Ringkasan dari dokumen tersebut adalah: 1. Dokumen tersebut membahas tentang penyebaran pesan di media sosial dan berita online serta analisis jaringan sosial untuk mempelajari pola hubungan antara akun-akun di media sosial. 2. Dibahas pula soal deteksi berita hoax dan upaya membantah berita palsu melalui bukti-bukti faktual. 3. Metode analisis jaringan sosial dan pembelajaran mesin d

1. Sosial Media, Viral dan SNA
Widyawan

2. “Wahai orang-orang yang beriman! Jika seseorang yang fasik datang
kepadamu membawa suatu berita, maka telitilah kebenarannya, agar kamu
tidak mencelakakan suatu kaum karena kebodohan (kecerobohan), yang
akhirnya kamu menyesali perbuatanmu itu.”
(Al-Hujurat 6)

3. S1 teknik elektro ugm
S2 erasmus univ netherland
S3 electronic, cork institute of tech, ireland
reaserach interest:
pervasive computing, big data analytic
dosen dteti ugm
direktur dssdi ugm
komisaris pt gamatechno indonesia
co-founder semantic.id
tim ahli Jogja Smart Province
anggota asosiasi ilmuwan data indonesia
pengurus yayasan Ali Maksum PP Krapyak

4. ● Penyebaran Pesan
● Dua Muka Sosial Media
● Virality
● Studi Kasus SNA
● Radikalisme dan Machine Learning

5. Online News, Facebook dan Twitter

6. Perbedaan Jenis Media
• Informasi akan menyebar/difusi dalam berbagai media. Online
News, Facebook atau twitter isinya akan mencerminkan isi dan
resonansi dari media lainnya.
• Perbedaannya, online news akan ada proses kurasi oleh redaksi. Shg
(idealnya) yg dilaporkan adalah fakta (bukan gosip/spekulasi), cover
both side, tidak memihak, tidak mengandung opini/netral.
• Sedangkan, sosial media spt twitter dan facebook, status/tweet nya
merupakan ekspresi pribadi. Shg mengandung opini dan tidak ada
mekanisme kurasi/cek ricek, lebih rentan hoax

7. Bagaimana mendapatkan data?
• Social Media
• Twitter: publik secara default, menyediakan fasilitas search ke semua
tweetnya. Terdapat API gratis dan berbayar
• Facebook dan Instagram hanya menyediakan akses ke publik group atau
page, sejak kasus Cambridge Analytica menjadi lebih susah mekanismenya
• Whatsap tidak bisa didapatkan datanya
• Online news bisa didapatkan dari RSS atau scrapping
• Karena prinsip difusi pesan, twitter bisa dijadikan proxy untuk
mengetahui pesan dari warganet

8. Metcalfe’s Law dan Network Economics
● Value or power of a network grows exponentially as a function of
the number of network members
● As network members increase, more people want to use it

9. Dua Muka

10. “Cukuplah seseorang dikatakan sebagai pendusta apabila dia mengatakan
semua yang didengar.” (HR. Muslim no.7)

11. Hoax dan Fake News
• False news stories were 70% more likely to be re-tweeted than true
stories
• It took true stories around six times longer to reach 1,500 people
• True stories were rarely shared beyond 1,000 people, but the most
popular false news could reach up to 100,000
The spread of true and false news online
Science 09 Mar 2018:, Vol. 359, Issue 6380, pp. 1146-1151

13. Social Boot dan
Manipulasi

14. https://www.snopes.com/fact-check/false-obama-student-id/

15. http://theconversation.com/misinformation-on-social-media-can-technology-save-us-69264
Debunk Hoax

16. Memfasilitasi Perubahan Sosial

17. Influencer

18. Virality
The transition from linear growth (where connections
are added one by one) to going viral happens somewhere
around 7% density
Social Network Analysis for Startups, Maksim Tsvetovat
and Alexander Kouznetsov

19. Mengetahui pola hubungan dgn SNA
● Studi mengenai struktur sosial dengan menggunakan network dan graph
● Node bisa berupa aktor/orang dan hubungan/edges berupa hubungan antar node (contoh retweet atau
mention)

20. Studi Kasus SNA

21. SNA (Social Network Analysis) terorisme di mako brimob: 1600 node. Keyword: ‘brimob’

22. 50 node
keyword ‘brimob’

23. Influencer (kasus serangan mako Brimob)

24. Word Cloud
Online News
keyword ‘brimob’

25. Studi Kasus: Daftar 200 Mubaligh

26. SNA daftar mubaligh. Suaranya lebih seragam

27. Influencer u/ topik mubaligh

28. Word cloud online news dan hashtag
Word cloud dari 106 berita di online news Popular #hashtag dari 13.922 tweet

31. Analisis Radikalisme dan
Machine Learning

32. 6 Kelompok Radikal menurut BNPT
1. Radikal Gagasan, kelompok ini memiliki ideologi radikal namun tidak ingin menggunakan
kekerasan. Kelompok ini masih mengakui NKRI.
2. Radikal Milisi, kelompok yang terbentuk karena konflik komunal. Mereka masih mengakui
NKRI.
3. Radikal Premanisme, kelompok ini melakukan kekerasan untuk melawan kemaksiatan yang
terjadi di lingkungan mereka namun masih mengakui Negara Kesatuan Republik Indonesia.
4. Radikal Separatisme, kelompok ini mengusung ide memisahkan diri dengan NKRI dan
melakukan konfrontasi dengan pemerintah.
5. Radikal Lainnya, kelompok yang menyuarakan kepentingan kelompok politik, sosial,
budaya, ekonomi, dll.
6. Radikal Terorisme, Kelompok ini mengusung cara-cara kekerasan dan menimbulkan rasa
takut yang luas, tidak mengakui Negara Kesatuan Republik Indonesia dan ingin mengubah
ideologi negara yang sah dengan ideologi yang mereka sendiri.

33. Analisis Radikalisme
Preprocessing:
● Stop words
● Stemming
● Normalization
Classifier:
● Naive Baye
● SVM
● Deep Learning
● Tweet
● Facebook status
Training data
Klasifikasi
Tweet/Status

34. Demo
Purwarupa
https://youtu.be/eFFR-Z4UT4I