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.
Saya minta ke ChatGPT dengan prompt ini: Buatkan kurikulum Coding dan AI untuk siswa SD di Indonesia. Pelajari kurikulum tentang ini yang sudah ada di berbagai negara, gunakan best practice mereka.
Berikut adalah draft kurikulum Coding dan AI untuk siswa SD di Indonesia, yang mengadopsi best practices dari berbagai negara.
Coding, Game, dan Buang Sampah
Buatkan tugas membuat Game untuk anak SD kelas 3, agar mereka bisa menjadi rajin membuang sampah pada tempatnya.
Coding, Game, dan Adab kepada Orang Tua dan Guru
Buatkan tugas membuat Game untuk anak SD kelas 3, agar mereka bisa menjadi anak yang hormat pada guru dan orang tua.
Ini kenapa topik "Fufufafa" sudah hampir 1 bulan belum ada tanda-tanda akan reda juga. Malah hari ini naik lagi.
Saya ambil pemberitaan di online news dalam 2 hari terakhir, lalu minta AI untuk merangkum pendapat tokoh yang diquote oleh berita.
Refly Harun: Pakar hukum tata negara ini menegaskan bahwa akun Kaskus Fufufafa tidak berhubungan dengan Prabowo Subianto, meskipun Prabowo memiliki pengaruh untuk menghentikan potensi impeachment terhadap Gibran. Refly juga menyatakan bahwa Fufufafa semakin menguatkan pandangan bahwa Gibran tidak layak menjadi wakil presiden.
Jhon Sitorus: Pegiat media sosial ini sangat yakin bahwa akun Fufufafa adalah milik Gibran Rakabuming Raka, dengan menyebutkan bukti-bukti yang mengarah ke keterkaitan antara nomor ponsel Gibran dan akun tersebut. Ia menegaskan bahwa bukti-bukti ini menunjukkan kepemilikan Gibran secara jelas.
Jimly Asshiddiqie: Mantan Ketua Mahkamah Konstitusi ini mengungkapkan bahwa efek dari isu Fufufafa sangat luar biasa, menimbulkan kemarahan yang meluas di masyarakat. Ia juga meminta agar publik melupakan isu ini, meskipun ia menyadari bahwa hal tersebut sulit dilakukan.
Muslim Arbi: Direktur Gerakan Perubahan ini menilai bahwa Gibran tidak bisa mengelak dari tuduhan sebagai pemilik akun Fufufafa, dan ia mengaitkan isu ini dengan karakter Gibran yang dianggap tidak pantas untuk posisi wakil presiden.
Feri Amsari: Hukum Universitas Andalas ini menekankan pentingnya klarifikasi mengenai keterkaitan Gibran dengan akun Fufufafa, dan ia menganggap bahwa isu ini perlu ditangani secara serius.
Henri Subiakto: Pengamat politik ini mengkritik perilaku komunikasi Gibran dan Kaesang, yang dianggap menunjukkan karakter yang tidak bermoral. Ia menekankan bahwa jika ada kesalahan, sebaiknya Gibran meminta maaf.
Dr. Tifa: Seorang dokter yang juga aktif di media sosial, berharap agar Prabowo mengambil tindakan terkait polemik akun Fufufafa, yang dianggap merugikan citra Gibran.
Kesimpulannya, isu mengenai akun Fufufafa yang diduga milik Gibran Rakabuming Raka telah memicu berbagai pendapat dari tokoh-tokoh publik. Banyak yang menilai bahwa Gibran tidak layak untuk menjabat sebagai wakil presiden, sementara yang lain menekankan pentingnya klarifikasi dan tindakan dari pihak terkait untuk menyelesaikan polemik ini. Isu ini juga menunjukkan dampak besar terhadap citra politik Gibran dan hubungan antara tokoh-tokoh politik di Indonesia.
Sedang ramai soal kritikan JK kepada Nadiem Makarim yang dinilai jarang berkunjung ke daerah.
Saya coba gunakan fitur baru di Drone Emprit yang memanfaatkan LLM, untuk membuat tabel kegiatan kunjungan yang dilakukan oleh Nadiem dalam periode tertentu secara otomatis.
Saya gunakan sumber data Online News, untuk periode April-Juni 2023, yang mengandung kata kunci "Nadiem" dan filter "kunjungan, mengunjungi, mendatangi, dll".
Promptnya: Buat tabel tempat yang dikunjungi Nadiem: no, tanggal, Lokasi, kota, tujuan kunjungan, website. Jangan masukkan "jakarta", berdasarkan data yang diberikan saja.
Hasilnya seperti ini. Ada yang missed, "Kuningan" dianggap nama "kota" wkwk.
Saya minta AI buat membaca lagi, mosok hanya sedikit tempat yang dikunjungi, dan kebanyakan di luar negeri. Saya koreksi juga soal Kuningan.
Fix, hasilnya tetap tidak berubah.
Sekarang saya coba ganti periodenya dari Juli-Oktober 2023. Awalnya cuma dua, lalu saya marahin itu AI. Tambah dua entry lagi. Tapi sebenarnya 3 entri itu kunjungan ke lokasi yang sama.
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.