Analisis Jejaring Sosial pada Seratus Twitter Influencer di Indonesia
Hai. Perkenalkan nama Saya Hardyin Alexander dan Saya adalah mahasiswa semester delapan Fakultas Ilmu Komputer Universitas Indonesia. Beberapa hari lalu saya mendapat tugas dari mata kuliah Analitika Media Sosial untuk melakukan visualisasi dan analisis personal Social Network dari followers/following Twitter. Hasilnya cukup menarik karena saya dapat melihat social network followers saya terbagi menjadi lima sub-network, antara lain teman-teman SMA, teman-teman SMP, teman-teman kuliah, teman-teman komunitas/hobi, dan keluarga/kerabat.
Lalu saya merenung. Hmm, bagaimana kalau pendekatan yang sama saya gunakan untuk menganalisis social network di kalangan Twitter influencer di Indonesia. Kira-kira insight apa ya yang bisa diambil?
Jadilah malam Minggu kemarin (10/03) saya memulai eksperimen (baca: keisengan) untuk mengentaskan rasa penasaran saya. Tahap paling pertama adalah saya menentukan apa tujuan dari eksperimen ini. Setelah berdiskusi dengan diri sendiri, menurut saya tujuan yang paling berpotensi untuk berfaedah bagi banyak orang adalah untuk mencari akun Twitter mana yang paling populer dan yang paling cepat menyebarkan informasi di network kalangan influencer.
Secara teknis, berikut ini adalah langkah-langkah yang saya lakukan.
1 — Gather The Influencer.
Saya membuat akun Twitter baru untuk mem-follow 100 akun influencer di Indonesia. Kenapa seratus? Supaya tidak terlalu memakan waktu saat melakukan fetching data nanti. Dari seratus akun yang saya follow ini, beberapa di antaranya saya cari secara manual dan beberapa lainnya merupakan rekomendasi dari Twitter. Dari metode ini, mungkin ada terjadi bias karena bisa dibilang metode yang saya gunakan untuk memilih influencer sifatnya subjektif. Para influencer yang saya pilih terdiri dari selebtwit, komika, seniman, aktivis, dan lain-lain. Untuk lebih detailnya, bisa dilihat di following akun @inflncrxprmnt.
2 — Retrieve The Data.
Selanjutnya saya mengambil data dari following akun Twitter yang baru saya buat tadi. Proses retrieving-nya saya lakukan menggunakan Twecoll yang merupakan sebuah Pyhton Script. Jadi karena pada dasarnya Twecoll ini adalah sebuah script, Anda tidak perlu meng-installnya ke dalam environment Python Anda. Namun, untuk dapat menjalankan Twecoll dari terminal komputer Anda perlu meng-install Anaconda (bisa di-download di sini).
Tutorial menjalankan proses retrieving data mulai dari init, fetching, sampai edgelist bisa Anda pelajari dari artikel ini
3 — Modify a Little.
Setelah berhasil melakukan edgelist menggunakan Twecoll, Anda akan mendapatkan sebuah file dalam format gml. File ini merupakan representasi dari graf yang merupakan network pertemanan dari akun-akun yang berhasil di-fetch.
Graf adalah sebuah struktur data yang memiliki dua buah komponen, yaitu node (titik) dan edge (garis). Pada kasus ini, nodes menggambarkan akun, dan edges menggambarkan hubungan mem-follow dua buah akun. Jadi suatu edge dinyatakan berarah dari node A ke node B, hanya jika akun A mem-follow akun B. Namun, menurut saya definisi dari edge tersebut kurang sesuai untuk bisa menggambarkan persebaran informasi di Twitter karena pada praktiknya A akan (lebih mudah) menyebarkan informasi ke B jika A di-follow B, bukan A mem-follow B. Oleh karena itu saya menukar nilai source dan target yang ada di dalam file gml tadi.
4 — Visualize The Data.
Selanjutnya saya melakukan visualisasi menggunakan software Gephi versi 0.9.2 (bisa di-download di sini) dengan file gml tadi sebagai input-nya. Gephi adalah perangkat lunak open-source dan gratis yang berguna untuk melakukan visualisasi dan eksplorasi segala jenis graf dan network.
Saya belajar menggunakan Gephi melalui tutorial yang saya baca di sini dan di sini.
Setelah membuka file gml tadi di dalam Gephi saya memilih Dual CircularLayout. Awalnya saya mencari layout yang tepat untuk memetakan kubu-kubu dalam network ini seperti yang saya lakukan dalam tugas kuliah saya tadi, tetapi ternyata visualisasinya tidak seperti ekspektasi saya. Network-nya tidak terbagi menjadi beberapa sub-network yang bisa diidentifikasi secara kasat mata. Hal ini bisa diartikan bahwa para influencer ini cukup erat satu sama lain dan tidak terpecah belah. Hmm…
Jadi saya memilih Dual Circular Layout untuk memetakan graf ini. Alasannya adalah agar nodes dengan nilai eigenvector centrality dan closeness centrality lebih menonjol dibandingkan nodes lain.
Apa lagi ‘tuh eigenvector centrality dan closeness centrality?
Eigenvector centrality mengukur besar “popularitas” suatu node berdasarkan jumlah edge yang dimiliki node tersebut dan jumlah edge yang dimiliki koneksinya dan seterunya dan seterusnya. Dalam dunia nyata, memiliki banyak teman bukan berarti seseorang tersebut penting, tetapi memiliki banyak teman yang penting memberikan koneksi yang lebih kuat. Oleh karena itu, saya memilih untuk mengukur popularitas seorang influencer di dalam network ini dengan mengalkulasikan nilai eigenvector dari masing-masing node. Lebih detailnya bisa dipelajari di sini.
Berikut ini adalah visualisasi dari graf yang diurutkan berdasarkan nilai eigenvetor centrality. Dibaca searah jarum jam dari “jam 00.00” lingkaran yang luar kemudian ke lingkaran dalam. Semakin hijau tua warna suatu node, maka nilai eigenvector centrality-nya semakin tinggi.
Gambar di samping ini adalah screen shot dari data tablebeberapa node dengan nilai eigenvector centrality-nya masing-masing. Data pada daftar tersebut diurutkan dari nilai yang paling besar. Semakin besar nilai eigenvector centrality, maka node tersebut semakin populer di dalam network. Nilai eigenvector centrality berkisar dari nol sampai satu. Abaikan kolom Id karena tidak berpengaruh dalam perhitungan dan pengurutan.
Sedangkan closeness centrality mengukur nilai kedekatan suatu node dengan semua node lain di dalam network dengan menghitung total shortest pathsnode tersebut ke semua node lain. Biasanya nilai closeness centralitydigunakan untuk mencari node yang mampu paling cepat mempengaruhi seluruh network. Oleh karena itu, saya memilih nilai closeness centrality untuk menemukan influencer mana yang paling cepat menyebarkan informasi ke seluruh network influencer ini.
Berikut ini adalah visualisasi dari graf yang diurutkan berdasarkan nilai closeness centrality. Dibaca searah jarum jam dari “jam 00.00” lingkaran yang luar kemudian ke lingkaran dalam. Semakin biru tua warna suatu node, maka nilai closeness centrality-nya semakin tinggi.
Gambar di samping ini adalah screen shot dari data table beberapa node dengan nilai closeness centrality-nya masing-masing. Data pada daftar tersebut diurutkan dari nilai yang paling besar. Semakin besar nilai closeness centrality, maka node tersebut semakin cepat menjangkau seluruh network. Nilai closeness centrality berkisar dari nol sampai satu. Abaikan kolom Id karena tidak berpengaruh dalam perhitungan dan pengurutan.
Menariknya ada 5 nama yang muncul di top 10 kedua daftar di atas, antara lain: @ko2w, @ririnriandini, @zarryhendrik, @aMrazing, dan @handokotjung.
*Hint: this is where you take notes, marketers.
5 — Publish The Result.
Awalnya saya tidak berniat membeberkan hasil dari keisengan saya ini ke Twitter karena saya berpikir siapa coba yang akan menganggap serius hasil eksperimen seorang bocah ingusan yang kuliahnya masih terkatung-katung ini. Namun kemudian saya mengingat Young Lex, seorang mantan office boy yang beralih menjadi rapper yang karyanya hampir selalu dicela orang, tetapi konsisten mengeluarkan lagu baru. Suka atau tidak, hampir semua rapper baru di Indonesia akan selalu ada saja yang membandingkannya dengan Young Lex. Impactful.
Dan di luar dugaan saya, thread saya langsung viral di Twitter dengan ribuan retweet dan like dalam waktu 24 jam.
This might sound like a sarcasm, but it’s not; Young Lex is my inspiration.
Sekian penjelasan dari Saya mengenai tahap-tahap dari awal sampai akhir eksperimen ini. Terima kasih sudah meluangkan waktu Anda untuk membaca artikel ini. Semoga penjelasan Saya bisa dipahami dan hasil dari eksperimen ini bisa bermanfaat bagi banyak orang, terutama bagi yang sedang mencari influencer di Twitter. Saya sangat terbuka untuk saran dan kritik, Anda dapat menyampaikannya melalui reply di artikel ini atau melalui Twitter ke akun saya @hardlexander.
Cheers!
