Late post, ini acara tadi pagi, yg bentrok dg Lemhannas.
IOS lahir tahun 2015. Hingga sekarang sudah 6 tahun. Alhamdulillah, sejak awal dapat dukungan full dari kepala Perpusnas, senior pustakawan, relawan, dan 2,846 perpustakaan.
Saya share sebagian presentasi saya tadi ke sini.
Indonesia OneSearch atau IOS adalah sebuah pintu pencarian tunggal untuk semua koleksi publik dari perpustakaan mitra di seluruh Indonesia.
Ide awal dibuat tepat 29 April 2015, lalu diluncurkan Maret 2015. Bersamaan dengan penobatan mbak @NajwaShihab sebagai duta baca Perpustakaan Nasional RI.
INSTITUSI MITRA
Awalnya hanya 243 institusi yang bergabung, kebanyakan dari perguruan tinggi. Sekarang sudah 2142 institusi, dari perguruan tinggi, perpustakaan umum, perpus khusus, dan sekolah.
PERPUSTAKAAN
Dalam setiap institusi, bisa ada satu atau lebih perpustakaan. Misal di sebuah perguruan tinggi, ada perpus pusat, perpus fakultas atau jurusan.
Awalnya hanya 268 perpustakaan yg bergabung, sekarang ada 2846 perpustakaan.
Jumlah ini tampak banyak, tapi sejatinya masih sangat sedikit. Total ada 260.000 perpustakaan di Indonesia. Kebanyakan perpustakaan sekolah. Namun tak semua punya database katalog buku dan fullteks yang online.
PR masih banyak untuk mengajak lebih banyak perpus buat gabung.
SEBARAN PERPUSTAKAAN
Perpustakaan anggota IOS berasal dari hampir semua propinsi di Indonesia. Paling banyak dari Jawa, Sumatera, Sulawesi, Kalimantan, dan sudah ada juga dari Papua.
TREN RECORDS
IOS adalah aggregator data dari seluruh repository yang didaftarkan oleh perpustakaan mitra. Awalnya hanya 1.9 juta record yang diindex, sekarang sudah ada 13.8 juta record.
FORMAT RECORD
Paling banyak record yang terkumpul adalah data bibliografi buku cetak yang dimiliki oleh perpustakaan, sebanyak 7,2 juta record. Kemudian artikel jurnal ilmiah sebanyak 2,1 juta record. Dan thesis 1,6 juta record.
PORTAL REPOSITORI KOMUNITAS
Selain akses terpusat via onesearch.id, perpustakaan2 yang membentuk komunitas juga bisa memiliki portal masing-masing, yang berisi institusi, perpustakaan, dan repositori dari anggota komunitasnya.
Misal ada: KINK, PTMA, MILL, PTKI, FP2TI
STRATEGI BERBASIS KOMUNITAS
Mengingat besarnya jumlah perpustakaan yang akan bergabung, pendekatan yang paling efektif adalah melalui komunitas.
Sosialisasi, advokasi, registrasi, dan support dilakukan oleh relawan yg ditraining dari masing2 komunitas.
PERLUASAN KOMUNITAS
Selama ini yang paling siap memang dari kalangan perguruan tinggi. Mereka sudah paling maju teknologi perpustakaannya, dan memiliki kebutuhan yang paling besar untuk akses IOS.
Ke depan, perlu diperluas ke jenis perpustakaan lain: Umum, Khusus, dan Sekolah.
KESIMPULAN
- Indonesia OneSearch yang dibangun sejak tahun 2015 terus bertumbuh hingga sekarang, baik dari sisi jumlah institusi, perpustakaan, repositori, dan data.
- Meski demikian, kalau dibandingkan dengan jumlah perpustakaan di seluruh Indonesia, jumlah yang sudah bergabung paling dominan baru dari kalangan perguruan tinggi. Dari tipe perpustakaan lain masih sangat sedikit, khususnya dari perpustakaan sekolah.
- Strategi yang diusulkan:
• Berbasis komunitas di dalam setiap jenis perpustakaan.
• Membangun sub-portal OneSearch untuk setiap komunitas.
• Membangun dan advokasi tim relawan untuk setiap portal komunitas.
• Sosialisasi lebih aktif oleh tim IOS Perpusnas.
Kenapa saya percaya Quick Count? Lihat ilustrasi ini.
Kita ingin menghitung Populasi yang di dalamnya ada kelompok A, B, dan C. Jumlah dan persentasenya seperti dalam kotak nomor #1, A=25%, B=50%, C=25%.
Saat melakukan Real Count seperti dalam kontak #2, butuh waktu lama karena jumlah populasinya banyak, sehingga baru sebagian yang terhitung. Saat menghitung, tidak dipilih-pilih secara proporsional dari A,B, atau C. First come first. Hasilnya, yang A terhitung semua, B baru sebagian, C paliing sedikit.
Akibatnya persentase A=43%, B=43%, C=14%. Si A seneng banget karena banyak presentasenya. Tapi kan ini tidak sesuai Populasi sebenarnya di kotak #1?
Kemudian ada Quick Count seperti dalam kotak #3. Yang dihitung lebih sedikit dari yang sudah dihitung di Real Count. Tapi yang dihitung sudah dipilih-pilih secara proporsional, dari A=1, B=2, dan C=1. Kalau diprosentase, hasilnya A=25%, B=50%, C=25%. Lho kok sama seperti prosentasi populasi?
Nah pertanyaan di kotak #4, mana yang lebih mendekati "Populasi sebenarnya"? Real Count yang belum selesai, atau Quick Count yang sudah kelar?
I love Statistics. 🩷🩷🩷
🔥🔥🔥
Bagaimana dengan Quick Count pada Pilpres 2024 ini?
Ini yang saya tahu ya, dari beberapa lembaga QC, ada yang deket ke 01, 02, atau 03.
Kedai Kopi, Om Hensat deket ke 01, hasilnya:
01=24.2%
02=58.96%
03=16.84%
LSI Denny JA, deket ke 02, hasilnya:
01=25.21%
02=58%
03=16.73%
Charta Politika, deket ke 03, hasilnya:
01=25.52%
02=57.30%
03=17.31%
Semua mirip. Selama metode multistage random sampling yang digunakan sudah benar, hasilnya juga ndak jauh beda.
Terus, masalahnya ada di mana?
Masalahnya bukan pada saat pencoblosan, Quick Count, atau Real Count. Tapi ada pada proses-proses sebelum itu, yang membuat rakyat akhirnya menghasilkan output seperti dalam QC dan RC ini.
QC dan RC ini memvalidasi hasil kerja keras dari proses, prakondisi, pengkodisian, kampanye, dll sebelum pencoblosan.
Apa saja proses-proses itu? Nah ini saya yo ndak tahu. Mungkin bisa dicek di film yang sempat viral sebelum hari H pencoblosan itu.
Di tengah atmosfer politik yang memanas menjelang Pemilu 2024 di Indonesia, munculnya film dokumenter 'Dirty Vote' telah membawa gelombang baru dalam diskusi publik tentang integritas pemilihan umum.
Bagaimana peta percakapan di Twitter, Tiktok, dan pemberitaan di media online tentang film "Dirty Vote" ini?
ANALISIS DRONE EMPRIT
TWITTER, TIKTOK, BERITA ONLINE
10-12 FEBRUARI 2024
METODOLOGI
• Sumber: Twitter, News, TikTok
• Periode tanggal: 10-12 Februari 2024
• Keyword: Dirty Vote, DirtyVote
TREN ”DIRTY VOTE” DI TWITTER
Volume percakapan sejak 10 Februari 2024 ketika film ini diumumkan akan dirilis di YouTube, kemudian saat diluncurkan pada 11 Febuari, hingga perdebatan di hari berikutnya, memperlihatkan tren yang terus meningkat.
Pada tanggal 10 Februari 2024, di Jakarta terjadi dua kampanye akbar terakhir dari dua paslon 01 dan 02. Penyebutan lokasi kampanye ini, JIS untuk paslon 01 dan GBK untuk paslon 02, menarik untuk dibandingkan.
Bagaimana popularitas kedua lokasi yang sering dibandingkan netizen ini? Lokasi mana yang paling sering disebut, bagaimana interaksinya?
Sejak tanggal 7 Februari hingga hari H acara tanggal 10 Februari 2024, trend percakapan di Twitter tentang JIS selalu lebih tinggi dibandingkan tentang GBK. Puncaknya mention keduanya terjadi pada tanggal 10 Februari 2024.
DE memonitor percakapan di IG. Namun karena keterbatasan hasil crawling IG Search, hasilnya mungkin tidak menggambarkan kondisi sebenarnya. IG Search hanya menampilkan postingan yang mengandung hashtags yang kita cari. Kata-kata biasa tidak muncul dalam pencarian. Banyak selebritis yang tidak memakai hashtags, jadinya tidak tertangkap.
Dengan catatan keterbatasan IG Search ini, saya share perbandingan postingan terkait ketiga paslon Pilpres 2024 di Instagram.
INSTAGRAM
21 JANUARI - 3 FEBRUARI 2024
METODOLOGI
Sumber: Instagram
Metode crawling: IG Search yang hanya berbasis hashtags.
Kelemahan: jika sebuah post di dalam caption tidak ada hashtags, maka IG Search tidak akan menampilkan post dalam hasil pencarian.
Periode: 21 Januari - 3 Februari 2024
Keywords/Hashtags: lihat tabel
TOTAL POSTS (MENTIONS)
Post atau mention adalah video atau gambar yang diupload netizen di IG, yang mengandung hashtags dalam caption yang dicrawling. Komentar tidak dicrawling.
TREND
Dari grafik trend ini tampak bahwa paslon 01 dan paslon 02 bergantian menempati posisi atas dalam trend jumlah post di IG dalam periode 21 Jan-3 Feb 2-24. Paslon 03 berada dalam posisi ketiga.
TOTAL POST
Total post dalam periode ini memperlihatkan paslon 02 sedikit di atas paslon 01, dan terakhir adalah paslon 03.