Seperti yang disampaikan Bpk @HaedarNs ketua PP @muhammadiyah minggu lalu, bahwa polarisasi karena narasi "PKI" di satu sisi dan "Kadrun" di sisi lainnya telah memecah bangsa ini.
Kita perlu melihat petanya, untuk menyusun strategi.
>>
METODOLOGI
Sumber data: Twitter
Periode:
- 1 April 2016 – 21 April 2022
- 1 Januari 2022 – 21 April 2022 (analisis detail)
Penggunaan kata "PKI" (dan komunis) sudah sangat lama dilakukan. Terutama setiap bulan September/Oktober, untuk memperingati G 30S PKI.
Istilah "Kadrun" baru muncul menjelang Oktober 2019.
Volume bulanan "Kadrun" langsung mengimbangi dan melebihi "PKI".
VOLUME PKI VS KADRUN (2016-2022)
Arsip Drone Emprit untuk “PKI” durasi datanya 6 tahun, lebih lama dari “Kadrun” yang hanya 3 tahun.
Total semua percakapan 15,2 juta. Volume mention "PKI" sebesar 10,9 juta, "Kadrun" 4,3 juta.
TREN PKI VS KADRUN (2019-2022)
Untuk periode data yang sama, tampak awalnya tren "PKI" lebih tinggi, dengan event tahunan G30S PKI setiap bulan September yang menimbulkan puncak-puncak percakapan.
Namun saat kondisi biasa, tren "Kadrun" lebih tinggi dari "PKI".
VOLUME PKI VS KADRUN (2019-2022)
Dalam periode data yang sama, volume “PKI” lebih tinggi (56%) dari pada "Kadrun" (44%), karena melewati 2 event nasional “G 30S PKI” yang selalu menimbulkan kenaikan percakapan yang sangat tinggi dari hari biasanya.
TREN PKI VS KADRUN (2022)
Dalam periode tahun ini (sejak 1 Jan 2022), ketika tidak ada event nasional G 30S PKI, tampak tren mention "Kadrun" setiap bulannya selalu lebih tinggi dari pada "PKI".
VOLUME PKI VS KADRUN (2022)
Tanpa event “G 30S PKI”, volume percakapan sehari-hari “Kadrun” sebanyak 70%, jauh lebih besar daripada “PKI” yang hanya 30%.
SNA PKI VS KADRUN (JAN-APR 2022)
Peta percakapan kedua istilah untuk periode tahun 2022 memperlihatkan dua klaster besar netizen yang paling sering memention "PKI" dan "Kadrun".
Klaster yang memention "Kadrun" tampak lebih besar dari klaster "PKI".
Sedangkan peta netizen yang memention "Kadrun" tampak tidak imbang. Satu klaster sangat aktif dengan top influencer @ChusnulCh__, @Dennysiregar7, @Hayuningrat7.
Narasi dari most retweeted ini memperlihatkan "PKI" banyak digunakan untuk merujuk pada ideologi, partai PKI, panggilan; sedangkan "Kadrun" banyak dipakai untuk panggilan kelompok dan labeling.
Di bagian akhir nanti akan kita lihat penggunaan frasa "dasar PKI" dan "dasar Kadrun" yang merujuk pada panggilan.
Bagaimana tren, volume, dan mana yang paling sering digunakan?
Percakapan tentang "PKI" dominan emosi "surprise", yang berisi ekspresi "tidak terkejut" munculnya beberapa kebijakan krn dihubungkan dengan kekuatan laten PKI.
Tentang "Kadrun" dominan "anger", dipicu peristiwa kekerasan pada Ade Armando oleh "kadrun".
DISTRIBUSI LOKASI PROFILE USER (2022)
Lima kota paling banyak membicarakan "PKI": Jakarta, Bandung, Surabaya, Bogor, dan Bekasi.
Tentang "Kadrun": Jakarta, Surabaya, Bandung, Malang, dan Medan.
DISTRIBUSI USIA (2022)
Kedua percakapan memiliki distribusi usia yang mirip.
Kedua percakapan dilakukan secara natural dengan bot score untuk "PKI" sebesar 1.88 dan "Kadrun" score 1.73.
TREN PANGGILAN (2022)
Ekspresi panggilan pada orang lain terkait kedua istilah ini biasanya menggunakan frasa "dasar PKI" atau "dasar Kadrun".
Tren panggilan memperlihatkan frasa "dasar Kadrun" paling sering digunakan dibandingkan "dasar PKI".
VOLUME PANGGILAN (2022)
Volume panggilan "dasar Kadrun" mencapai 94%, sedangkan "dasar PKI" hanya 6%.
Artinya "Kadrun" jauh lebih banyak digunakan untuk memberi label dengan frasa di atas.
Untuk melihat contoh penggunaan frasa ini, bisa gunakan query di Twitter sebagai berikut:
"dasar pki" since:2022-01-01
atau
"dasar kadrun" since:2022-01-01
SNA PANGGILAN (2022)
Peta netizen yang paling sering menggunakan frasa "dasar PKI" dan "dasar Kadrun" bisa dilihat dalam SNA ini. Tampak klaster yang menggunakan frasa "dasar Kadrun" sangat besar.
1/ Perbandingan kedua istilah ini dibuat untuk menjawab kedua pihak yang sering disebut sebagai "PKI" atau "Kadrun". Panggilan2 lain sudah dianalisis sebelumnya.
2/ Untuk periode data yang sama, penggunaan kata "PKI" lebih tinggi karena adanya event G 30S PKI.
3/ Dalam kondisi normal tanpa event nasional tersebut, penggunaan kata "Kadrun" lebih sering digunakan (70%) dibandingkan kata "PKI" dan komunis (30%).
4/ Penggunakan kata tersebut dalam frasa panggilan memperlihatkan frasa "dasar Kadrun" jauh lebih sering digunakan (94%) dibandingkan "dasar PKI" (6%).
5/ Terlepas dari tren, volume, dan pola yang ditemukan di atas, ini merupakan PR bersama agar polarisasi bangsa bisa diturunkan. Mungkin bisa mulai dengan mengurangi penggunaan frasa di atas.
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.