Terakreditasi SINTA Peringkat 2

Surat Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti No. 10/E/KPT/2019

Terbit online pada laman web jurnal: http://jurnal.iaii.or.id

JURNAL RESTI
(Rekayasa Sistem dan Teknologi Informasi)
Vol. 5 No. 4 (2021) 697 - 704 ISSN Media Elektronik: 2580-0760

Analisis Akun Twitter Berpengaruh terkait Covid-19 menggunakan Social

Network Analysis
Aprillian Kartino1, M. Khairul Anam2, Rahmaddeni3, Junadhi4
1,3,4Jurusan
Teknik Informatika, STMIK Amik Riau
2Jurusan
Teknologi Informasi, STMIK Amik Riau
11710031802021@stmik-amik-riau.ac.id, 2khairulanam@sar.ac.id, 3rahmaddeni@sar.ac.id, 4junadhi@sar.ac.id

Abstract
Covid-19 is a disease of the virus that is shaking the world and has been designated by WHO as a pandemic. This case of
Covid-19 can be a place of dissemination of disinformation that can be utilized by some parties. The dissemination of
information in this day and age has turned to the internet, namely social media, Twitter is one of the social media that is often
used by Indonesians and the data can be analyzed. This study uses the social network analysis method, conducted to be able to
find nodes that affect the ongoing interaction in the interaction network of information dissemination related to Covid-19 in
Indonesia and see if the node is directly proportional to the value of its popularity. As well as to know in identifying the source
of Covid-19 information, whether dominated by competent Twitter accounts in their fields. The data examined 19,939 nodes
and 12,304 edges were taken from data provided by the web academic.droneemprit.id on the project "Analisis Opini
Persebaran Virus Corona di Media Sosial", using the period of December 2019 to December 2020 on social media Twitter.
The results showed that the @do_ra_dong account is an influential actor with the highest degree centrality of 860 and the
@detikcom account is the actor with the highest popularity value of follower rank of 0.994741605. Thus actors who have a
high degree of centrality value do not necessarily have a high follower rank value anyway. The study ignores if there are buzzer
accounts on Twitter.
Keywords: Centrality, Covid-19, Follower Rank, Social Network Analysis, Twitter

Abstrak
Covid-19 adalah penyakit dari virus yang menggemparkan dunia dan telah ditetapkan oleh WHO sebagai sebuah pandemi.
Kasus Covid-19 ini dapat menjadi sebuah tempat penyebaran disinformasi yang dapat dimanfaatkan oleh beberapa pihak.
Penyebaran informasi di zaman sekarang telah beralih ke internet yaitu media sosial, Twitter merupakan salah satu media sosial
yang sering digunakan masyarakat Indonesia dan data-datanya dapat dianalisa. Penelitian ini menggunakan metode social
network analysis, dilakukan untuk dapat menemukan node yang berpengaruh terhadap berlangsungnya interaksi dalam jaringan
interaksi penyebaran informasi terkait Covid-19 di Indonesia dan melihat apakah node tersebut berbanding lurus dengan nilai
popularitasnya. Serta untuk mengetahui dalam mengidentifikasi sumber informasi Covid-19, apakah didominasi oleh akun-
akun Twitter berkompeten dibidangnya. Data yang diteliti sebanyak 19.939 nodes dan 12.304 edges diambil dari data yang
disediakan oleh web academic.droneemprit.id pada projek “Analisis Opini Persebaran Virus Corona di Media Sosial”,
menggunakan periode waktu Desember 2019 sampai Desember 2020 pada media sosial Twitter. Hasil penelitian menunjukkan
bahwa akun @do_ra_dong adalah aktor berpengaruh dengan nilai tertinggi degree centrality yaitu sebesar 860 dan akun
@detikcom adalah aktor yang nilai popularitas tertinggi follower rank yaitu sebesar 0.994741605. Dengan demikian aktor yang
memiliki nilai degree centrality tinggi belum tentu memiliki nilai follower rank yang tinggi pula. Penelitian ini mengabaikan
jika terdapat akun buzzer pada Twitter.
Kata kunci: Centrality, Covid-19, Follower Rank, Social Network Analysis, Twitter

1. Pendahuluan menjadi sebuah tempat penyebaran disinformasi yang

dapat dimanfaatkan oleh beberapa pihak yang tidak
Coronavirus disease 2019 (Covid-19) adalah penyakit
bertanggung jawab untuk menjatuhkan pihak yang
dari virus coronavirus jenis baru (SARS-CoV-2) yang
berkaitan langsung dengan penanganan Covid-19, mulai
menggemparkan dunia dan telah ditetapkan oleh WHO
dari pemerintah sampai tenaga medis dan hanya
sebagai sebuah pandemik [1]. Kasus Covid-19 ini dapat

Diterima Redaksi: 28-05-2021 | Selesai Revisi: 14-08-2021 | Diterbitkan Online: 20-08-2021

697
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

mengakibatkan masyarakat menjadi sesak wacana Hal ini juga dilakukan karena akun yang tidak memiliki
publik dengan informasi-informasi yang kolerasi atau hubungan dengan akun yang lainnya bisa
membingungkan [2]. dianggap sebagai spam [9]. Spam pada Twitter adalah
konten atau tweet yang dikirim oleh akun palsu yang
Penyebaran informasi di zaman sekarang telah beralih
dibuat oleh spammer atau akun yang username dan
ke internet. Penyebaran informasi tersebut tak luput dari
password-nya telah dicuri oleh spammer [10].
banyaknya jumlah pengguna internet. Di Indonesia
sendiri jumlah pengguna internet pada kuartal II tahun Analisa Permasalahan Pengolahan Data

2020 naik mencapai 196,7 juta pengguna sama hal nya

dengan 73,7 persen dari populasi [3]. Media sosial Objek Penelitian: Pada
Projek di DroneEmprit
Perhitungan Properti Jaringan

merupakan salah satu tempat penyebaran informasi di Analisis Opini Persebaran

Virus Corano di Media
internet. Salah satu media sosial yang masyarakat Sosial
Pembuatan Model Jaringan

indonesia sering digunakan adalah Twitter, Twitter

Pengumpulan Data
adalah platform media sosial yang dapat mengunggah
degree centrality Follower Rank
pesan singkat yang 280 buah karakter yang disebut
tweet. Di Indonesia pengguna Twitter saat ini mencapai closeness centrality

10.645.000 pengguna [4].

betweenees centrality

Social Network Analysis merupakan sebuah metode

eigenvector centrality
analisis yang memiliki konsentrasi dalam mengukur
sebuah interaksi dan hubungan yang ada serta
Aktor Berpengaruh Aktor Populer
menggambarkannya kedalam beberapa informasi [5].
Social Network Analysis cocok digunakan dalam
penelitian ini karena didalam metode ini dapat
menemukan sebuah nodes dan edges, dalam penelitian Kesimpulan

ini membutuhkan metode dalam menemukan node yang

terindikasi paling berpengaruh terhadap berjalannya Gambar 1. Metodologi penelitian
interaksi dalam sebuah jaringan penyebaran informasi
terkait Covid-19 di Indonesia pada setiap tweet (asli, 2.2. Pengumpulan Data
retweet dan reply). SNA dapat memberikan sebuah Tahap pengumpulan data diambil dari data yang
graph dari visualisasi di dalam jaringan sesuai dengan disediakan oleh web academic.droneemprit.id pada
data yang telah di dapat berupa nodes dan edges. projek “Analisis Opini Persebaran Virus Corona di
Penelitian sebelumnya terkait dengan dengan penelitian Media Sosial”. Dalam penelitian menggunakan projek
ini adalah [6], [7], [8]. yang sama belum ada penelitian lain yang
Tujuan menggunakan metode ini diharapkan dapat menggunakannya, namun pada data Drone Emprit
membantu dalam mengidentifikasi sumber informasi lainnya sudah di lakukan penelitian oleh [11], [12], [13].
Covid-19 dari awal muncul sampai tahun 2020, apakah Pemilihan menggunakan Drone Empirit dikarenakan
didominasi oleh akun-akun Twitter berkompeten pada Drone Emprit memiliki banyak projek yang data
dibidangnya. dapat di ambil lebih besar, banyak dan periode waktu
yang cukup lama [11].
2. Metode Penelitian
Penelitian ini menggunakan periode waktu Desember
Penelitian ini menggunakan pemilihan data dan 2019 sampai Desember 2020 pada media sosial Twitter.
informasi yang bersifat objektif guna menghasilkan Pemilihan periode tersebut merupakan masa dimananya
sebuah penelitian yang berkualitas sebagai titik acuan awal munculnya topik Covid-19. Data yang didapat
untuk penelitian. Gambar 1 adalah metodologi sebanyak 19.939 nodes dengan 12.304 edges dan
penelitian ini. disimpan dalam bentuk ekstensi .csv. Data yang akan
Berikut adalah penjelasan mengenai Gambar 1. digunakan yaitu nodes yang berisi name dan size dari
jumlah retweet dan reply dan edges yang berisi source
2.1. Analisa Permasalahan (asal) dan target (tujuan) projek tersebut.
Tahap ini dilakukan menggunakan Social Network
Analysis untuk dapat menemukan node atau akun-akun
twitter yang terindikasi paling berpengaruh terhadap
berjalannya interaksi dalam jaringan penyebaran Gambar 2. Salah Satu Projek Covid-19 di Droneemprit
informasi terkait Covid-19 di Indonesia dan melihat Antusias masyarakat untuk membicarakan covid sangat
apakah node atau akun-akun tersebut apakah berbanding banyak dimedia sosial khususnya Twitter. Dan masih
lurus dengan nilai popularitas yang dimiliki.

DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
698
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

menjadi topik yang masih hangat untuk dibicarakan baik Dengan (𝑛𝑖 ) adalah jumlah interaksi sebuah node i. dan
oleh masyarakat maupun oleh para peneliti. g sebagai jumlah node.
2.3. Pengolahan Data Closeness Centrality menghitung kedekatan suatu node
dengan node yang lainnya. Untuk menghitung
Tahapan pengolahan data terbagi menjadi dua yaitu
sentralitas kedekatan, menggunakan rumus 2.
[14]:
𝑔
(𝑛 )
Tahapan pertama yaitu Social Network Analysis 𝐶𝑐 𝑖 = [∑𝑗=1 𝑑(𝑛𝑖 , 𝑛𝑗 )] (2)
memiliki sebuah perhitungan yaitu properti jaringan Dengan (𝑛𝑖 ) adalah jarak kedekatan node i. dan (𝑛𝑖 , 𝑛𝑗 )
yang bertujuan untuk memetakan hubungan yang sangat adalah jarak individu sebuah node i ke j.
membantu untuk meningkatkan penciptaan management
knowledge di dalam sebuah organisasi [15]. Perhitungan Betweenness Centrality menghitung jumlah jalan
properti jaringan yang ada pada Social Network Analysis terpendek antara node j dan k dimana node i berada atau
antara lain: seberapa sering sebuah node tersebut dilewati oleh node
Tabel 1. Properti Jaringan
lain untuk menuju ke sebuah node tertentu. Perhitungan
antara sentralitas antara node menggunakan rumus 3.
No Nama Properti Deskripsi
Jaringan 𝑔 𝑗𝑘(𝑛𝑖 )
𝐶𝑏 (𝑛𝑖 ) = ∑𝑗<𝑘 (3)
1 Nodes Nodes digunakan untuk 𝑔 𝑗𝑘
menggambarkan lokasi yang dimiliki
oleh aktor yang berada dalam sebuah Dengan 𝑔 𝑗𝑘(𝑛𝑖 ) adalah jumlah jalur terpendek dari
network [16]. sebuah node j ke k yang melewati node i. Kemudian
2 Edges Edges digunakan untuk terdapat (𝑛𝑖 ) yang merupakan jumlah jalur terpendek
menggambarkan jalinan antar aktor
yang terjadi di dalam sebuah sebuah
dari node j ke k.
network [16]. Eigenvector Centrality merupakan sebuah pengukuran
3 Average Degree Average degree dapat ditentukan
dengan cara, jumlah hubungan pada yang dapat memberikan nilai yang lebih tinggi dari
satu node dibagi dengan jumlah sebuah node yang terhubung dengan node yang juga
hubungan yang terjadi pada sebuah memiliki centrality tinggi. Untuk menghitung
jaringan [17]. Eigenvector Centrality dapat menggunakan rumus 4.
4 Diameter Diameter merupakan jarak terjauh
atau jarak paling panjang antara dua 𝐶 (𝛽) = ∑(𝑎 + 𝛽𝑐𝑗)𝐴𝑗𝑖 (4)
node yang saling berdekatan[18].
5 Average path Average path length merupakan rata- Dengan 𝑎 adalah konstanta normalisasi (skala vector)
length rata jalur yang dilewati oleh setiap
nodes ke nodes lainnya [18].
dan 𝛽 adalah seberapa banyak suatu node yang
mempunyai nilai centrality dari sebuah node yang juga
memiliki nilai centrality yang tinggi.
Tahap Pembuatan model jaringan ini merupakan tahap
pengolahan data interaksi pada sebuah network. Sebuah Follower Rank digunakan untuk melakukan sebuah
pola interaksi dapat divisualisasikan dengan pengukuran untuk mengetahui nilai popularitas dari
menggunakan sebuah metode graph, dengan tipe node yang berpengaruh dalam sebuah network [19]
undirected yang merupakan graph yang tidak seperti rumus 5.
memperhatikan arah hubungan pada sebuah node yaitu 𝐹1
𝐹𝑜𝑙𝑙𝑜𝑤𝑒𝑟 𝑅𝑎𝑛𝑘(𝑖) = (5)
indegree (node yang dituju) dan outdegree (node asal). 𝐹1+𝐹3

Di dalam metode Social Network Analysis sendiri Dengan 𝐹1 adalah banyaknya pengikut atau followers
memiliki beberapa buah konsep di dalam sebuah node dan 𝐹3 adalah banyaknya sebuah node
pendekatannya, yaitu dapat memvisualisasikan sebuah terhubung dengan node lain atau degree centrality.
pola yang terbentuk dari hubungan antar node namun
penggunaannya lebih sering untuk menentukan sebuah 3. Hasil dan Pembahasan
node sentral di dalam sebuah jaringan¸ dengan cara Pada hasil dan pembahasan penelitian ini dimulai dari
menghitung beberapa nilai centrality diantaranya yangpengambilan data dan proses SNA. Proses SNA dimulai
adalah [13]. dari analisa data sampai terbentuk wordcloud. Berikut
Degree Centrality digunakan untuk menghitung jumlah adalah penjelasan secara detailnya.
interaksi yang dilakukan sebuah node dalam sebuah 3.1. Analisa Data
jaringan. Dalam menghitung sentralitas derajat node,
menggunakan rumus 1. Data diambil dari web academic.droneemprit.id pada
d(𝑛 )
projek “Analisis Opini Persebaran Virus Corona di
𝐶′𝐷 (𝑛𝑖 )= 𝑖 (1) Media Sosial” dengan menggunakan periode Desember
𝑔−1
2019 sampai Desember 2020 pada media sosial Twitter.

DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
699
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

Data yang didapat sebanyak 19.939 nodes dengan Analisis keempat pada properti diameter merupakan
12.304 edges. Data yang didapat yaitu nodes yang berisi jarak antar nodes dalam suatu jaringan. Nilai diameter
name merupakan nama akun Twitter, type merupakan yang didapat yaitu 18, yang menjadikan sebagai jarak
tipe dari akun Twitter tersebut seperti person / orang terpanjang antar node (ujung ke ujung). Analisis kelima
dan size dari jumlah retweet dan reply dan edges yang pada properti average degree. Pada average degree
berisi source merupakan akun Twitter asal dan target memperlihatkan nilai antar hubungan nodes dalam
merupakan akun Twitter tujuan dan sentiment sebuah jaringan, dimana semakin besar average degree
merupakan sentimen akun twitter terhadap projek maka semakin baik sebuah jaringan tersebut dan
tersebut. Namun data yang digunakan yaitu nodes yang menghasilkan penyebaran informasi yang lebih luas.
berisi name dan size dari jumlah retweet dan reply dan Nilai average degree yang didapat yaitu 1.234.
edges yang berisi source (asal) dan target (tujuan).
Analisis keenam pada properti Average path length yaitu
3.2. Perhitungan Properti Jaringan semakin sedikit rata-rata jaringan aktor yang dilewati
maka semakin baik sebuah jaringan dan menunjukkan
Perhitungan properti jaringan diperlukan untuk analisis
bahwa setiap jaringan yang ada memiliki hubungan yang
data yang telah didapat dan dilakukan sebelum
kuat. Nilai dari average path length yaitu sebesar 5.846.
pembuatan visualisasi model jaringan. Dalam
Analisis ketujuh pada properti clustering coefficient
menganalisis dilakukan secara otomatis melalui
merupakan dapat menunjukan aktor yang berkaitan
software Gephi 0.9.2, terlihat pada Tabel 2.
didalam sebuah jaringan. Aktor yang berkaitan dalam
Tabel 2. Properti Jaringan penelitian ini yaitu 4.969703732058406E-4, dimana
Nodes: 19.939 dapat dikatakan bahwa aktor yang ada telah saling
Size
Edges: 12.304 terkait satu dengan yang lainnya, dan menjadikan sebuah
Density 0.000 informasi yang dibicarakan menjadi lebih cepat untuk
Modularity 0.763 diketahui.
Diameter 18
Average Degree 1.234 3.3. Analisis Pembuatan Model Jaringan
Average Path Length 5.846
Clustering Coefficient 4.969703732058406E-4 Setelah melakukan perhitungan properti jaringan
Tabel 2 diatas menunjukan nilai properti jaringan dalam langkah selanjutnya adalah pembuatan model jaringan.
projek “Analisis Opini Persebaran Virus Corona di Pembuatan visualisasi model jaringan menggunakan
Media Sosial” dari web academic.droneemprit.id, software Gephi dengan menggunakan tipe undirected
dengan periode waktu Desember 2019 sampai dengan graph dengan tidak memperhatikan arah hubungan pada
Desember 2020 pada media sosial Twitter. Analisis sebuah node yaitu indegree (node yang dituju) dan
pertama pada properti size, dimana semakin besar nodes outdegree (node asal). Pada penelitian ini menggunakan
maka akun Twitter yang terjalin di dalam jaringan sosial algoritma ForceAtlas2, yang merupakan algoritma tata
semakin banyak menandakan bahwa banyak akun-akun ruang spasial untuk sebuah jaringan web. ForceAtlas2
Twitter yang membicarakan topik tertentu. Kemudian dapat melakukan pengelompokan terhadap node-node
pada properti size ada edges, dimana semakin tinggi nilai pada komunitas sehingga mempermudah untuk diamati
edges menunjukan bahwa banyaknya interaksi yang dan dianalisis. Algoritma ForceAtlas2 di klaim sangat
terjadi antar akun-akun di media sosial twitter. Nilai size bagus performanya karena lebih menekankan pada node
yang terbentuk yaitu sebanyak 19.939 nodes dan 12.304 pertama dan terakhir serta sangat kompatibel untuk
edges. jumlah node hingga 10.000 node [21].

Analisis kedua pada properti density merupakan Langkah berikutnya yaitu melakukan perhitungan nilai
kepadatan sebuah jaringan, nilai density yaitu 0.000. centrality terhadap 9.939 akun yang ada didalam
Nilai density disarankan yaitu dalam skala 0 hingga 1 jaringan, dimana diambil 10 akun dengan nilai degree
[20], dan dapat dikatakan bahwa jaringan ini memiliki centrality tertinggi saja. Berikut hasil perhitungan
kepadatan yang sesuai. Analisis ketiga pada properti degree centrality terlihat pada Tabel 3.
modularity, dimana semakin tinggi nilai modularity
maka akan lebih tampak jelas sebuah jaringan tersebut
terbentuk. Dapat diartikan bahwa setiap jaringan yang
didapat terbentuk sebuah komunitas yang berbeda
dimana komunitas tersebut menjadikan sebuah jaringan
memiliki spesifikasi lebih terhadap komunitas. Nilai
modularity yaitu sebesar 0.763 dan membentuk 11.729
komunitas dalam kumpulan graph jaringan tersebut.
Terdapat 11 komunitas utama yang terbentuk yang Gambar 3. Partisi pada Jaringan
memiliki persentase diatas 1 % terlihat pada Gambar 4.

DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
700
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

hubungan dan node tersebut dapat mempengaruhi akun

lainnya. Interaksi antar node dalam jaringan dapat dilihat
pada Gambar 5.

Gambar 5. Graph Degree Centrality

Selain degree centrality, terdapat pula closeness

Gambar 4. Graph Keseluhan Jaringan
centrality yang menunjukkan jarak rata-rata antar node.
Semakin tinggi sebuah closeness centrality pada sebuah
Tabel 3. Perhitungan Centrality node maka semakin dekat pula node tersebut dengan
Betweenne
node lainnya dalam menyampaikan informasi dan akan
Degree Eigenvector
Node Central
Closeness
ss lebih cepat menyebarnya. Node @matanevenoff
Centrality Centrality memiliki nilai closeness centrality tertinggi yaitu
ity Centrality
@do_r 0.26360129 4027857.0 sebesar 0.26398580721466586 dan menjadikan node
860 1.0 @matanevenoff adalah node yang paling dekat dengan
a_dong 12369105 04448901
@gelor 0.26272217 3567385.7 0.95845402 aktor lainnya. Kemudian ada node @do_ra_dong
801
aco 2087731 15358108 12369215 dengan 0.2636012912369105, @geloraco dengan
@mata 0.262722172087731, @CNNIndonesia dengan
0.26398580 5549345.8 0.30056689
neveno 519
721466586 65743992 83284136
0.2581441073287328, dan @detikcom dengan
ff 0.2542527339003645. Interaksi antar node dalam
@CN jaringan dapat dilihat pada Gambar 6.
0.25814410 2367124.0 0.28834322
NIndo 367
73287328 359402224 911220384
nesia
@detik 0.25425273 1993462.6 0.24851250
354
com 39003645 120043078 95708454
@Matt
0.14024798 1897806.5 0.12268546
iaAlex 291
92761394 912798413 094314221
and
@herm 0.25142685 804312.38 0.32077725
262
ana_t 49113848 3446694 57968296
@zeito 0.18421414 1002127.0 0.10374163
211
nline 619384302 495179085 305379232
@alex
0.19945192 335128.20 0.23419804
ander_ 206
42225664 823902835 361519497
murfi

Tabel 3 diatas menunjukan nilai centrality tertinggi

terhadap 10 akun twitter dari 9.939 akun twitter yang
terdapat didalam jaringan tersebut. Terlihat dimana node
@do_ra_dong memiliki nilai degree centrality tertinggi
yaitu sebesar 860, menunjukan bahwa node
Gambar 6. Graph closeness centrality
@do_ra_dong memiliki jumlah hubungan tertinggi
dengan node lainnya. Kemudian ada node @geloraco Setelah itu, centrality selanjutnya betweenees centrality
dengan 801, @matanevenoff dengan 519, yang merupakan node penghubung atau jembatan antar
@CNNIndonesia dengan 367 dan @detikcom dengan node. Terlihat node @matanevenoff memiliki nilai
354. Semakin tinggi sebuah degree centrality pada betweenees centrality tertinggi yaitu sebesar
sebuah node maka node tersebut memiliki banyak 5549345.865743992. Kemudian ada node

DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
701
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

@do_ra_dong dengan 4027857.004448901, @geloraco

dengan 3567385.715358108, @CNNIndonesia dengan Setelah dilakukannya perhitungan nilai centrality
2367124.0359402224, @detikcom dengan terhadap 10 node dengan nilai degree centrality tertinggi
1993462.6120043078. Jika sebuah node memiliki dan pembentukan visualisasi pola interaksi jaringan
betweenees centrality tertinggi maka menunjukan secara keseluruhan, langkah berikutnya ialah melakukan
bahwa akun tersebut sebagai perantaran antar aktor perhitungan follower rank. Berikut hasil perhitungan
lainnya. Interaksi antar node dalam jaringan dapat dilihat follower rank terlihat pada Tabel 4.
pada Gambar 7. Tabel 4. Hasil Perhitungan Follower Rank
Node Followers Follower Rank
@detikcom 16,815,546 0.994741605
@zeitonline 2,336,089 0.99643856
@CNNIndonesia 1,688,025 0.981160841
@geloraco 224,108 0.999782633
@arwidodo 38,071 0.999978948
@do_ra_dong 162,688 0.049019608
@alexander_murfi 17,414 0.977201532
@matanevenoff 27,030 0.999909686
@hermana_t 11,230 0.98830874
@MattiaAlexand 15 0.994956095

Berdasarkan Tabel 4 diatas, hasil perhitungan follower

rank menunjukkan bahwa node @detikcom adalah aktor
dengan nilai follower rank tertinggi yaitu 0.994741605
dibandingkan dengan aktor lain pada projek “Analisis
Opini Persebaran Virus Corona di Media Sosial”.
Setelah di telusuri pada laman
https://twitter.com/detikcom, terlihat bahwa akun
Gambar 7. Graph betwenees centrality
@detikcom merupakan akun sebuah portal web yang
Centrality terakhir adalah eigenvector centrality, berisi berita dan artikel daring di Indonesia. Akun
Terlihat node @do_ra_dong memiliki nilai tertinggi tersebut juga telah bergabung di Twitter sejak Agustus
yaitu sebesar 1.0. Kemudian node @geloraco dengan 2009.
0.9584540212369215, @hermana_t dengan
0.3207772557968296, @matanevenoff dengan 3.4. Top Hastags
0.3005668983284136 dan @CNNIndonesia dengan Top Hastags memperlihatkan kumpulan tagar-tagar
0.28834322911220384. Jika sebuah node memiliki dengan frekuensi pemakaian yang sering digunakan
eigenvector centrality tertinggi maka akun tersebut dalam sebuah topik didalam jaringan. Pada jaringan
memiliki hubungan dengan banyak aktor penting dalam projek “Analisis Opini Persebaran Virus Corona di
sebuah jaringan. Interaksi antar node dalam jaringan Media Sosial” yang di sediakan oleh web
dapat dilihat pada Gambar 8. academic.droneemprit.id terdiri atas 167 Top Hastags
digunakan dalam periode waktu Desember 2019 sampai
Desember 2020. Hastags dengan frekuensi tertinggi
akan ditampilkan dengan ukuran yang lebih besar dari
yang lainnya.

Gambar 9. Top hastags

Terlihat pada gambar 9 bahwa Top Hastags

Gambar 8. Graph eigenvector centrality
memperlihatkan lima tagar teratas dengan frekuensi
DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
702
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

tinggi pada media sosial Twitter yaitu #Corona sebanyak

Pencarian aktor berpengaruh tersebut dapat menjadi
53,836 tweets, #coronavirus sebanyak 44,893 tweets, sebuah keuntungan dalam penelitian selanjutnya yaitu
#China sebanyak 39,662 tweets, #Wuhan sebanyak dapat lebih mudah dalam mengidentifikasi akun-akun
22,388 tweets dan #CoViD19 sebanyak 12,241 tweets. berpengaruh dengan menggunakan batasan nilai degree
centrality, apakah terdapat akun bot atau tidak.
3.5. Word Cloud
Kemudian dari pencarian aktor berpengaruh tersebut
Word Cloud menampilkan kata-kata yang paling sering dapat dilakukan pengelompokan akun kedalam sebuah
digunakan dari 100 data dalam projek “Analisis Opini kelompok dengan kategori akun sejenis.
Persebaran Virus Corona di Media Sosial” yang di
Penelitian ini dapat dikembangkan dengan menambah
sediakan oleh web academic.droneemprit.id dalam
cakupan data pada media sosial lainnya yang ada di
periode waktu Desember 2019 sampai Desember 2020.
Indonesia terkait Covid-19, untuk menemukan node atau
Kata-kata dengan frekuensi tertinggi akan ditampilkan
akun berpengaruh yang lebih luas lagi terhadap topik
dengan ukuran yang lebih besar dari yang lainnya.
Covid-19.

Daftar Rujukan
[1] World Health Organization, “WHO Director-General’s opening
remarks at the media briefing on COVID-19 - 11 March 2020
[Internet],” World Health Organization, 2020.
https://www.who.int/dg/speeches/detail/who-director-generals-
%0Aopening-remarks-at-the-media-briefing-on-covid-19---11-
%0Amarch-2020.
[2] O. M. Bafadhal dan A. D. Santoso, “Memetakan Pesan Hoaks
Berita Covid-19 Di Indonesia Lintas Kategori, Sumber, Dan
Jenis Disinformasi,” Bricol. J. Magister Ilmu Komun., vol. 6,
no. 02, hal. 235, 2020, doi: 10.30813/bricolage.v6i02.2148.
Gambar 10. Word cloud [3] Tim Apjii, “‘APJII Rilis Hasil Survei Pengguna Internet
Indonesia Terbaru,’” Apjii, 2020.
Terlihat pada Gambar 10 bahwa dalam Word Cloud [4] S. Kemp, “DIGITAL 2020: GLOBAL DIGITAL
yang terbentuk memperlihatkan lima kata-kata teratas OVERVIEW,” Datareportal, 2020.
https://datareportal.com/reports/digital-2020-global-digital-
pada media sosial Twitter yaitu china, RE, beijing, covid overview.
dan lockdown. [5] Y. Wu dan Z. Duan, “Social network analysis of international
scientific collaboration on psychiatry research,” Int. J. Ment.
4. Kesimpulan Health Syst., vol. 9, no. 1, hal. 1–10, 2015, doi: 10.1186/1752-
4458-9-2.
Penelitian ini menunjukkan bahwa aktor berpengaruh [6] A. Rochiyat dan A. Wibowo, “Analisis Aktor Berpengaruh Dan
dapat ditemukan dengan menggunakan perhitungan Aktor Popular Dengan Metode Degree Centrality Dan Follower
degree centrality, menurut Tabel 3 node @do_ra_dong Rank Pada Tagar Twitter ‘#gejayanmemanggil,’” JATISI
memiliki nilai degree centrality tertinggi yaitu sebesar (Jurnal Tek. Inform. dan Sist. Informasi), vol. 6, no. 2, hal. 130–
138, 2019, doi: 10.35957/jatisi.v6i2.187.
860, nilai closeness centrality 0.2636012912369105, [7] E. Mailoa, “Analisis Node dengan Centrality dan Follower
nilai betweenees centrality 4027857.004448901 dan Rank pada Twitter,” J. RESTI (Rekayasa Sist. dan Teknol.
nilai eigenvector centrality 1.0. Namun pada Tabel 3 Informasi), vol. 4, no. 5, hal. 937–942, 2020, doi:
follower rank dari node @do_ra_dong hanya sebesar 10.29207/resti.v4i5.2398.
[8] M. K. Anam, T. L. Lestari, L. Latifah, F. M. Bambang, dan S.
0.049019608. Dari fakta tersebut dapat diketahui bahwa Fadli, “Analisis Kesiapan Masyarakat Pada Penerapan Smart
walaupun node @do_ra_dong memiliki nilai pengaruh City di Sosial Media Menggunakan SNA,” J. RESTI (Rekayasa
yang tinggi namun nilai popularitas yang dimilikinya Sist. dan Teknol. Informasi), vol. 1, no. 10, hal. 9–12, 2021, doi:
tidak cukup tinggi. https://doi.org/10.29207/resti.v5i1.2742.
[9] M. Hanafiah, A. Herdiani, W. Astuti, dan M. Kom, “Klasifikasi
Berbeda hal nya dengan node @detikcom pada nilai Spam Tweet Pada Twitter Menggunakan Metode Naïve Bayes
( Studi Kasus : Pemilihan Presiden 2019 ),” in e-Proceeding of
degree centrality hanya sebesar 354, tetapi dapat Engineering, 2019, vol. 6, no. 2, hal. 9111–9120.
menjadi aktor yang memiliki nilai popularitas tertinggi [10] M. McCord dan M. Chuah, “Spam detection on twitter using
yaitu 0.994741605. Walaupun aktor @detikcom traditional classifiers,” Lect. Notes Comput. Sci. (including
memiliki nilai popularitas yang tinggi namun nilai Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics),
vol. 6906 LNCS, hal. 175–186, 2011, doi: 10.1007/978-3-642-
pengaruh tidak cukup tinggi dalam projek “Analisis 23496-5_13.
Opini Persebaran Virus Corona di Media Sosial” dengan [11] B. Arianto, “Pemanfaatan Aplikasi Drone Emprit Academic
menggunakan periode waktu Desember 2019 sampai dalam Menganalisis Opini Publik di Media Sosial,” JSPG J.
Desember 2020 pada media sosial Twitter. Dapat Soc. Polit. Gov., vol. 2, hal. 177–191, 2020, doi:
https://doi.org/10.24076/jspg.v2i2.415.
disimpulkan bahwa aktor berpengaruh belum tentu sama [12] S. Anggelia dan A. Syaifudin, “SENTIMEN WARGANET
dengan aktor popular. MAHASISWA TERHADAP COVID-19,” LITERASI, vol. 5,
hal. 49–57, 2021, doi:
http://dx.doi.org/10.25157/literasi.v5i1.5149.

DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
703
 Aprillian Kartino, M. Khairul Anam, Rahmaddeni, Junadhi
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 5 No. 4 (2021) 697 – 704

[13] P. Suharso, “Pemanfaatan Drone Emprit dalam Melihat Trend Elsevier, 2018, hal. 679–697.
Perkembangan Bacaan Digital melalui Akun Twitter,” Anuva, [18] M. O. Jackson, “Social and Economic Networks,” Soc. Econ.
vol. 3, no. 4, hal. 333–346, 2019, doi: 10.14710/anuva.3.4.333- Networks, no. March, hal. 1–504, 2010, doi:
346. 10.1093/acprof:oso/9780199591756.003.0019.
[14] J. Li, Y. Chen, dan Y. Lin, “Research on traffic layout based on [19] F. Riquelme dan P. González-Cantergiani, “Measuring user
social network analysis,” ICETC 2010 - 2010 2nd Int. Conf. influence on Twitter: A survey,” Inf. Process. Manag., vol. 52,
Educ. Technol. Comput., vol. 1, hal. 284–288, 2010, doi: no. 5, hal. 949–975, 2016, doi: 10.1016/j.ipm.2016.04.003.
10.1109/ICETC.2010.5529247. [20] F. Ma, X. Wang, dan P. Wang, “Counterexample: Scale-free
[15] A. A. Alalwan, N. P. Rana, Y. K. Dwivedi, dan R. Algharabat, networked graphs with invariable diameter and density feature,”
“Social media in marketing: A review and analysis of the arXiv, vol. 022315, hal. 1–8, 2019, doi:
existing literature,” Telemat. Informatics, vol. 34, no. 7, hal. 10.1103/PhysRevE.101.022315.
1177–1190, 2017, doi: 10.1016/j.tele.2017.05.008. [21] M. Jacomy, T. Venturini, S. Heymann, dan M. Bastian,
[16] R. a Hanneman dan M. Riddle, “Introduction to Social Network “ForceAtlas2, a continuous graph layout algorithm for handy
Methods,” Riverside, CA Univ. California, Riverside. On-line network visualization designed for the Gephi software,” PLoS
Textb., vol. 46, no. 7, hal. 5128–30, 2005, doi: One, vol. 9, no. 6, hal. 1–12, 2014, doi:
10.1016/j.socnet.2006.08.002. 10.1371/journal.pone.0098679.
[17] B. Oselio, S. Liu, dan A. Hero, “Multilayer Social Networks,”
in Cooperative and Graph Signal Processing, New York:

DOI: https://doi.org/10.29207/resti.v5i4.3160
Creative Commons Attribution 4.0 International License (CC BY 4.0)
704