untuk meningkatkan kebutuhan anggaran.
Referensi: Pernyataan IPW, Neta S Pane tentang dugaan Permainan Covid-19 oleh mafia rumah sakit. Situs:
Sumber.com, Bantennews.co.id, bisnis.com.
103

104. ACADEMIC
TOP TWIT #3
Narasi: Disinyalir pihak-pihak tertentu mengambil manfaat saat pandemi Covid-19 di Indonesia.
Referensi: Pernyataan IPW, Neta S Pane yang menyarankan Bareskrim Polri membongkar mafia rumah sakit
yang mencovidkan pasien.
104

105. ACADEMIC
MOST SHARED IMAGES
105

106. ACADEMIC
KESIMPULAN
• Apa narasi percakapan di media social (Twitter) terkait ramainya isu soal
“mengcovidkan” pasien dalam tagar #BongkarMafiaCovidRS?
• Dugaan adanya mafia rumah sakit yang “mengcovidkan” pasien yang seharusnya bukan
Covid.
• Dugaan Rumah Sakit mencari keuntungan dari pandemi Covid-19.
• Banyaknya keluhan masyarakat di media sosial tentang dugaan “mengcovidkan” pasien
oleh RS, misal dengan membayar sejumlah uang kepada keluarga pasien.
• Supaya Bareskrim Polri, Kejaksaan, dan KPK membongkar mafia rumah sakit.
• Apa yang menjadi referensi tudingan itu?
• Sumber utama yang dijadikan rujukan dalam isu ini adalah pernyataan dari Pernyataan
IPW, Neta S Pane yang dimuat oleh berbagai media (Bisnis.com, Suara.com,
Sumber.com, Bantennews.co.id).
• Neta merefer ke “berbagai media social,” dan ke pernyataan Kepala KSP saat di
Semarang.
• Kepala KSP merefer kepada keresahan masyarakat di media sosial, dan data kematian
pasien Covid19 dari setiap RS di Jawa Tengah.
• Wawancara Ketua Banggar DPR di KompasTV, yang merefer kepada dugaan masyarakat
di media sosial (whatssapp group).
106

107. ACADEMIC
CASE 5: ANALISIS TOPIK (WHAT)

108. ACADEMIC
MENGETAHUI TOPIK PERCAKAPAN
• Apa bedanya “topik” dan “narasi”? Sebenarnya keduanya sama-
sama membahas WHAT dalam sebuah percakapan. Namun di sini,
“topik” dianalisis secara khusus karena merupakan ”unit terkecil”
dari sebuah ide atau narasi.
• Analisis topik bisa memberi insight seperti:
• Konsepsi apa yang sedang dibangun oleh pihak tertentu ke dalam opini
publik?
• Bagaimana perang narasi melalui konsep tentang sebuah isu?
• Topik bisa diketahui dari:
• Top hashtags.
• Konsep atau istilah yang sering digunakan (topic map).
• Kata yang sering digunakan (word cloud).
• SNA user dan hashtags.
108

109. PERANG TAGAR DALAM ISU
OMNIBUS LAW
DATE
1 – 16 OKTOBER
DATA SOURCES
TWITTER
CASE STUDY
“

110. ACADEMIC
TREN OMNIBUS LAW
110
Omnibus Law (sepi)
#MosiTidakPercaya
#TolakOmnibusLaw
K-poppers turun tangan
#OmnibusLawBawaBerkah
8 Oktober:
Demo Mahasiswa
dan Buruh
13 Oktober:
Demo PA 212,
Petinggi KAMI
ditangkap4 Oktober:
RUU Omnibus
Law dibawa ke
Paripurna
5 Oktober:
UU Omnibus Law
Disahkan
16 Oktober:
Demo
Mahasiswa
15 Oktober:
Konpers Pentinggi
KAMI ditangkap
#OmnibusLawBasmiKorupsi
Penangkapan petinggi KAMI secara
signifikan berhasil menurunkan
volume percakapan tentang
Omnibus Law yang dominan berisi
penolakan.

111. ACADEMIC
TREN TAGAR TERKAIT OMNIBUS LAW
111
1
2
1
3
2
2 3 3

112. ACADEMIC
SAAT PERGESERAN NARASI
112

113. PERANG TAGAR DALAM ISU
RUU KUHP DAN
KPK
DATE
1 – 16 OKTOBER
DATA SOURCES
TWITTER
CASE STUDY
“

114. ACADEMIC
TREN TAGAR SERANGAN DAN DUKUNGAN
#ReformasiDikorupsi
#TurunkanJokowi
#DiperkosaNegara
#PercayaLangkahJokowi
#SayaBersamaJokowi
#JokowiMendengarRakyat
#KitaDukungJokowi

115. ACADEMIC
VOLUME TAGAR SERANGAN DAN DUKUNGAN

116. ACADEMIC
SNA TAGAR
#DiperkosaNegara
GEN Z / K-POPPERS
#TurunkanJokowi
OPOSISI
#ReformasiDikorupsi
AKTIVIS
#PercayaLangkahJokowi
#SayaBersamaJokowi
#JokowiMendengarRakyat
#KitaDukungJokowi
PRO PEMERINTAH
TRIK GIVE AWAY

117. ACADEMIC
CASE 6: ANALISIS GEO LOCATION (WHERE)

118. ACADEMIC
MENGETAHUI SEBARAN PERCAKAPAN DAN
PENGGUNA MEDIA SOSIAL (TWITTER)
• Sebaran percakapan tentang sebuah topik di media sosial biasanya
mengikuti sebaran penggunanya.
• Namun kadang untuk topik tertentu terdapat anomaly, dimana secara
demografi pengguna di suatu tempat bukan yang terbesar, tetapi untuk
topik tertentu paling tinggi. Ini memberi insight yang menarik.
• Cara mengetahui lokasi pengguna di Twitter:
• Diambil dari informasi lokasi dalam profile pengguna Twitter.
• Memang tidak semua pengguna menulis lokasinya dengan lengkap atau benar.
Kadang kosong, salah, atau bukan nama lokasi.
• Asumsi pengguna yang mengisi sifatnya random, maka secara probabilitas akan
merata untuk semua lokasi.
• Lokasi bisa distrukturkan berdasarkan:
• Level administrasinya: kota, provinsi, negara.
• Latitude-longitude: bisa query ke Google Geolocation API.
118

119. ACADEMIC
INFORMASI LOKASI DI PROFILE PENGGUNA
119
Informasi lokasi
pengguna, tidak selalu
ada.

120. ACADEMIC
GOOGLE GEOCODE API
120

121. SEBARAN PERCAKAPAN
NEW NORMAL
DATE
16 MEI – 5 JUNI 2020
DATA SOURCE
TWITTER
CASE STUDY
“

122. ACADEMIC
VOLUME & TREND GLOBAL: ‘NEW NORMAL’
122
Keywords: New Normal
26 Mei: Jokowi
mengunjungi mall
di Bekasi,
persiapan New
Normal

123. ACADEMIC
‘NEW NORMAL’ MENTIONS BY COUNTRY
123

124. ACADEMIC
DISTRIBUTION OF ‘NEW NORMAL’ MENTIONS BY
TWITTER USER LOCATION
124

125. ACADEMIC
CASE 7: ANALISIS SENTIMEN (HOW)

126. ACADEMIC
MENGETAHUI SENTIMENT PUBLIK
• Sentimen dalam percakapan di media sosial tentang sebuah topik
bisa menggambarkan response publik terhadap sebuah isu, dan
ini bisa menjadi KPI yang penting.
• Sentimen biasanya dibagi menjadi tiga: positif, negatif, dan
netral.
• Setiap system analisis sentiment pasti memiliki akurasi tertentu,
yang tidak mungkin mencapai 100% akurat, dan tergantung data
input untuk training yang digunakan, dan tergantung algoritma
klasifikasi yang dipilih.
126

127. ACADEMIC
PARAGRAPH SEGMENTATION
127

128. ACADEMIC
SENTIMENT ANALYSIS
128
Positif
Negatif
Netral
?
MENTIONS

129. ACADEMIC
SENTIMENT ANALYSIS
129
Positif
?
MENTIONS
Untuk Setya Novanto

130. ACADEMIC
SENTIMENT ANALYSIS
130
Negatif?
MENTIONS
Untuk KPK

131. ACADEMIC
SENTIMENT ANALYSIS
131
Netral
?
MENTIONS
Untuk Hakim Cepi Iskandar

132. ACADEMIC
SENTIMENT ANALYSIS TECHNIQUES
132
http://www.sciencedirect.com/science/article/pii/S2090447914000550

133. ACADEMIC
EVALUASI
133
http://www.sciencedirect.com/science/article/pii/S2090447914000550
”one model for all” tidak bisa
memberi label yang tepat untuk
setiap subyek.
Lexicon base tergantung dari
keberadaan kata dalam kamus sentimen,
tidak bisa memberi label yang tepat
untuk subyek yang berbeda.

134. ACADEMIC
SENTIMENT ANALYSIS TOOLS
134
https://breakthroughanalysis.com/2012/01/08/what-are-
the-most-powerful-open-source-sentiment-analysis-tools/
Text Mining
Module

135. ACADEMIC
SENTIMENT ANALYSIS: DRONE EMPRIT
135
Adaptive Multiple Models

136. ACADEMIC
TRAINING DATA
136DOI: 10.1109/ICMLA.2015.22
81.000

137. ACADEMIC
EDIT SENTIMENT LABEL (DEA)
137

138. ACADEMIC
BACKTRACK & ANALYSIS
138

139. ACADEMIC
CASE 8: ANALISIS EMOSI (HOW, WHY)

140. ACADEMIC
MENGGALI LEBIH DALAM EMOSI PUBLIK DALAM
PERCAKAPAN
• Secara kolosal, dari semua perakapan, kita bisa melihat tren emosi
publik terhadap sebuah isu tertentu.
• Dengan analisis emosi ini, kita bisa tahu:
• Apakah publik cenderung: percaya, tidak percaya, takut, senang, sedih,
marah, jijik, terkejut, atau penuh harapan?
• Apa yang membuat publik merasa percaya, takut, atau marah?
• Bagaimana tren emosi tertentu, dihubungkan dengan peristiwa yang
tengah terjadi?
• Untuk mengetahui emosi publik kita bisa menggunakan:
140

141. ACADEMIC
PLUTCHIK’S WHEEL OF EMOTIONS
141
https://www.6seconds.org/2017/04/27/plu
tchiks-model-of-emotions/

142. ACADEMIC
LEXICON BASED ANALYSIS
• JOY
• senang, bahagia, suka, seneng, hepi, menyenangkan, happy,
menggembirakan, gembira, fun, sukacita, riang, ceria, …
• TRUST
• FEAR
• SURPRISE
• SADNESS
• DISGUST
• ANGER
• ANTICIPATION
142

143. EMOSI PUBLIK TERHADAP
NEW NORMAL
DATE
16 MEI – 5 JUNI 2020
DATA SOURCE
TWITTER
CASE STUDY
“

144. ACADEMIC
EMOSI: TIDAK YAKIN DENGAN KESIAPAN SARANA &
LAYANAN KESEHATAN, KURVA BELUM TURUN
144
Tidak yakin, karena:
• Kasus korona masih tinggi
(misal Surabaya).
• Negara lain mulai saat kurva
melandai, Indonesia masih naik.
• Potensi gelombang ke-2
corona.
• Jumlah test masih kecil.
• Seperti perang tanpa senjata.
Kasus korona masih
tinggi
Kurva masih naik
Potensi gelombang
kedua
Test masih kecil
Perang tanpa
senjata

145. ACADEMIC
TREN EMOSI
145
Tidak disiplin
Perlu sosialisasi dulu Kurva masih naik
Selamatkan Ekonomi
Kesiapan BUMN

146. EMOSI PUBLIK TERHADAP
PEMBANGUNAN
WISATA KOMODO
DATE
25-27 OKTOBER 2020
DATA SOURCE
TWITTER
CASE STUDY
“

147. ACADEMIC
TOP NARASI
147

148. ACADEMIC
TOP IMAGES
148

149. ACADEMIC
ANALISIS EMOSI
149

150. ACADEMIC
CASE 9: ANALISIS DEMOGRAFI (WHO)

151. ACADEMIC
MENGETAHUI USIA DAN GENDER NETIZEN
• Dalam setiap survey, mengetahui karakteristik responden
merupakan elemen yang sangat penting, salah satunya tentang
demografi responden seperti tentang usia dan gender.
• Percakapan di media sosial memang bukan survey, dan sering
informasi demografi dari pengguna medsos tidak tersedia.
Namun, dari karakteristik profile pengguna, machine learning bisa
memprediksi dengan cukup akurat demografi mereka.
• Dari informasi demografi, kita bisa mengambil insight seperti:
• Kelompok usia mana yang punya concern cukup besar terhadap isu
tertentu, relative terhadap demografi mereka secara umum di media
sosial?
• Apa narasi yang diangkat oleh masing-masing kelompok usia terkait
sebuah isu?
151

152. ACADEMIC
152

153. ACADEMIC
153

154. ACADEMIC
GITHUB LIBRARY
154
https://github.com/euagendas/m3inference

155. SEBARAN USIA NETIZEN DALAM
PERCAKAPAN TENTANG
WIJI THUKUL DAN
PANCASILA
DATE
MEI – OKTOBER 2020
DATA SOURCE
TWITTER
CASE STUDY
“

156. ACADEMIC
USIA “WIJI THUKUL”: 4-6 OKTOBER 2020
156

157. ACADEMIC
USIA ”PANCASILA”: 26 MEI – 9 JUNI 2020
157

158. ACADEMIC
CASE 10: ANALISIS BOT (WHO)

159. ACADEMIC
MENGETAHUI APAKAH ADA COMPUTATIONAL
PROPAGANDA
• Computational propaganda adalah penggunaan bot atau
algoritma computer untuk mengirim pesan secara otomatis,
dengan tujuan membangun (atau memanipulasi) opini publik.
• Untuk mengetahui sebuah akun itu bot atau bukan, bisa
menggunakan machine learning, yang mengambil beberapa
informasi tentang profile akun tersebut, jaringan sosialnya, serta
aktivitasnya sebagai feature.
• Dengan informasi bot ini, kita bisa mendapat insight:
• Apakah sebuah narasi itu sengaja dibangun oleh pihak tertentu
menggunakan bantuan bot?
• Berapa persen peranan bot dalam sebuah percakapan dibandingkan
dengan akun manusia asli?
• Bagaimana relasi bot dengan akun asli dalam membangun propaganda?
159

160. ACADEMIC
COMPUTATIONAL PROPAGANDA
160
Since 2012 until now, we have
seen bots, algorithms and other
forms of automation are used by
political actors in countries around
the world to manipulate public
opinion over major social
networking platforms, such as
Twitter, Facebook, Instagram, and
YouTube.

161. ACADEMIC
BOT ANALYSIS DI DEA
161

162. ACADEMIC
METODE
162
Botometer
Profile + 200 twits
Bot scores
https://rapidapi.com/OSoMe/api/botometer
API

163. ACADEMIC
HOW IT WORKS
• Botometer is a machine learning algorithm trained to classify an
account as bot or human based on tens of thousands of labeled
examples.
• When you check an account, you fetches its public profile and
hundreds of its public tweets and mentions using the Twitter API.
• This data is passed to the Botometer API, which extracts about
1,200 features to characterize the account's profile, friends, social
network structure, temporal activity patterns, language, and
sentiment.
• Finally, the features are used by various machine learning models
to compute the bot scores.
163

164. ACADEMIC
VISUALISASI HASIL BOT ANALYSIS
164
HUMAN
CYBORG
ROBOT

165. ACADEMIC
AI UNTUK MENDETEKSI ROBOT DI TWITTER
TiLiK
HUMAN ROBOT
HUMAN ROBOT
HUMAN ROBOT
HUMAN ROBOT

166. ACADEMIC
PETA PERCAKAPAN “JEJAK KHILAFAH”
166
Pro Pemerintah
Pro Oposisi
Pro Khilafah (HTI)
robot
robot

167. ACADEMIC
CONTOH AKUN ROBOT
167

168. ACADEMIC
AKSI ROBOT-ROBOT DI TWITTER

169. ACADEMIC
CASE 11: ANALISIS DIFUSI INFORMASI
ANTAR MEDIA

170. ACADEMIC
MENGETAHUI ALIRAN INFORMASI ANTAR
KANAL MEDIA
• Informasi yang berkembang terkait sebuah isu, bisa berangkat
dari media sosial, kemudian merembes (difusi) ke media online
atau antar platform media sosial lainnya. Bisa juga sebaliknya.
• Dengan mengetahui aliran difusi informasi ini, kita bisa mendapat
insight:
• Dari manakah sebuah agenda setting itu mulai dibangun? Apakah dari
media sosial, atau dari media online / mainstream?
• Siapa aktor atau nara sumber yang paling berperan besar dalam
memantik terjadinya difusi?
• Narasi apa yang diambil oleh platform lain dari sumber asalnya?
170

171. DIFUSI INFORMASI DARI
MEDIA SOSIAL KE MEDIA
ONLINE TERKAIT ISU
KOMODO
DATE
20-27 OCTOBER 2020
DATA SOURCES
NEWS, TWITTER
CASE STUDY
“

172. ACADEMIC
VOLUME DAN TREN
172
Keywords: Komodo, #SaveKomodo

173. ACADEMIC
SNA ‘KOMODO’
173

174. ACADEMIC
TOP 5 INFLUENCERS
174

175. ACADEMIC
TOP NARASI
175

176. ACADEMIC
TOP NARASI
176

177. ACADEMIC
MOST SHARED SITES (TWITTER)
177

178. ACADEMIC
TOPIC MAP
178

179. ACADEMIC
MOST ACTIVE NEWS SITES
179

180. ACADEMIC
SITASI DRONE EMPRIT

181. ACADEMIC
HOW TO CITE DRONE EMPRIT?
For Drone Emprit Academic
If you use data directly from Drone Emprit Academic dashboard
(academic.droneemprit.id), use this citation:
Fahmi, I. (2018). Drone Emprit Academic: Software for social media monitoring and
analytics. Available at http://dea.uii.ac.id.
For Drone Emprit
If you use data from Ismail Fahmi's analyses shared on the Internet
(Twitter, Facebook, or Slideshare), use this citation:
Fahmi, I. (2016). Drone Emprit: Software for media monitoring and analytics.
Available at http://pers.droneemprit.id.
181
Source:
https://pers.droneemprit.id/how-to-cite-drone-emprit/

182. ACADEMIC
THANK YOU
Ismail Fahmi, PhD.