Analisis Terhadap Tagar #LGBT di Twitter Menggunakan Analisis Jaringan Sosial (SNA)

(1)

Analisis Terhadap Tagar #LGBT di Twitter Menggunakan Analisis Jaringan Sosial (SNA)

Erwianta Gustial Radjah¹, Ade Iriani¹, Daniel H.F. Manongga^2,*

1Fakultas Teknologi Informasi, Program Studi Magister Sistem Informasi, Universitas Kristen Satya Wacana, Salatiga, Indonesia

2Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana, Salatiga, Indonesia Email: ¹[email protected], ²[email protected],^3,*[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Twitter dimanfaatkan untuk beropini menanggapi fenomena sosial di kehidupan nyata. Tanggapan peristiwa melalui percakapan Twitter tergolong cepat dan menciptakan topik populer. Topik populer menggunakan tagar sering dilakukan untuk menarik, mengajak dan mempengaruhi pengguna lain guna ikut merespon. Mei 2022, tagar “#LGBT” ramai dibicarakan, dilatarbelakangi diundangnya pasangan Gay di acara Podcast Youtuber Deddy Corbuzier. Mengakibatkan berkurangnya subscriber Deddy Corbuzier dan diblokirnya salah satu akun tik tok salah satu pasangan Gay. Penelitian ini bermaksud menganalisa opini di media sosial mempengaruhi keputusan pengguna media sosial lainnya. Dampak negatif bagi content creator dan mempengaruhi kehidupan nyata masyarakat religious Indonesia. Analisa terhadap struktur jaringan, kelompok dan aktor berperan menggunakan Social Network Analysis dilakukan agar opini yang terjadi dapat dideteksi dan dipelajari.

Pemetaan struktur jaringan Density, Diameter dan Reprocity. Deteksi kelompok menggunakan Modularity serta Sentralitas untuk mengidentifikasi aktor berpengaruh. Crawling Dataset 10.000 tweet dengan jumlah node (aktor) 7761 dan edge 8371.

Penelitian struktur jaringan menunjukkan jarak terjauh untuk menjangkau akun lain sebesar 18 (Diameter), nilai Dencity rendah yaitu 0.000164 serta nilai Reprocity diantara akun juga rendah yaitu 0.049480. Hasil penelitian menunjukkan nilai kelompok yang terbentuk relatif tinggi 0.868000. Identifikasi Centrality menunjukkan akun @brn sebagai akun dengan koneksi terbanyak 287 dan akun @sop merupakan akun perantara tertinggi diantara akun lain 0.000303 serta akun @aiy sebagai akun dengan jarak terdekat dengan node lain 1.0. Berdasarkan kualitas node dalam berelasi dengan node lain, akun @brn merupakan akun tertinggi 1.0.

Kata Kunci: SNA; Struktur Jaringan; Modularity; Centrality; LGBT; Twitter

Abstract−Twitter is utilized to express opinions and respond to social phenomena in real life. Responses to events through Twitter conversations are relatively fast and create popular topics. Popular topics using hashtags are often used to attract, invite and influence other users to respond as well. In May 2022, the hashtag "#LGBT" was widely discussed, which was due to the invitation of a gay couple to attend a podcast by Youtuber Deddy Corbuzier. This resulted in a decrease in Deddy Corbuzier's subscribers and the blocking of one of the TikTok accounts of a gay couple. This study aims to analyze opinions on social media that influence the decisions of other social media users. Negative impacts on content creators and affects the real -life community of religious Indonesians. An analysis of network structure, group, and actors involved was conducted using Social Network Analysis to detect and study the opinions that occurred. Network structure mapping of Density, Diameter, and Reciprocity. Group detection using Modularity and Centrality to identify influential actors. Crawling Dataset of 10,000 tweets with 7,761 nodes (actors) and 8,371 edges. The results of the network structure research showed the farthest distance to reach other accounts is 18 (Diameter), the low-Density value is 0.000164 and the low Reciprocity value between accounts is 0.049480. The results of the research show that the value of the group formed is relatively high, 0.868000. Centrality identification shows @brn as the account with the most connections of 287 and @sop as the account with the highest intermediary among other accounts at 0.000303, and @aiy as the account with the closest distance to other nodes at 1.0. Based on the quality of the node to other nodes, @brn is the highest at 1.0

Keywords: SNA; Network Structure; Modularity; Centrality; Twitter

1. PENDAHULUAN

Perkembangan media sosial yang cepat, semakin mempengaruhi banyak orang untuk menuliskan opininya terkait suatu peristiwa. Masyarakat Indonesia menggunakan media sosial untuk menunjukkan minat, ekspresi, pemikiran dan pendapat tentang berbagai hal[1]. Teknologi informasi yang semakin berkembang mempengaruhi semakin cepatnya penyebaran informasi melalui media sosial[2]. Media sosial merupakan sarana online melalui internet yang dimana penggunanya secara langsung dapat berinteraksi, berpartisipasi dan berbagi isi/content[3]. Melalui media sosial di era digital saat ini, respon masyarakat terhadap suatu kejadian atau fenomena tergolong cepat [4].

Twitter adalah salah satu media sosial untuk menjalin komunikasi antar pemakai guna memperoleh dan berbagi berita atau informasi terkini[5]. Total pengguna Twitter di Indonesia mencapai sekitar 10.65 juta pengguna dan memperoleh posisi 5 besar sebagai platform yang paling banyak dipakai[6].

Salah satu tantangan masyarakat Indonesia saat ini yaitu keterbukaan jaringan informasi yang membawa isu tentang homoseksual atau biasa dikenal dengan LGBT semakin menyebar. LGBT merupakan sebutan pengganti istilah “komunitas gay”[7]. Di Indonesia dengan mayoritas jumlah umat Islam terbanyak dan juga senada dengan umat kristen, memandang homoseksualitas sebagai perilaku tak wajar, tidak normal dan dilarang[8]. Pro kontra LGBT di Indonesia semakin tersiar ketika Youtuber Deddy Coribuzier yang memiliki sekitar 18 juta subscriber mengundang pasangan Gay dan diunggah pada Podcast Youtube miliknya pada tanggal

(2)

Erwianta Gustial Radjah, Copyright © 2023, MIB, Page 301 07 bulan Mei 2022[9]. Berselang beberapa waktu dari saat diunggahnya konten tersebut, memicu banyak kecaman dari berbagai pengguna media sosial hingga muncul topik populer di Twitter menggunakan tagar

“#LGBT”[10][11]. Peristiwa tersebut juga berimbas dengan di blokirnya akun media sosial TikTok milik salah satu pasangan Gay yang datang saat itu[12]. Berdasarkan kejadian tersebut, tagar “#LGBT” menjadi trending topic yang ramai dibicarakan selama lebih dari 2 minggu di media sosial Twitter.

Penelitian ini dilakukan agar peneliti dapat mengetahui bagaimana peran pengguna Twiiter dapat memobilisasi opini pengguna lainnya, untuk turut mendukung ataupun menolak suatu peristiwa yang terjadi di kehidupan nyata, sehingga berdampak pada individu ataupun kelompok yang menjadi pusat peristiwa. LGBT merupakan suatu hal yang tabu dalam masyarakat Indonesia, namun terdapat kelompok – kelompok yang mendukung secara terbuka ataupun menolak secara keras. Kubu pro LGBT dapat menjadi sasaran masyarakat Indonesia yang pada dasarnya berpegang pada nilai – nilai agama, sehingga dikhawatirkan mengarah pada tindakan kekerasan dalam kehidupan nyata. Penelitian ini memberikan gambaran bagaimana pengguna Twitter membentuk kelompok – kelompok berdasarkan relasi retweet, sehingga untuk mencegah peristiwa merugikan dapat memanfaatkan akun – akun berpengaruh sebagai media edukasi dan meredam opini yang dapat mengarah pada kegiatan anarkis.

Analisis jaringan sosial (SNA) dapat digunakan dalam penelitian terkait fenomena di Twitter untuk mengetahui bagaimana pengguna saling terhubung dan berkomunikasi satu sama lain. SNA dapat mengidentifikasi kelompok-kelompok di Twitter, mengukur tingkat partisipasi pengguna dalam kelompok-kelompok tersebut, dan menganalisis cara informasi tersebar di antara pengguna. SNA juga dapat digunakan untuk mengukur tingkat influensi atau kekuatan seseorang atau kelompok di Twitter, serta mengeksplorasi bagaimana interaksi sosial di Twitter mempengaruhi perilaku individu atau kelompok. Penelitian menggunakan SNA pada Twitter dapat memberikan wawasan yang berguna untuk tujuan seperti meningkatkan pemasaran, memahami dinamika komunitas online, atau mengevaluasi kampanye politik. Social Network Analysis (SNA) merupakan metode yang dikembangkan dan digunakan untuk menggambarkan struktur sosial diantara subjects terkait dalam grafik jaringan[13]. SNA dapat menggambarkan visualisasi graph dari sebuah jaringan sesuai dengan data yang diperoleh berupa nodes dan edges[14]. SNA adalah alat analisis kuantitatif yang digunakan untuk mengidentifikasi dan memahami hubungan antara orang-orang atau dengan kata lain, jaringan sosial. SNA menampilkan data secara visual sehingga peneliti dapat melihat hubungan perilaku pada tingkat mikro (individu, kelembagaan) dan pola di tingkat makro atau jaringan[15].

Banyak penelitian yang sudah menggunakan metode SNA untuk melihat hubungan relasi dalam suatu jaringan sosial. Studi sebelumnya[16], menggunakan SNA dalam menganalisis pola persebaran pornografi pada media sosial dan hasil penelitiannya menunjukkan akun Publisher popular merupakan akun pertama yang menerbitkan konten porno selanjutnya akun publisher lain turut membagikan ulang sebagai Retweeter dan dikonsumsi satu arah oleh pengikut sebagai Consumer. Penelitian lain[17], memanfaatkan SNA untuk melihat pola kolaborasi dalam jaringan sosial antara tenaga surveylans kesehatan dan memahami arus informasinya dan hasil studi menunjukkan bahwa kordinator mendominasi nilai sentralitas, sedangkan anggota surveylans mendominasi nilai kedekatan. Selanjutnya SNA digunakan dalam pemetaan jaringan komunikasi karyawan pada perusahan multifinance[18], hasil penelitian memaparkan bahwa relasi dianggap lemah dikarenakan kepadatan jaringan berada di bawah 50%. Penelitian lain menggunakan SNA untuk menganalisa kolaborasi karyawan dan mengidentifikasi kerjasama jaringan komunikasi karyawan[19], hasil studi memperlihatkan kerjasama dalam jaringan sosial masing-masing individu terbagi menjadi tiga divisi kerja yaitu divisi reparasi sepeda motor, divisi cuci mobil/motor, dan divisi perumahan (properti). Studi lain juga menunjukkan penggunaan SNA dalam menganalisa interaksi sosial diantara mahasiswa[20], bahwa ada hubungan sosial di antara mereka, tetapi nilainya rendah.

Perbedaan penelitian ini dengan penelitian sebelumnya yaitu studi ini memiliki area penelitian yang berbeda dalam penerapannya yakni bertujuan menggunakan SNA dalam lingkup atau area media sosial untuk mengkaji peranan tagar atau hastag “#LGBT” dalam membentuk struktur jaringan, kelompok dan aktor yang berperan dalam menyebarkan tagar “#LGBT” di media sosial Twitter. Penelitian ini menggunakan analisa jaringan, analisa kelompok terbentuk menggunakan metode Modularitas Blondel dan penambahan nilai sentralitas Eigenvector yang tidak digunakan pada penelitian sebelumnya guna lebih memahami fenomena yang terjadi dalam sebuah jaringan media sosial. Manfaat penelitian ini dalam keilmuan yaitu dapat menunjukkan bagaimana topik digital dapat mempengaruhi pengguna media sosial dalam jaringan di Twitter untuk membentuk topik yang saling berhubungan. Selain itu akun berpengaruh dapat dimanfaatkan sebagai akun acuan penyebaran dan edukasi informasi “#LGBT” yang baik dan benar dimasa mendatang. Ekplorasi tweet untuk melihat akun Twitter yang memiliki pengaruh menggunakan metode Degree Centrality, Betweenness Centrality dan Closeness Centrality serta Eigenvector Centrality untuk mengetahui akun dominan dalam jaringan media sosial Twitter.

2. METODOLOGI PENELITIAN

Penelitian ini menggunakan pendekatan metode Social Network Analysis (SNA) dan untuk menggambarkan bentuk serta struktur jaringan media sosial sebagai satu kesatuan yakni menggunakan Diameter, kepadatan

(3)

Erwianta Gustial Radjah, Copyright © 2023, MIB, Page 302 (Density), resiprositas (Reprocity) dan sentralisasi (centralization)[21]. Kemudian untuk mendeteksi kelompok dalam jaringan (Modularity) menggunakan Distributive Recursive Layout (DrL) untuk menvisualisasikan kelompok yang terbentuk dari jaringan sosial. DRL merupakan sebuah “force-directed graph” yang efektif digunakan untuk menvisualisasikan jaringan yang besar[22]. Kemudian yang terakhir untuk mengidentifikasi akun dominan dalam jaringan media sosial yakni menggunakan sentralitas (Centrality)[23].

2.1 Memetakan Struktur Jaringan

SNA merupakan metode yang dapat memetakan struktur dan bentuk jaringan sosial. Struktur jaringan sosial di Twitter dapat divisualisasi dan dideskripsikan menggunakan metode SNA[24]. Pada tahap ini terdapat 5 data struktur jaringan media sosial (Tabel 1).

Tabel 1. Data Struktur dalam jaringan

No Data Informasi

1 Kepadatan (Dencity)

Kerapatan hubungan antar akun (node) dalam jaringan. Kepadatan menunjukkan intensitas antar-anggota jaringan dalam berkomunikasi. Jaringan dengan kepadatan rendah digambarkan dengan minimnya interaksi antar anggota jaringan dan sebaliknya kepadatan tinggi ditandai dengan saling berinteraksinya anggota sama satu sama lain. Densitas dihitung dengan menggunakan rumus:

Densitas = (Jumlah edge) / (Jumlah total edge yang mungkin terhubung)

2 Diameter Jarak terjauh antara satu akun dengan akun lain dalam jaringan media sosial.

Misalnya sebuah jaringan media sosial memiliki Diameter 2, berarti jarak terjauh sebuah akun dengan akun lain adalah 2 langkah atau 2 node, jika Diameter 4 maka jarak terjauh antar akun adalah 4 langkah, dan seterusnya.

3 Resiprositas (reproductivity)

Menunjukkan relasi dua arah yang terjadi diantara anggota atau akun (node) dalam jaringan media sosial. Reproductivity dihitung dengan melihat jumlah berapa banyak partisipan dalam percakapan online yang berlangsung timbal balik dibandingkan dengan jumlah seluruh percakapan. Nilai reproductivity menjadi 1 jika akun saling berkomunikasi timbal balik, sementara nilai 0 jika komunikasi tidak ada timbal balik atau searah. Rumus resiprositas :

Resiprositas = (Jumlah node baru) / (Jumlah node yang ada saat ini) 2.2 Mendeteksi Kelompok dalam Jaringan (Modularity)

Modularity bertujuan menggambarkan kelompok yang terbentuk terkait percakapan dalam jaringan atau Tweet di Twitter [25]. Jaringan media sosial Twitter menyertakan ribuan bahkan jutaan akun (node) dan tautan, kemudian jaringan akun dalam jumlah besar terbagi ke dalam beberapa kelompok. Kelompok dapat didefenisikan sebagai subgraph yang beranggotakan node yang saling terhubung. Modularitas bergerak dari angka 0 hingga 1, mendekati 0 menunjukkan suatu network terdiri dari 1 kelompok peserta yang sejenis dan cenderung berkelompok dimana anggotanya terlibat dalam hubungan timbal balik. Kemudian sebaliknya jika mendekati 1 berarti jaringan terdiri dari kelompok atau klaster dalam jumlah banyak, dimana network terdiri dari kelompok dengan tumpang tindih yang kecil. Pada jaringan media sosial yang relatif besar terdapat kelompok kecil atau klaster. Pada tahap ini Modularity digunakan untuk melihat klaster yang didapatkan dalam tagar “#LGBT”. Modularitas dihitung dengan menggunakan Modularitas Blondel. Metode ini menghitung modularitas dengan membandingkan jumlah tautan yang terjadi di dalam satu komunitas dengan jumlah tautan yang terjadi antar komunitas [26]. Modularitas Blondel menggunakan rumus:

Modularitas =(∑ i)(∑ j)(^Aij−ki.kj_2m )

2m (1)

Keterangan:

Aij = matriks adjacency (tautan antar node) ki = jumlah tautan yang terhubung dengan node i kj = jumlah tautan yang terhubung dengan node j m = jumlah tautan di dalam jaringan

2.3 Mengidentifikasi Aktor Dominan dalam Jaringan Media Sosial (Sentralitas)

Tahap ini, sentralitas digunakan untuk menganalisa sejauh mana pengaruh akun dalam jaringan media sosial kemudian menentukkan akun yang mendominasi pada fenomena opini digital pada studi kasus “#LGBT”. 3 macam sentralitas individu yang digunakan untuk menentukan elemen pusat atau central node dalam sebuah jaringan yaitu Degree Centrality, Centrality Betweenness dan Closeness Centrality. Degree menggambarkan popularitas dari node atau aktor. Node dengan jumlah Degree yang tinggi menunjukkan node tersebut memiliki banyak hubungan dengan node lain, begitu juga sebaliknya jika node memiliki jumlah yang rendah menandakan node tersebut memiliki relasi yang rendah dengan node yang lain.

(4)

Degree Centrality (Cd) menunjukkan banyaknya jumlah interaksi atau koneksi yang diperoleh sebuah akun atau aktor atau node. Tujuannya yaitu memperlihatkan bahwa terdapat akun yang berpengaruh dalam sebuah jaringan media sosial.

Cd(Ni) = d(Ni) = ∑ⁿ_j=1Xij (i ≠ 1) (2)

Persamaan (2) menunjukkan secara matematis, Degree Centrality merupakan jumlah banyaknya hubungan atau garis mengarah sebuah node (Ni). Xij adalah banyaknya jumlah hubungan atau koneksi yang dipunyai oleh node Ni dengan node lain dalam jaringan media sosial.

2.3.2 Betweenness Centrality

Betweenness Centrality (Cb) dimanfaatkan untuk mengkalkulasi seberapa sering sebuah akun atau node menjadi penghubung atau perantara dalam sebuah jaringan media sosial. Centrality Betweenness (Cb) menunjukkan bagaimana node dalam jaringan berperan sebagai penghubung.

Cb(Ni) = ∑ ^Gjk(Ni)

j<k Gjk (3)

Berdasarkan Persamaan (3), pertama kali dihitung adalah nilai Gjk (Ni) yakni banyaknya jumlah jalur dari node j menuju node k yang melewati node i, selanjutnya dihitung nilai Gjk yakni banyaknya jumlah jalur antara 2 buah node dalam jaringan. Nilai dari Gjk(Ni) selanjutnya dibagi dengan nilai Gjk untuk menghasilkan nilai Centrality Betweenness (Cb). Hasilnya menunjukkan mana node atau akun atau aktor yang sering atau selalu menjadi penghubung antar node lainnya dalam sebuah jaringan. Sentralitas perantara ini penting karena posisi node sebagai penghubung diantara kelompok yang ada dalam jaringan dan node yang berperan sebagai perantara ini bisa melakukan kontrol penyebaran informasi, contohnya informasi dari node lain bisa ditahan atau disebarkan ke node lain.

2.3.3 Closeness Centrality

Closeness Centrality (Cc) dimanfaatkan untuk mengkalkulasi rata – rata jarak antara node atau akun atau aktor dengan semua node lain dalam jaringan. Semakin tinggi nilai sentralitas kedekatan atau Closeness Centrality maka semakin dekat jarak node atau aktor tersebut dengan node lain dalam jaringan.

Cc(Ni) = _∑ ¹

d(Ni,Nj) nj=a

(i ≠ j) (4)

Pada persamaan (4), dihitung nilai d(Ni,Nj) yakni banyaknya jalur terpendek yang menjembatani node Ni dan Nj. Hasil Cc(Ni) didapatkan dengan cara membagi nilai 1 dengan nilai d(Ni, Nj). Contoh jarak terpendek antara node N dengan node lain dalam jaringan media sosial sangat rendah maka node N mempunyai nilai Closeness Centrality (Cc) yang sangat besar. Semakin pendek jarak node dengan node lainnya maka semakin terhubung juga node tersebut.

2.3.4 Eigenvector Centrality

Eigenvector Centrality digunakan sebagai ukuran untuk menunjukkan seberapa berkualitas atau baik sebuah node berelasi dengan node lain dalam jaringan [27]. Sentralitas Eigenvector mengukur seberapa penting atau berkualitas node atau aktor dalam jaringan, berdasarkan kedekatan node dengan node penting lain. Sentralitas Eigenvector tidak berfokus pada seberapa banyak Degree namun berfokus pada seberapa penting node yang terhubung [28].

Eigenvector Centrality dengan nilai yang tinggi menunjukkan node tersebut memiliki teman node yang berkualitas.

Nilai Eigenvector Centrality yang tinggi juga menggambarkan node memiliki peran dan kontribusi yang penting dalam jaringan [29]. Eigenvector Centrality penting dalam penelitian ini karena node dapat memanfaatkan relasi dengan node yang penting untuk dapat menjangkau semua anggota dalam jaringan. Eigenvector Centrality dihitung dengan menggunakan rumus:

Eigenvector Centrality = (Jumlah node terhubung) * (Eigenvector Centrality node terhubung) (5) 2.4 Dataset

Pemilihan Dataset penelitian yaitu berdasarkan fenomena tagar “#LGBT” yang menjadi trending di media sosial Twitter Indonesia. Crawling data Twitter tersebut diambil dari bulan Mei hingga bulan Agustus 2022 melalui netlityc. Jumlah data yang diperoleh yaitu sebanyak 10.000 tweet yang berbahasa Indonesia. Rentang waktu tersebut merupakan masa dimana tagar “#LGBT” semakin disuarakan melalui media sosial Twitter.

2.5 Tahapan Penelitian

Tahap Penelitian terdiri dari 4 tahap utama yaitu, identifikasi masalah, crawling data, preprosessing data dan pengolahan data dan pengambilan kesimpulan (Gambar 1). Pertama tahap identikasi masalah yaitu peneliti melihat fenomena mobilisasi opini yang masif dan terjadi di media sosial dapat mempengaruhi pengguna lain dalam

(5)

Erwianta Gustial Radjah, Copyright © 2023, MIB, Page 304 mengambil suatu keputusan, yakni tindakan yang membuat akun seorang LGBT terkenal diblokir. Fenemona ini dapat dijadikan bahan uji untuk melihat seberapa besar pengaruh sebuah akun dapat mempengaruhi keputusan akun lainnya dalam bertindak. Tahap berikutnya yaitu tahap crawling data menggunakan bantuan Netlityc. Tahap crawling data merupakan tahap dimana semua data tweet dan data akun twitter berbahasa Indonesia yang menggunakan hashtag “#LGBT” dari bulan Mei hingga bulan Agustus 2022 dikumpulkan. Data tersebut disimpan dalam format yang dapat diolah menggunakan perangkat lunak Gephi. Sebelum data diolah, data perlu melewati tahap preprosessing agar data menjadi layak untuk diolah. Tahap preprosessing bertujuan untuk membersihkan akun yang tidak diperlukan, yaitu akun yang tidak memiliki edge atau nol relasi. Tahap ini perlu dilakukan agar akun dengan edge nol tidak perlu dianalisis karena tidak memiliki relasi dengan akun lain. Akun yang tidak memiliki relasi tidak dibutuhkan karena secara langsung dapat dianggap tidak penting yaitu tidak termasuk dalam jaringan media sosial.

Pada tahap pengolahan data terdapat 3 level yaitu analisa struktur jaringan, deteksi kelompok dan terakhir identifikasi aktor. Pada level pertama yaitu menganalisa struktur jaringan menggunakan Densitas, Diameter, dan Resiprositas. Pada tahap penghitungan Densitas, pertama dilakukan penentuan jumlah node dan interaksi edge dalam jaringan yang didapat dari pengguna Twitter dan Retweet yang telah melewati tahap preprosessing, kemudian jumlah maksimal egde yang terjadi dalam jaringan dihitung menggunakan rumus (n * (n - 1)) / 2, dimana n adalah jumlah node dalam jaringan. Selanjutnya hitung densitas jaringan dengan menggunakan rumus: jumlah tautan / jumlah maksimal tautan.

Densitas jaringan menunjukkan seberapa padat atau terhubung jaringan tersebut. Nilai densitas jaringan yang tinggi menunjukkan bahwa jaringan tersebut padat atau terhubung dengan baik, sedangkan nilai densitas yang rendah menunjukkan bahwa jaringan tersebut kurang terhubung atau terpisah. Analisis hasil densitas jaringan dilakukan untuk mengetahui tingkat interaksi antar pengguna Twitter yang terkait dengan hashtag “#LGBT”. Pada tahap penghitungan Diameter, pertama data node dan edge yang sudah dibersihkan dibuatkan konstruksinya berdasarkan retweet yang terjadi, kemudian penghitungan jarak tweet antara dua tweet dengan menghitung jumlah langkah atau tautan yang dibutuhkan untuk mencapai tweet tujuan dari tweet awal. Jika tweet terhubung langsung, maka jarak antar tweet tersebut adalah 1.

Jika tweet tidak terhubung langsung, maka jarak antar tweet tersebut adalah jumlah langkah atau tautan yang dibutuhkan untuk mencapai tweet tujuan dari tweet awal. Pencarian jarak terjauh dengan mencari jarak terjauh antara dua tweet dengan membandingkan jarak antar tweet yang telah dihitung sebelumnya. Jarak terjauh tersebut merupakan diameter data tweet dalam jaringan hashtag “#LGBT”. Jika diameter jaringan tweet sangat besar, maka jaringan tersebut dapat dikatakan terhubung dengan baik.

Sebaliknya, jika diameter jaringan tweet kecil, maka jaringan tersebut mungkin terpisah menjadi beberapa kelompok yang tidak terhubung. Selanjutnya tahap perhitungan Resiprositas, berdasarkan interaksi antar node maka terbentuk edge kemudian jika kedua node saling mengikuti satu dengan yang lain, maka resiprositas antara keduanya adalah 1. Sebaliknya, jika hanya satu node yang mengikuti node lain, maka resiprositas antara keduanya adalah 0 dan jika hasil interpretasi resiprositas jaringan tweet tinggi, maka hubungan antar pengguna di jaringan tersebut dapat dikatakan akrab atau intim. Sebaliknya, jika resiprositas jaringan tweet rendah, maka hubungan antar pengguna di jaringan tersebut mungkin tidak begitu akrab atau tidak begitu dekat.

Level Kelompok menggunakan Modularitas untuk melihat klaster yang muncul dari tagar “LGBT”.

Penghitungan Modularitas menggunakan metode Blondel dengan bantuan perangkat lunak Gephi. Data Tweet yang telah terbentuk jaringan node dan edge kemudian dimuat dalam perangkat lunak Gephi, selanjutnya data tersebut dapat dikalkulasi dengan pilihan Modularity Blondel. Jika hasil penghitungan modularitas jaringan tweet sangat tinggi, maka jaringan tersebut dapat dikatakan terorganisir dengan baik dan terdiri dari beberapa kelompok yang terpisah. Sebaliknya, jika modularitas jaringan tweet rendah, maka jaringan tersebut mungkin terdiri dari kelompok-kelompok yang kurang terorganisir atau terpisah.

Level Identifikasi aktor menggunakan Sentralitas Keperantaraan (Betweeness Centrality), Sentralitas Kedekatan (Closeness Centrality) dan Degree Centrality serta Eigenvector Centrality. Pertama menghitung Degree Centrality dengan menghitung berapa jumlah relasi akun dengan akun lainnya. Relasi dalam jaringan sosial ditandai dengan link atau garis yang menghubungkan node dengan node lainnya. Contoh, akun dengan sentralitas tingkatan bernilai 5, artinya akun tersebut terhubung dengan 5 akun lain dalam jaringan.

Tahap pertama perhitungan Betweeness Centrality yaitu mengidentifikasi semua relasi antar node, kedua perhatikan apakah terdapat node yang berperan sebagai perantara atau tidak, maksudnya apakah terdapat akun yang menjadi perantara atau penghubung antara dua akun atau lebih. Langkah pertama menghitung Closeness Centrality yaitu hitung jarak node dengan semua node yang ada pada jaringan sosial. Jarak ini diwakili dari edge yang terbentuk dari retweet yang terjadi dalam tagar “#LGBT”, retweet yang saling terhubung dari akun kemudian diretweet oleh akun lainnya menciptakan relasi langsung dan tidak langsung.

Semakin sering sebuah akun diretweet secara langsung maka node tersebut merupakan node dengan nilai Closeness Centrality tertinggi. Terakhir menghitung Eigenvector Centrality, tahap ini secara umum bertujuan untuk mengidentifikasi node yang memiliki jaringan yang baik dan berkualitas, maksudnya node tersebut merupakan node yang berelasi dengan sejumlah node yang memiliki tingkatan sentralitas yang tinggi. Sehingga node yang memiliki sentralitas Eigenvector tertinggi dapat dimanfaatkan untuk menjangkau semua anggota dalam jaringan yang lebih baik dan berkualitas.

(6)

3. HASIL DAN PEMBAHASAN

Crawling data percakapan Twitter atau tweet dengan tagar “#LGBT” menggunakan netlityc dapat dilihat pada Gambar. 2 dan Tabel. 1.

Gambar 2. Grafik Jumlah Tweets (Posts) Tabel 1. Tabel Jumlah Nodes dan Edges

Nodes Edges 7761 8371

Pada Gambar. 1 terlihat jumlah tweet terbanyak terjadi pada tanggal 14 bulan Mei 2022 yaitu lebih dari 4755 postingan tweet kemudian jumlah tweet berangsur – angsur turun pada hari berikutnya. Selanjutnya terdapat jumlah nodes sebanyak 7761 dan edges berjumlah 8371. Nodes atau akun berisi user, link, media, hastag dan tweet. Sedangkan edges merupakan hubungan diantara nodes tersebut. Graph hasil Crawling data awal melalui Netlityc ditunjukkan pada gambar 3.

Gambar 3. Graph Awal tagar “#LGBT”

(7)

Erwianta Gustial Radjah, Copyright © 2023, MIB, Page 306 Pada gambar 3 dapat dilihat bagaimana persebaran node – node yang terlibat dalam tagar “#LGBT”. Warna yang tampil merepresentasikan individu maupun kelompok – kelompok yang terbentuk dari edge yang saling berhubungan dari kegiatan meretweet. Semakin padat dan berwarna sama pada node yang ada, mengindikasi bahwa terjadi relasi dan percakapan yang sering dalam jaringan tersebut. Sebaliknya semakin menyebar dan terpisah dari node lain serta memiliki warna yang berbeda, mengindikasikan bahwa node tersebut tidak berelasi melalui melakukan retweet dalam jaringan. Pada tahap analisa data yang pertama bertujuan melihat struktur jaringan yang dihasilkan. Hasilnya dapat dilihat pada Tabel 2.

Tabel 3. Struktur Jaringan “#LGBT”

Analisis Data Diameter 18 Densitas 0.000164 Resiprositas 0.049480

Pada Tabel 2, Diameter yang ditunjukkan sebesar 18 artinya jarak terjauh aktor atau nodes dalam kasus ini yaitu jarak terjauh akun media sosial dalam menjangkau akun media sosial lain sebesar 18 langkah atau node agar semua akun bisa dijangkau. Diameter 18 menunjukkan angka yang relatif cukup besar dalam menjangkau akun media sosial lain. Diameter dalam jaringan adalah 18, berarti terdapat dua node yang saling terhubung melalui 18 edge. Ini menunjukkan bahwa jaringan tersebut memiliki jarak yang cukup jauh antara dua node yang terhubung.

Nilai Diameter yang tinggi menunjukkan bahwa jaringan tersebut terbilang tersebar, di mana jarak antara dua node yang terhubung cukup jauh. Sebaliknya, nilai Diameter yang rendah menunjukkan bahwa jaringan tersebut terbilang terkonsentrasi, di mana jarak antara dua node yang terhubung relatif dekat.

Densitas atau kerapatan jaringan berasal dari derajat interaksi antar akun media sosial dalam jaringan yakni dengan angka 0.000164 yang relatif kecil, artinya antara akun media sosial atau node pada Twitter tidak saling berhubungan atau tidak melakukan reply atau mentions satu sama lain. Nilai Density yang bernilai 0.000164 menunjukkan bahwa hanya sebagian kecil dari total edge yang mungkin ada yang sebenarnya terhubung dalam jaringan tersebut. Ini berarti bahwa jaringan tersebut terbilang cukup terisolasi, di mana hanya sebagian kecil node yang terhubung satu dengan lainnya. Nilai Density yang tinggi menunjukkan bahwa jaringan tersebut sangat terhubung, di mana hampir semua node terhubung satu dengan lainnya. Nilai Density yang rendah menunjukkan bahwa jaringan tersebut terbilang terisolasi, di mana hanya sebagian kecil node yang terhubung satu dengan lainnya.

Resiprositas menunjukkan hubungan yang terjadi antara akun Twitter berjalan searah atau dua arah dan pada kasus tagar “#LGBT”, resiprositas menunjukkan hasil yang rendah yakni 0.049480 artinya antara akun tidak saling bertukar postingan atau Tweet dan akun secara individu menulis postingan terkait “#LGBT”. Namun, dengan nilai reprositas dalam jaringan sebesar 0.049480, berarti bahwa dalam jaringan tersebut, terdapat sekitar 4.9% node baru setiap tahunnya. Ini menunjukkan bahwa jaringan tersebut cukup aktif dalam menambahkan node baru, dan memiliki potensi untuk terus tumbuh dan berkembang. Nilai reprositas yang tinggi menunjukkan bahwa jaringan tersebut cukup aktif dalam menambahkan node baru, sedangkan nilai reprositas yang rendah menunjukkan bahwa jaringan tersebut kurang aktif dalam menambahkan node baru.

Hasil analisa data juga menunjukkan Modularitas yang dihasilkan relatif tinggi yakni 0.868000.

Mengindikasikan percakapan yang terjadi menggunakan tagar “#LGBT” tidak cukup menyebar ke banyak akun Twitter atau dapat disimpulkan terdapat homogenitas yang kuat. Nilai Modularitas jaringan sebesar 0.868000, berarti bahwa jaringan tersebut terbilang terpisah menjadi beberapa kelompok yang terisolasi. Nilai Modularitas yang tinggi menunjukkan bahwa jaringan tersebut terbilang terpisah menjadi beberapa kelompok yang terisolasi, sedangkan nilai Modularitas yang rendah menunjukkan bahwa jaringan tersebut tidak terbilang terpisah menjadi beberapa kelompok yang terisolasi

Selanjutnya melakukan pengelompokkan aktor atau akun media sosial dalam jaringan media sosial, yaitu menvisualisasikan klaster menggunakan Distributive Recursive Layout (DrL) yang disediakan Netlityc dan hasilnya klaster utama terbagi menjadi 5 klaster (Gambar.4).

Gambar 4. Klaster utama tagar #LGBT menggunakan DRL Layout

(8)

Gambar 7. Klaster 3 Gambar 8. Klaster 4

Gambar 9. Klaster 5

Pada Klaster 1 (Gambar.5) 5 akun yang mendominasi dalam jaringan klaster dengan total Degree terbesar yaitu akun @glr memiliki 210 Degree, @fda 146 Degree, @hli 145 Degree, @bcr 112 Degree dan @@ooi Degree.

Klaster 2 (Gambar.6) akun @brn memiliki total Degree 287 Degree, @aiy 205 Degree, @lrh 107 Degree, @map 46 Degree dan @bun 43 Degree. Klaster 3 (Gambar.7) akun @aaa mempunyai total Degree 117 Degree, akun

@jdw 93 Degree, akun @sud 76 Degree, akun @bny 66 Degree dan akun @xtr 60 Degree. Klaster 4 (Gambar.8) akun @sop memiliki total Degree 152 Degree, akun @lbi 51 Degree, akun @dde 27 Degree, akun @dik 25 Degree dan akun @lse 8 Degree. Klaster 5 (Gambar.9) akun @tna memiliki total Degree 195 Degree, akun @mnz 17 Degree dan akun @roe 12 Degree.

Tahap selanjutnya yaitu melakukan perhitungan sentralitas tingkatan guna mengidentifikasi aktor atau akun yang dominan dalam jaringan media sosial Twitter terhadap tagar “#LGBT”. Untuk melakukan ini digunakan perangkat lunak Gephi. Pertama dalam tahap ini yaitu melakukan kalkulasi Degree Centrality terhadap 7761 akun untuk mendapatkan 10 besar akun dengan nilai Degree Centrality terbesar kemudian diurutkan dari akun yang memiliki Degree Centrality tertinggi hingga terendah. Hasil perhitungan Degree Centrality dapat dilihat pada Tabel.4.

Tabel 4. Hasil Perhitungan Degree Centrality

No Akun/ Aktor Degree Centrality In Degree Out Degree

1 @brn 287 287 0

2 @glr 210 210 0

3 @aiy 205 204 1

4 @tna 195 195 0

5 @ean 185 184 1

6 @sop 152 119 33

7 @fda 146 146 0

8 @hli 145 145 0

9 @aaa 117 117 0

10 @bcr 112 112 0

Pada tabel.4 diperlihatkan hasil perhitungan Degree Centrality yaitu terdapat 10 akun Twitter dengan Degree Centrality tertinggi. Degree Centrality merujuk pada banyaknya jumlah relasi atau hubungan 1 akun Twitter dengan akun Twitter lain dalam jaringan dan pada kasus tagar “#LGBT” akun @brn merupakan akun dengan nilai Degree Centrality tertinggi yaitu 287. Nilai 287 menunjukkan bahwa akun @brn merupakan akun

(9)

Erwianta Gustial Radjah, Copyright © 2023, MIB, Page 308 terpopuler dan memiliki relasi terbanyak terhadap akun Twitter lain dalam kasus tagar “#LGBT”. InDegree terbanyak juga dimiliki oleh akun @brn, artinya akun @brn memiliki edge atau link terbanyak yang mengarah padanya. Akun @brn memiliki nilai InDegree sebanyak 287 menunjukkan bahwa akun @brn dihubungi sebanyak 287 akun Twitter lain dalam jaringan. Akun @sop memiliki nilai OutDegree atau mengarah keluar sebanyak 33, artinya akun @sop menghubungi akun lain sebanyak 33 akun dalam jaringan. Pada peringkat 10 terdapat akun

@bcr yang mempunyai Degree Centrality sebanyak 112, artinya bahwa akun @bcr memiliki hubungan dengan akun lain sebanyak 112 akun.

Kemudian tahap berikutnya yaitu menghitung sentralitas perantara atau Betweenness Centrality untuk menggambarkan seberapa besar akun menjadi penghubung akun Twitter lain dalam tagar “#LGBT”. Hasil perhitungan peringkat 10 besar Betweenness Centrality diurutkan dari yang paling besar dapat dilihat pada Tabel.5.

Tabel 5. Hasil Perhitungan Betweeness Centrality, InDegree dan OutDegree No Akun/ Aktor Betweenness Centrality In Degree Out Degree

1 @sop 0.000303 119 33

2 @lbi 0.000176 36 15

3 @pti 0.000118 23 6

4 @bak 0.000072 6 2

5 @dkg 0.00006 8 13

6 @mkm 0.000058 7 7

7 @stj 0.000053 2 4

8 @got 0.000052 5 12

9 @mlf 0.000046 3 3

10 @sas 0.000044 5 4

Pada Tabel.5 menunjukkan hasil perhitungan sentralitas perantara atau Betweenness Centrality dan dapatkan 10 akun Twitter dengan nilai Betweenness Centrality terbesar. Urutan pertama dengan nilai 0.000303 yaitu akun @sop, artinya akun @sop menjadi akun atau node yang berperan sebagai penghubung paling besar diantara akun Twitter lain. Akun @sop memiliki link yang mengarah keluar sebanyak 33 dan memiliki link yang mengarah ke dalam sebanyak 119. Akun @lbi berada pada peringkat kedua dengan nilai Betweenness Centrality sebesar 0.000176 dan mempunyai link mengarah kedalam sebanyak 36 serta link mengarah keluar sebanyak 15.

Peringkat akun terendah dalam urutan 10 besar yaitu akun @sas dengan nilai Betweenness Centrality sebesar 0.000044 dan memiliki link mengarah keluar sebanyak 4 dan sebanyak 5 link mengarah kedalam.

Selanjutnya menghitung Closeness Centrality guna menggambarkan seberapa dekat akun atau node dengan semua akun Twitter di dalam jaringan tagar “LGBT”. Hasil kalkulasi Closeness Centrality dapat dilihat pada Tabel.6 berikut:

Tabel 6. Hasil Perhitungan Closeness Centrality terhadap Degree Centrality No Akun/ Aktor Closeness Centrality Degree Centrality

1 @aiy 1.0 205

2 @cbq 1.0 103

3 @etn 1.0 100

4 @sud 1.0 76

5 @bny 1.0 66

6 @tab 1.0 58

7 @fkd 1.0 44

8 @dke 1.0 42

9 @ge_ 1.0 32

10 @ie1 1.0 21

Pada perhitungan Closeness Centrality kemudian difilter berdasarkan Degree Centrality yang bertujuan untuk melihat akun yang memiliki jarak terpendek dan sekaligus memiliki pengaruh dengan akun lain. 10 besar akun dengan Closeness Centrality tertinggi memiliki nilai yang sama yaitu 1.0 artinya 10 akun tersebut memiliki jarak rata – rata dengan akun lain sebanyak rata – rata 1.0 langkah atau 1.0 tahap. Namun jika diurutkan berdasarkan Degree Centrality terhadap Closeness Centrality maka akun @aiy berada pada peringkat teratas dengan nilai 205 dan peringkat terendah yaitu akun @ie1 dengan nilai 21.

Tahap berikutnya yaitu menghitung Eigenvector Centrality pada jaringan yang bertujuan untuk menggambarkan seberapa baik atau seberapa berkualitas jaringan yang ada. Hasil perhitungan Sentralitas Eigenvector dapat dilihat pada Tabel.7.

Tabel 7. Tabel Hasil Perhitungan Eigenvektor Centrality No Akun/ Aktor Eigenvektor Centrality

1 @brn 1.0

(10)

2 @sop 0.9585

3 @ean 0.866574

4 @pti 0.861068

5 @glr 0.726677

6 @tna 0.697402

7 @aiy 0.691858

8 @pna 0.559903

9 @agi 0.557514

10 @kla 0.555126

Pada Tabel.7 ditunjukkan hasil 10 besar akun dengan nilai Sentralitas Eigenvektor tertinggi kemudian diurutkan dari nilai yang paling tinggi ke nilai paling rendah. Hasil perhitungan menunjukkan bahwa akun @brn berada pada peringkat teratas dengan nilai 1.0, artinya dalam jaringan kasus tagar “#LGBT” @brn merupakan akun yang paling baik atau berkualitas diantara akun lainnya. Kemudian akun @kla berada pada peringkat terendah dengan nilai 0.555126.

Dari hasil analisis ini dapat diketahui bahwa jaringan akun media sosial yang dianalisis cukup tersebar dan terisolasi, namun masih cukup aktif dalam menambahkan node baru dan terkonsentrasi pada beberapa komunitas yang berbeda. Akun yang menjadi aktor utama dalam memulai percakapan tagar “#LGBT” tidak terfokus pada satu akun saja, walaupun akun @brn memiliki sentralitas tertinggi namun berdasarkan perhitungan sentralitas akun lain dalam 10 besar akun berpengaruh, akun lain juga memiliki peran penting dalam membentuk jaringan. Hal ini dapat dilihat dari hasil perhitungan diantara 10 besar akun yang tidak memiliki perbedaan signifikan pada tiap peringkatnya. Penyebaran tagar “#LGBT” terkesan dimobilisasi secara berkelompok oleh beberapa akun yang menjadi pusat retweet, namun pada hasil perhitungan Eigenvector Centrality kemudian dibandingkan dengan hasil sentralitas lainnya maka dapat dipastikan akun @brn dan akun @sop merupakan akun yang paling dominan diantara akun lainnya dalam penyebaran tagar “#LGBT”. Kedua akun tersebut memainkan peran penting dalam membentuk jaringan secara luas, karena selain sudah memiliki kelompok jaringannya sendiri yang sudah cukup besar tetapi tetap dapat membentuk hubungan dengan akun lain yang memiliki kelompok jaringan besar lainnya.

Hasil penelitian pada tagar “#LGBT” di Twitter menunjukkan bahwa SNA dapat menunjukkan bagaimana sebuah jaringan media sosial dapat terbentuk berdasarkan perilaku komunikasi dan opini digital yang saling terhubung melalui kegiatan retweet. Media sosial Twitter sebagai sumber data dapat diolah kemudian dianalisis untuk mempelajari perilaku pengguna baik dalam mengambil tindakan dalam bermedia sosial ataupun dalam kehidupan nyata. Dengan SNA, peneliti juga dapat mendeteksi kelompok – kelompok dengan percakapan sejenis, sehingga peniliti ataupun pengguna metode SNA dapat mempertimbangkan langkah selanjutnya dalam menangani fenomena yang terjadi dalam media sosial. Penggunaan SNA di media sosial menjadi efektif jika data utama yang digunakan sudah memiliki sentimen mayoritas secara nyata, maksudnya data tersebut secara keseluruhan dapat diwakili oleh sebuah sentimen mayoritas. Dalam kasus penelitian ini, tagar “#LGBT” secara langsung memiliki mayoritas sentimen negatif pada penyebarannya, sehingga berdampak pada kejadian pemblokiran akun tik tok dan turunnya jumlah subscriber.

4. KESIMPULAN

Pada penelitian ini ditemukan fakta bahwa struktur jaringan yang terbentuk memiliki nilai Diameter sebesar 18 artinya, jarak rata – rata untuk saling menjangkau diantara akun Twitter cukup jauh yaitu membutuhkan rata – rata 18 langkah. Ini menunjukkan bahwa jaringan tersebut cukup luas, dengan beberapa node yang terpisah jauh satu dengan yang lain. Densitas yang didapatkan juga tergolong rendah dengan nilai kepadatan 0.000164 yang berarti dalam jaringan tagar “#LGBT” interaksi yang terjadi tidak merata ke semua akun dan hanya didominasi oleh akun tertentu. Nilai densitas jaringan 0.000164, berarti hanya sekitar 0.0164% dari semua edge yang mungkin terhubung. Ini menunjukkan jaringan tersebut terbilang sangat terisolasi, dengan hanya sedikit node yang terhubung satu dengan yang lain. Nilai densitas yang tinggi menunjukkan jaringan tersebut terbilang padat, dengan banyak node yang terhubung satu dengan yang lain, sedangkan nilai densitas yang rendah menunjukkan bahwa jaringan tersebut terbilang terisolasi, dengan sedikit node yang terhubung satu dengan yang lain. Reprositas dengan nilai 0.049480 menunjukkan percakapan online melalui Twitter bersifat searah atau rendahnya hubungan timbal balik yang berlangsung dalam jaringan. Nilai resiprositas jaringan 0.049480, ini berarti terdapat sekitar 4.9% node baru setiap tahunnya. Ini menunjukkan jaringan tersebut cukup aktif dalam menambahkan node baru dan memiliki potensi untuk terus tumbuh dan berkembang. Hasil perhitungan Modularitas menunjukkan nilai 0.868000, artinya dalam jaringan terdapat berbagai percakapan dan komunitas dengan tumpang – tindih yang rendah. Analisa klaster menunjukkan terdapat 5 klaster yang terbentuk dalam jaringan, yaitu klaster 1 didominasi oleh akun @glr, klaster 2 oleh akun @brn, klaster 3 oleh akun @aaa, klaster 4 oleh @sop dan klaster 5 oleh akun @tna artinya, akun – akun tersebut memiliki peran penting dalam membentuk kelompok – kelompok dalam jaringan tagar “#LGBT”.

Identifikasi node atau aktor berpengaruh atau paling dominan dalam jaringan menggunakan sentralitas menunjukkan bahwa, akun @brn memiliki nilai Degree Centrality tertinggi, artinya akun @brn merupakan akun

(11)

Erwianta Gustial Radjah, Copyright © 2023, MIB, Page 310 terpopuler dengan jumlah relasi sebesar 287. Akun yang menjadi penghubung terbesar dengan akun lain adalah akun @sop dengan nilai Betweenness Centrality tertinggi yaitu 0.000303 dan ditunjang juga oleh nilai InDegree sebesar 119 dan OutDegree sebesar 33. Akun dengan Closeneess Centrality sekaligus akun berpengaruh yaitu akun @aiy, artinya akun @aiy dapat menjangkau akun lain dengan 1 tahap atau 1 langkah saja. Hasil Eigenvektor Centrality menunjukkan akun @brn sebagai akun dengan nilai tertinggi yang memiliki pengikut atau teman yang berkualitas dan baik dalam jaringan. Jika dikomparasikan dengan hasil Degree Centrality maka didapatkan bahwa akun @brn adalah akun yang paling popular dalam jaringan tagar “#LGBT”. Selanjutnya jika dibandingkan dengan nilai Betweenness Centrality maka akun @sop juga merupakan akun penting dalam jaringan karena berperan sebagai penghubung yang berkualitas dalam menjembatani percakapan online yang tersebar. Secara garis besar, hasil analisis menunjukkan bahwa jaringan twitter yang digunakan dalam kasus ini terbilang tersebar dan terisolasi, namun cukup aktif dalam menambahkan node baru dan terkonsentrasi pada beberapa komunitas yang berbeda. Penerapan metode SNA pada kasus ini terbilang efektif karena data yang digunakan relevan dan memiliki variabel - variabel pendukung untuk diolah menggunakan SNA. Data twitter dalam bentuk akun dan retweet dapat mewakili node dan edge yang diperlukan sebagai data utama dalam SNA, kemudian studi kasus yang diteliti dapat melewati tahap preprosessing dengan baik serta analisis untuk melihat struktur jaringan, kelompok dan sentralitas aktor yang berperan dalam penyebaran tagar “#LGBT” dapat direpresentasikan dengan baik.

REFERENCES

[1] V. A. Fitri, R. Andreswari, and M. A. Hasibuan, “Sentiment analysis of social media Twitter with case of Anti-LGBT campaign in Indonesia using Naïve Bayes, decision tree, and random forest algorithm,” Procedia Comput Sci, vol. 161, pp. 765–772, 2019, doi: 10.1016/j.procs.2019.11.181.

[2] A. Hermawansyah and A. R. Pratama, “Analisis Profil dan Karakteristik Pengguna Media Sosial di Indonesia Dengan Metode EFA dan MCA,” Techno.Com, vol. 20, no. 1, pp. 69–82, 2021, doi: 10.33633/tc.v20i1.4289.

[3] C. B. Dewa and L. A. Safitri, “Pemanfaatan Media Sosial Tiktok Sebagai Media Promosi Industri Kuliner Di Yogyakarta Pada Masa Pandemi Covid-19 (Studi Kasus Akun TikTok Javafoodie),” Khasanah Ilmu - Jurnal Pariwisata Dan Budaya, vol. 12, no. 1, pp. 65–71, 2021, doi: 10.31294/khi.v12i1.10132.

[4] N. A. Azmi, A. T. Fathani, D. P. Sadayi, I. Fitriani, and M. Rayhan Adiyaksa, “Social Media Network Analysis (SNA):

Identifikasi Komunikasi dan Penyebaran Informasi Melalui Media Sosial Twitter,” Jurnal Media Informatika Budidarma, vol. 5, no. 4, pp. 1422–1430, 2021, doi: 10.30865/mib.v5i4.3257.

[5] I. F. Ramadhy and Y. Sibaroni, “Analisis Trending Topik Twitter dengan Fitur Ekspansi FastText Menggunakan Metode Logistic Regression,” Jurnal Riset Komputer), vol. 9, no. 1, pp. 2407–389, 2022, doi: 10.30865/jurikom.v9i1.3791.

[6] A. bin MUHAMMAD ALKATIRI, Z. NADIAH, and A. N. S. NASUTION, “Opini Publik Terhadap Penerapan New Normal Di Media Sosial Twitter,” CoverAge: Journal of Strategic Communication, vol. 11, no. 1, pp. 19–26, 2020, doi:

10.35814/coverage.v11i1.1728.

[7] P. Studi Hukum, P. Doktor, and O. Novita, “Hak Perkawinan Bagi Kaum LGBT : Legalitas Dalam Hukum Indonesia,”

Jurnal Ilmiah Dunia Hukum, vol. 6, no. 1, pp. 26–37, 2021, [Online]. Available:

https://www.apa.org/pi/lgbt/resources/sex

[8] A. B. Khoir, “LGBT, Muslim, and Heterosexism: The Experiences of Muslim Gay in Indonesia,” Wawasan: Jurnal Ilmiah Agama dan Sosial Budaya, vol. 5, no. 1, pp. 1–19, 2020, doi: 10.15575/jw.v5i1.8067.

[9] A. M. Syam, “Penentangan terhadap Podcast Deddy Corbuzier tentang Pasangan Gay,” Kompasiana.com, 2022.

https://www.kompasiana.com/tiojoestar/627e0f2c4b9a473895352f52/penentangan-terhadap-podcast-deddy-corbuzier- tentang-pasangan-gay

[10] S. Siti Ruqoyah, “MUI Kecam Deddy Corbuzier: Islam Melarang dan Mengutuk LGBT,” viva.co.id, 2022.

https://www.viva.co.id/berita/nasional/1473413-mui-kecam-deddy-corbuzier-islam-melarang-dan-mengutuk-lgbt [11] C. I. Tim Redaksi, “Heboh! Ada Seruan Unsubscribe Podcast Deddy Corbuzier,” cnbcindonesia.com, 2022.

https://www.cnbcindonesia.com/lifestyle/20220510095622-33-337683/heboh-ada-seruan-unsubscribe-podcast-deddy- corbuzier

[12] T. One, “Kekuatan Netizen Anti-Ragil Mahardika, Lenyapkan Akun TikTok Ragil Berisi 1,3 Juta Followers,”

tvonenews.com, 2022. https://www.tvonenews.com/lifestyle/trend/40572-kekuatan-netizen-anti-ragil-mahardika- lenyapkan-akun-tiktok-ragil-berisi-13-juta-followers?page=4

[13] N. Vemprala and G. Dietrich, “A social network analysis (SNA) study on data breach concerns over social media,”

Proceedings of the Annual Hawaii International Conference on System Sciences, vol. 2019-Janua, pp. 7186–7193, 2019, doi: 10.24251/hicss.2019.862.

[14] A. Kartino, M. Khairul Anam, Rahmaddeni, and Junadhi, “Analisis Akun Twitter Berpengaruh terkait Covid-19 menggunakan Social Network Analysis,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 4, pp.

697–704, 2021, doi: 10.29207/resti.v5i4.3160.

[15] B. Cronin, “Social Network Analysis for International Development,” Complex Adaptive Systems for Development Professional Development Programme, no. May, 2015.

[16] M. T. Anwar, “Analisis Pola Persebaran Pornografi pada Media Sosial dengan Social Network Analysis,” Jurnal Buana Informatika, vol. 9, no. 1, pp. 43–52, 2018, doi: 10.24002/jbi.v9i1.1667.

[17] L. Santoso, D. Manongga, and A. Iriani, “Collaboration Analysis of Semarang City Dengue Hemorrhagic Fever Health Surveillance Officer with Social Network Analysis,” INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi, vol. 4, no. 1, pp. 1–21, 2020, doi: 10.29407/intensif.v4i1.12976.

[18] E. Zusrony, H. D. Purnomo, and S. Y. J. Prasetyo, “Analisis Pemetaan Jaringan Komunikasi Karyawan Menggunakan Social Network Analysis pada Perusahaan Multifinance,” INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi, vol. 3, no. 2, p. 145, 2019, doi: 10.29407/intensif.v3i2.12786.

(12)

Kolaborasi Karyawan Pada Pt. Arum Mandiri Group,” Jurnal Transformatika, vol. 17, no. 2, p. 149, 2020, doi:

10.26623/transformatika.v17i2.1646.

[20] B. EmpyGiri, D. Manongga, and A. Iriani, “Using Social Networking Analysis (SNA) to Analyze Collaboration between Students (Case Study: Students of Open University in Kupang),” Int J Comput Appl, vol. 85, no. 1, pp. 39–44, 2014, doi: 10.5120/14808-3022.

[21] A. Ristantya, V. Okiyani, E. Triyandah, and ..., “Analisa Interaksi Pelanggan dengan Konsep Social Network Analysis untuk Mengetahui Persepsi Positif dan Negatif berdasarkan Komentar pada Media Sosial …,” J-SAKTI (Jurnal …, vol.

4, no. September, pp. 251–260, 2020, [Online]. Available:

http://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/217

[22] P. Pascual-Ferrá, N. Alperstein, and D. J. Barnett, “Social Network Analysis of COVID-19 Public Discourse on Twitter:

Implications for Risk Communication,” Disaster Med Public Health Prep, pp. 1–9, 2020, doi: 10.1017/dmp.2020.347.

[23] E. Mailoa, “Analisis Node dengan Centrality dan Follower Rank pada Twitter,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 5, pp. 937–942, 2020, doi: 10.29207/resti.v4i5.2398.

[24] G. N. Bakry and I. M. Kusmayadi, “Peran Pers Sebagai Aktor Gerakan Digital Tagar #SolidaritasUntukNTT di Twitter,”

Jurnal Kajian Jurnalisme, vol. 5, no. 1, p. 98, 2021, doi: 10.24198/jkj.v5i1.33458.

[25] D. Diniyati, A. Triayudi, and I. D. Sholihati, “Analisa Interaksi Pengguna Media Sosial Perusahaan Sekuritas di Indonesia Saat Covid-19 menggunakan Social Network Analysis (Studi Kasus: Indopremier dan Bursa Efek Indonesia),”

Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 4, no. 2, p. 72, 2020, doi: 10.35870/jtik.v5i1.166.

[26] V. D. Blondel, J.-L. Guillaume, R. Lambiotte, and E. Lefebvre, “Fast unfolding of communities in large networks,”

2008.

[27] D. Inayah and F. L. Purba, “Implementasi Social Network Analysis Dalam Penyebaran Informasi Virus Corona (Covid- 19) Di Twitter,” Seminar Nasional Official Statistics, vol. 2020, no. 1, pp. 292–299, 2021, doi:

10.34123/semnasoffstat.v2020i1.573.

[28] I. Himelboim, “Social Network Analysis (Social Media),” The International Encyclopedia of Communication Research Methods, no. November, pp. 1–15, 2017, doi: 10.1002/9781118901731.iecrm0236.

[29] E. Nurhazizah, R. N. Ichsan, and S. Widiyanesti, “Analisis Sentimen Dan Jaringan Sosial Pada Penyebaran Informasi Vaksinasi Di Twitter,” Swabumi, vol. 10, no. 1, pp. 24–35, 2022, doi: 10.31294/swabumi.v10i1.12474.