univ budi luhur SG 6 mei 17

(1)

Membaca Peta Percakapan

di Media Sosial Melalui

Analisa Teks dan

Social Network Analysis

Ismail Fahmi, PhD.

Drone Emprit

PT Media Kernels Indonesia Ismail.fahmi@gmail.com

Kuliah Umum PPM Ilmu Komputer

(2)

1992 – 2007 S1, Teknik Elektro, ITB

2003 – 2004 S2, Computational Linguistics, Universitas Groningen, Belanda 2004 – 2009 S3, Computational Linguistics, 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

Ismail Fahmi, PhD.

(3)

Agenda

• Tentang Drone Emprit (Media Kernels)

• Virality dan SNA

• Twitterology

• Case Study #1

• Case Study #2

• Case Study #3

• Riset: Penyebaran Fake News dan Solusi

• Kesimpulan

(4)

(5)

5 Social Media

Twitter

Detik (ID)

Reuters (EN)

Etc..

Gatra (ID)

Bloomberg (EN)

Etc..

HT

M

L

Kaskus

Detik Forum

Etc..

HT

M

L

Online News

Forums

Twitter Stream

JS

Warta Ekonomi Etc..

Projects Storage

Search + Account Crawler

RSS + 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

(6)

Network Architecture

Database & Main Server

Hot Master SOLR Server

Crawler & Analytics 1

Crawler & Analytics 2 Crawler &

Redis Server Hot Archive

SOLR Server

Database & Backup Server

• MK Dashboard

• Mysql DB

(OPTIONAL)

• MK Dashboard (backup)

• Mysql DB (backup)

• All Shards SOLR Server (for

dashboard queries)

• Active Shard SOLR Server (master)

• Store & Replication

• Active Shard SOLR Server (slave)

• Twitter Crawler (max

(OPTIONAL)

• Active Shard SOLR Server (slave)

• Twitter Crawler (max 400 keywords)

(7)

Tim Drone Emprit

7

Yan Kurniawan, Analis Senior Drone Emprit

Dosen Fikom

Universitas Budi Luhur

, pernah menjadi

analis senior untuk media di kantor komunikasi

(8)

Virality dan Social Network

Analysis

(9)

Virality dan Resonansi Isu

(10)

Twitter: Kanal Deteksi Isu

• Kondisi saat ini:

• Hanya Twitter yang masih menyediakan fasilitas ‘search’ ke seluruh

status/twit yang dimilikinya.

• Facebook dan Instagram hanya menyediakan akses terhadap Public

Page saja.

• WhatsApp tidak dapat ditangkap percakapan di dalamnya.

• Namun, melihat pola virality dan resonansi antar platform media

(11)

SNA: Social Network Analysis

• SNA adalah pemetaan terhadap

relasi antar orang, organisasi,

topik, lokasi, dan entitas

informasi lainnya.

• Node atau titik di dalam

jaringan menggambarkan

orang, organisasi, lokasi, atau

entitas informasi.

• Garis sambungan antar titik

menggambarkan relasi antar

titik.

(12)

(13)

Anatomi Sebuah Twit

(14)

(15)

Relasi Retweet

(16)

(17)

Post-truth

17

Di era post-truth, orang tidak

mencari kebenaran, tetapi

mencari affirmasi, konfirmasi,

dan dukungan terhadap

(18)

Case Study #1:

Isu 10 Juta Tenaga Kerja

Cina Illegal

(19)

Isu 10 Juta Tenaga Kerja Cina

(20)

Klarifikasi

(21)

Klarifikasi (2)

(22)

(23)

(24)

Publik mulai tidak

percaya media

(25)

(26)

Tindakan: Blokir, Tapi Tidak Efektif

(27)

Case Study #2

Jenazah Nenek Hindun

Resonansi Media Online

ßà

Media Sosial

(28)

(29)

(30)

4

5

1

2

Arrahmahnews.com *Gara-gara Dukung Ahok, Jenazah Nenek 78 Tahun Dilarang Dishalatkan di Mushala*

3

4

Resonansi Isu dari Media Online ke Media Sosial 10 – 11 Maret (dari jam ke jam)

(31)

31

1

2

3 4

1 Portal-islam.id

BANTAH HOAX AHOKER,

Kesaksian Warga Tentang Jenazah Nenek Hindun: Dishalatkan, Pemandi Mayat Malah dari PKS

2

3

Kumparan.com

Keluarga: Jenazah Nenek Hindun Tetap Disalatkan dan Diurus

4 Jawapos.com

Polisi: Tidak Benar Warga Tolak Salatkan Jenazah Nenek

Hindun karena Dukung Ahok

Tirto.id

Sengkarut Pilkada DKI Pada Jenazah Nenek Hindun

(32)

(33)

33

Media menjadi referensi utama dalam

percakapan di medsos untuk

(34)

Media menjadi

sumber utama proses

cross-checking di

forum Anti Hoax.

Ini menandakan,

peran media masih

sangat penting:

• Menjadi produser

hoax

• Menjadi hoax

(35)

35

(36)

(37)

37

(38)

Riset:

(39)

Hasil penelitian dari sebuah Tim dari Universitas Kolumbia:

Di Twittersphere, titik ungu = orang yg menyebar berita hoax. Titik kuning = orang yang mengcounter. Ternyata: di cluster kanan (tanpa counter) hoax menyebar luar biasa, di cluster kiri (dg 2 counter) hoax lebih sedikit disebar.

Penelitian Hoax Buster

(40)

Google + Facebook = CrossCheck

CrossCheck:

• Bring together

expertise from

media and

technology

industries

• To debunk hoaxes,

rumors and false

claims

(41)

CrossCheck

41 Masyarakat lapor dan

bertanya tentang

kemungkinan hoax dari:

• Link berita dari

sebuah situs

• Konten dari media

sosial

Wartawan dari

berbagai media, lokal dan nasional yang bergabung,

melakukan cross check dengan berbagi:

• Informasi

• Sumber daya

• Pengalaman

Masyarakatmencari dan membaca laporan hasil crosscheck

Portal CrossCheck

Wartawan

menggunakan laporan hasil

(42)

(43)

BONUS:

Knowledge Graph di

Indonesia OneSearch

http://onesearch.id

(44)

Road Map IOS

Tahap 1 (2015): OneSearch Portal

OneSearch Portal (Bibliografi)

• Software Indonesia OneSearch

• Harvesting data bibliografi • Protokol standard OAI-PMH • Repository: Katalog buku,

Jurnal Online, Repositori digital

Tahap 2 (2016-2017): Text Analysis

Text Analysis (Full Teks)

• Crawling fullteks (PDF) TA, tesis, disertasi, laporan penelitin, dan artikel jurnal dari Intitusi di Indonesia.

• Text analysis menggunakan

teknologi NLP (Natural Language Processing)

• Information Extraction & Knowledge Mapping berbasis

Tahap 3 (2018-2020):

Layanan Anti Plagiarism

No Plagiarism (Services) • Sistem dan Layanan

NoPlagiarism untuk karya berbahasa Indonesia.

(45)

Knowledge Graph

Text Analysis

(46)

(47)

Everything is a Triple (RDF)

(48)

IOS Knowledge Explorer

(49)

Teknologi NLP

• Segmentation

• Part-Of-Speech (POS) Tagging

• Automatic Term Recognition (ATR)

• Named Entity Recognition (NER)

• Term Relationship Extraction

• Syntax Analysis (S-P-O)

(50)

Unstructured Text

KANZ PHILOSOPHIA, Volume 3, Number 2, December 2013 201 KEWALIAN DALAM TASAWUF NUSANTARA

Artikel ini mendiskusikan dokrin Kewalian (al-walā_{yah) yang mempunyai basis yang kuat}

dalam al-Qur’an dan hadis dan isu ini secara sistematis dibahas melalui ajaran Ibn ‘Arabi yang kompleks.

Sementara dalam kajian tasawuf di Nusantara, sebutan wali ini sudah mulai dikenal

(51)

Segmentation

51

=====page1=====

---par---KANZ PHILOSOPHIA, Volume 3, Number 2, December 2013 201

---par---KEWALIAN DALAM TASAWUF NUSANTARA

---par---Artikel ini mendiskusikan dokrin Kewalian (al-walā_{yah) yang mempunyai basis yang kuat dalam}

al-Qur’an dan hadis dan isu ini secara sistematis dibahas melalui ajaran Ibn ‘Arabi yang kompleks.

---par---Sementara dalam kajian tasawuf di Nusantara, sebutan wali ini sudah mulai dikenal bersamaan dengan masuknya Islam ke negeri ini yang mengacu kepada dua pengertian, wali sebagai orang yang memiliki kesaktian-kesaktian (occulties) sebagai implikasi dari kekeramatan dan wali sebagai penguasa wilayah tertentu.

Terlepas dari pengertian dan cakupannya, ajaran kewalian yang sesungguhnya tidak lepas dari ajaran tentang kenabian dan kerasulan yang menyiratkan pesan bahwa dunia manusia bukan hanya dunia material yang identik dengan kenikmatan hedonis, tetapi di balik dunia fi sik terdapat dunia metafi sik yang belum banyak diketahui manusia dan dari sanalah dunia fi sik ini dikendalikan.

(52)

Part-of-Speech Tagging

- par

---Sementara_SC dalam_IN kajian_NN tasawuf_VB di_IN Nusantara_NNP ,_Z sebutan_NN wali_NN ini_PR sudah_MD mulai_VB dikenal_VB bersamaan_VB dengan_IN masuknya_X Islam_NNP ke_IN negeri_NN ini_PR yang_SC mengacu_VB kepada_IN dua_CD

pengertian_NN ,_Z wali_NN sebagai_IN orang_NN yang_SC memiliki_VB kesaktian-kesaktian_NN -LRB-_-LRB- occulties_FW -RRB-_-RRB- sebagai_IN implikasi_NN dari_IN kekeramatan_NN dan_CC wali_NN sebagai_IN penguasa_NN wilayah_NN tertentu_PR ._Z Terlepas_VB dari_IN pengertian_NN dan_CC cakupannya_NN ,_Z ajaran_NN kewalian_NN yang_SC sesungguhnya_RB tidak_NEG lepas_VB dari_IN ajaran_NN tentang_IN

(53)

Contoh: Tesis dari UNDIP

53

(54)

S

P

(55)

Co-occurrence Analysis

(56)

Comparison Analysis

(57)

Co-occurrence Cluster Antar Repositori

(58)

Kesimpulan

• Saat ini hanya Twitter yang bisa diambil datanya untuk mendapat

gambaran umum perilaku netizen di media sosial.

• Tren virality dan resonansi memungkinkan kita menggunakan Twitter

sebagai proxy untuk membaca pola perilaku netizen di media sosial.

• SNA pada data Twitter dapat menggambarkan pola: agreement

(retweet) dan discussion (mention).

• Beberapa contoh perilaku netizen terkait isu tertentu dapat

digambarkan oleh hasil analisis Drone Emprit.

(59)

Terimakasih

59