Social Network Analysis untuk Identifikasi Pengguna Twitter Berpengaruh pada Topik Bencana Gempa dan Tsunami di Indonesia
DOI:
https://doi.org/10.26418/jp.v9i1.62211Keywords:
Influence Score Index, Gempa, Social Network Analysis, Tsunami, TwitterAbstract
Indonesia merupakan negara yang rawan terjadi bencana alam seperti gempa dan tsunami. Seiring dengan perkembangan teknologi, arus informasi mengenai kebencanaan juga mengalir di media sosial seperti Twitter. Penggunaan Twitter dalam kaitannya dengan kebencanaan telah banyak diteliti antara lain untuk penyebarluasan informasi, alat manajemen dan pengurangan resiko, pemantauan aktivitas tanggap darurat, dan lain-lain. Penelitian ini bertujuan untuk mengidentifikasi pengguna twitter berpengaruh khusus untuk topik bencana gempa dan tsunami di Indonesia dengan menggunakan Social Network Analysis (SNA) dengan dan tanpa mempertimbangkan faktor frequency dan engagement. Hasil SNA tanpa mempertimbangkan faktor frequency dan engagement menunjukkan bahwa pengguna Twitter yang dinilai paling berpengaruh pada topik bencana gempa dan tsunami adalah situs berita seperti detikcom dengan influence score sebesar 0,77. Sedangkan jika mempertimbangkan faktor frequency dan engagement menunjukkan bahwa pengguna Twitter yang dinilai paling berpengaruh pada topik bencana gempa dan tsunami adalah akun infoBMKG dengan indeks influence score sebesar 0,63. Berdasarkan hasil penelitian ini ditemukan bahwa BMKG telah berperan penting dalam pemberian informasi mengenai bencana gempa bumi dan tsunami di Indonesia dan mendapatkan kepercayaan luas dari masyarakat yang ditunjukkan dengan adanya engagement yang lebih tinggi dibandingkan akun lainnya.
References
D. N. Sattler, M. Claramita, and B. Muskavage, “Natural Disasters in Indonesia: Relationships Among Posttraumatic Stress, Resource Loss, Depression, Social Support, and Posttraumatic Growth,†J Loss Trauma, vol. 23, no. 5, pp. 351–365, Jul. 2018, doi: 10.1080/15325024.2017.1415740.
S. Behl, A. Rao, S. Aggarwal, S. Chadha, and H. S. Pannu, “Twitter for disaster relief through sentiment analysis for COVID-19 and natural hazard crises,†International Journal of Disaster Risk Reduction, vol. 55, Mar. 2021, doi: 10.1016/j.ijdrr.2021.102101.
P. Kumar, “Twitter, disasters and cultural heritage: A case study of the 2015 Nepal earthquake,†Journal of Contingencies and Crisis Management, vol. 28, no. 4, pp. 453–465, Dec. 2020, doi: 10.1111/1468-5973.12333.
A. Karami, V. Shah, R. Vaezi, and A. Bansal, “Twitter Speaks: A Case of National Disaster Situational Awareness,†Mar. 2019, [Online]. Available: http://arxiv.org/abs/1903.02706
C. M. Vera-Burgos and D. R. Griffin Padgett, “Using Twitter for crisis communications in a natural disaster: Hurricane Harvey,†Heliyon, vol. 6, no. 9, Sep. 2020, doi: 10.1016/j.heliyon.2020.e04804.
G. P. Cooper, V. Yeager, F. M. Burkle, and I. Subbarao, “Twitter as a potential disaster risk reduction tool. part i: Introduction, terminology, research and operational applications,†PLoS Curr, vol. 7, no. DISASTERS, Jun. 2015, doi: 10.1371/currents.dis.a7657429d6f25f02bb5253e551015f0f.
K. Wang, N. S. N. Lam, L. Zou, and V. Mihunov, “Twitter use in hurricane isaac and its implications for disaster resilience,†ISPRS Int J Geoinf, vol. 10, no. 3, Mar. 2021, doi: 10.3390/ijgi10030116.
K. M. Carley, M. Malik, P. M. Landwehr, J. Pfeffer, and M. Kowalchuk, “Crowd Sourcing Disaster Management: The Complex Nature of Twitter Usage in Indonesia,†2019. [Online]. Available: https://www.elsevier.com/open-access/userlicense/1.0/
U. Widyanarko and D. R. Hizbaron, “Urban response towards tropical cyclone using twitter in Indonesia,†in IOP Conference Series: Earth and Environmental Science, Mar. 2020, vol. 451, no. 1. doi: 10.1088/1755-1315/451/1/012098.
F. Morone and H. A. Makse, “Influence maximization in complex networks through optimal percolation,†Jun. 2015, doi: 10.1038/nature14604.
R. Herrera, J. P. Cárdenas, and R. Alfaro, “User Influence in On-line Social Networks,†2014.
F. Riquelme and P. González-Cantergiani, “Measuring user influence on Twitter: A survey,†Inf Process Manag, vol. 52, no. 5, pp. 949–975, Sep. 2016, doi: 10.1016/j.ipm.2016.04.003.
M. Kardara, G. Papadakis, A. Papaoikonomou, K. Tserpes, and T. Varvarigou, “Large-scale evaluation framework for local influence theories in Twitter,†Inf Process Manag, vol. 51, no. 1, pp. 226–252, 2015, doi: 10.1016/j.ipm.2014.06.002.
“https://pypi.org/project/twint/.â€
C. Bigonha, T. N. C. Cardoso, M. M. Moro, M. A. Gonçalves, and V. A. F. Almeida, “Sentiment-based influence detection on Twitter,†Journal of the Brazilian Computer Society, vol. 18, no. 3, pp. 169–183, Sep. 2012, doi: 10.1007/s13173-011-0051-5.
Sandy Ressler, Perspectives on electronic publishing: standards, solutions, and more. Prentice-Hall, Inc., 1993.
F. D. Ananda and Y. Pristyanto, “Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine,†MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 2, pp. 407–416, 2021.
A. Faesal, A. Muslim, A. H. Ruger, and K. Kusrini, “Sentimen analisis pada data tweet pengguna twitter terhadap produk penjualan toko online menggunakan metode k-means,†MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 19, no. 2, pp. 207–213, 2020.
European Commission. Joint Research Centre. and Organisation for Economic Co-operation and Development., Handbook on constructing composite indicators : methodology and user guide. OECD, 2008.
