Menelusuri Algoritma Media Sosial: Dampak Personalisasi AI di Platform Digital
Algoritma media sosial adalah serangkaian instruksi, sinyal, dan data yang mengatur cara konten difilter, diberi peringkat, dipilih, dan direkomendasikan kepada pengguna di platform. Mereka bertindak sebagai panduan cerdas yang mencocokkan pengguna dengan konten yang sesuai dengan minat mereka berdasarkan analisis perilaku, interaksi, dan preferensi pengguna.
Algoritma media sosial sangat
penting karena beberapa alasan. Pertama, mereka membantu menyaring banyaknya
konten yang dipublikasikan setiap hari, mencegah pengguna kewalahan. Dengan
menyortir dan mencocokkan konten dengan audiens yang tepat, algoritma memungkinkan
pengguna menemukan postingan yang berharga dan terhubung dengan individu yang
berpikiran sama. Kedua, mereka mempersonalisasi pengalaman pengguna dengan
merekomendasikan konten berdasarkan data pengguna, seperti interaksi dan minat,
yang mengarah pada peningkatan keterlibatan. Terakhir, memahami dan
mengoptimalkan konten untuk algoritma dapat secara signifikan meningkatkan
jangkauan organik untuk pembuat dan pemasar, karena konten yang menarik
dipromosikan ke audiens yang lebih luas.
Cara kerja algoritma media sosial
dengan terus-menerus mencari konten yang relevan dan berharga bagi pengguna.
Mereka melakukan ini dengan memantau perilaku pengguna, minat, dan tindakan.
Algoritma mengumpulkan sinyal pengguna utama, seperti suka, berbagi, komentar
(keterlibatan pengguna), relevansi (kata kunci dan hashtag), waktu dan
frekuensi posting, kekinian, interaksi pengguna (akun yang diikuti,
klik-tayang), otoritas profil, lokasi, jenis konten (video, gambar, teks),
viralitas, dan waktu tonton. Sinyal-sinyal ini digunakan untuk memfilter,
memberi peringkat, dan merekomendasikan konten, menyesuaikan umpan dan bagian
lain dari platform untuk setiap pengguna.
Sinyal atau faktor yang
dipertimbangkan untuk menentukan konten mana yang akan ditampilkan kepada
pengguna. Ini termasuk:
- Keterlibatan Pengguna: Suka,
berbagi, komentar, dan interaksi lainnya.
- Relevansi: Penggunaan kata kunci dan
hashtag yang memberikan konteks konten.
- Waktu dan Frekuensi:
Konsistensi dan waktu posting ketika audiens aktif.
- Kekinian: Postingan yang lebih baru
diprioritaskan.
- Interaksi Pengguna: Akun
yang diikuti, interaksi masa lalu, dan rasio klik-tayang.
- Otoritas Profil: Jumlah
pengikut, konsistensi, dan tingkat keterlibatan akun.
- Lokasi: Lokasi pengguna dan
demografi.
- Jenis Konten:
Preferensi pengguna untuk video, gambar, atau teks.
- Viralitas: Konten yang dengan cepat
mendapatkan popularitas dan dibagikan.
- Waktu Tonton: Durasi
yang dihabiskan pengguna untuk menonton video.
Setiap platform media sosial
memiliki algoritma uniknya sendiri yang disesuaikan dengan fitur dan perilaku
pengguna yang berbeda. Misalnya, algoritma Twitter memprioritaskan kekinian dan
relevansi berdasarkan interaksi dan kata kunci pengguna, bersama dengan skor
reputasi profil. Algoritma Facebook mempertimbangkan waktu, demografi,
kredibilitas akun, jenis konten, relevansi, tingkat keterlibatan, dan koneksi
Facebook untuk memberikan skor relevansi ke postingan. Instagram memiliki
algoritma yang berbeda untuk Feed, Stories, Explore, dan Reels, masing-masing
mempertimbangkan sinyal seperti kekinian postingan, akun yang diikuti,
aktivitas pengguna, jenis konten, dan riwayat interaksi. TikTok sangat
bergantung pada interaksi pengguna, detail video, pengaturan perangkat dan
akun, dan waktu tonton.
YouTube menggunakan banyak
indikator untuk memberi peringkat video, termasuk performa video, rasio
klik-tayang, waktu tonton, riwayat penelusuran dan tontonan, serta informasi
demografis dan lokasi pengguna. Di platform profesional seperti LinkedIn, algoritma
mempertimbangkan kualitas dan relevansi postingan, kemungkinan keterlibatan,
hubungan personal, serta kredibilitas pengirim konten. Pinterest, yang berfokus
pada visual, menyusun peringkat kontennya berdasarkan relevansi topik, kualitas
pin dan domain, serta kedekatan dengan pengguna. Reddit mengambil pendekatan
berbasis komunitas dengan memberi peringkat postingan berdasarkan sistem upvote
dan downvote, memperhatikan jumlah total suara, waktu unggahan, dan interaksi
dalam komentar. Terakhir, Tumblr menggunakan algoritma yang mempertimbangkan
interaksi pengguna, isi konten, waktu postingan, serta preferensi yang terlihat
dari kebiasaan pengguna untuk memperluas jangkauan dan rekomendasi konten.
Untuk tetap menjadi yang terdepan dalam algoritma dan memanfaatkan potensinya, pemasar harus fokus pada prinsip-prinsip tertentu. Ini termasuk mendorong keterlibatan audiens melalui pertanyaan dan ajakan bertindak, menandai akun lain secara strategis untuk meningkatkan jangkauan, menggunakan hashtag dan kata kunci yang tepat, mengoptimalkan waktu posting untuk keterlibatan maksimum, menemukan frekuensi penerbitan yang konsisten, memublikasikan lebih banyak konten video karena sifatnya yang menarik, membuat caption yang relevan dan menarik, bereksperimen dengan berbagai jenis konten (video pendek, gambar, dll.), mengukur kinerja konten secara teratur menggunakan metrik dan analitik, dan merangkul fitur-fitur baru yang dirilis oleh platform, karena platform sering memberi penghargaan kepada pengguna awal dengan visibilitas yang lebih tinggi.
Kecerdasan artifisial memainkan
peran penting dan mendasar dalam algoritma media sosial. AI memungkinkan
platform untuk mendeteksi misinformasi dan berita palsu dengan menganalisis
konten dan riwayat akun. AI juga membantu memoderasi konten untuk keamanan
pengguna dengan mengidentifikasi postingan dan komentar yang mencurigakan untuk
ditinjau lebih lanjut. Selain itu, algoritma berbasis AI mempersonalisasi
penyampaian konten dengan mengelompokkan pengguna berdasarkan detail eksplisit
dan implisit untuk merekomendasikan konten yang disesuaikan. Terakhir, AI
memungkinkan platform untuk menyediakan analitik waktu nyata, mengumpulkan,
memproses, dan menganalisis data segera setelah dibuat untuk prediksi cepat dan
memahami hubungan pengguna.
Salah satu kelemahan yang disebutkan dari algoritma media sosial adalah bahwa mereka sering kali cenderung mendukung akun-akun besar dengan banyak pengikut. Hal ini dapat menyebabkan akun-akun yang lebih kecil mengalami penurunan jangkauan organik, sehingga lebih sulit bagi mereka untuk mendapatkan visibilitas dan tumbuh di platform. Keseluruhan sistem ini memperlihatkan bahwa algoritma bukan hanya alat teknis, tetapi juga arsitektur tak terlihat yang membentuk cara kita berinteraksi, mengonsumsi informasi, dan memahami dunia digital di era media sosial.
Dari semua media social tersebuat
saat ini yang sangat marak adalah Tik Tok. Mari kita ulas cara dari salah satu
platform yang banyak disukai anak muda tersebut.
TikTok dan Seni Personalisasi:
Mengungkap Algoritma dalam Era AI
TikTok telah berkembang pesat dari aplikasi hiburan
menjadi kekuatan budaya dan ekonomi global, terutama berkat kemampuannya dalam
menyajikan konten yang sangat dipersonalisasi. Di balik layar, sistem
rekomendasi TikTok — yang didukung oleh algoritma AI — menjadi penentu utama
apa yang pengguna lihat, sukai, dan bagikan. Namun, algoritma ini beroperasi
layaknya black box — tidak transparan dan sulit dipahami, baik oleh
pengguna biasa, peneliti, maupun regulator. Hal ini menimbulkan kekhawatiran
tentang potensi dampak negatif dari personalisasi yang berlebihan, seperti
penyebaran misinformasi, kecanduan konten, atau risiko terhadap kesejahteraan
mental.
Sebuah studi terbaru oleh Vombatkere dkk (2024),
berjudul “TikTok dan Seni Personalisasi: Menyelidiki Eksplorasi dan
Eksploitasi pada Umpan Media Sosial,” menyelidiki bagaimana algoritma
TikTok bekerja dalam mengelola rekomendasi. Penelitian ini bukan hanya berbasis
bot seperti studi sebelumnya, tetapi menggunakan data nyata dari 220
pengguna TikTok, masing-masing dengan 1000 rekomendasi pertama. Fokus utama studi adalah membedakan
dua jenis rekomendasi:
- Eksploitasi, yaitu konten yang disesuaikan berdasarkan
minat atau interaksi pengguna sebelumnya.
- Eksplorasi, yaitu konten baru yang belum dipersonalisasi,
dirancang untuk menguji apakah pengguna akan menyukainya.
Kerangka Audit untuk Personalisasi
Vombatkere dkk. mengembangkan kerangka kerja
berbasis fitur untuk mengklasifikasi rekomendasi sebagai eksploitasi atau
eksplorasi. Kerangka ini
menggabungkan:
- Fitur lokal: Menganalisis pola dalam jendela waktu
tertentu.
- Fitur global: Menangkap kecenderungan personalisasi di
tingkat makro.
Dengan pendekatan ini, tim peneliti memperkenalkan metrik seperti fraksi eksploitasi pengguna, fraksi eksploitasi rata-rata, dan skor personalisasi, yang mengukur seberapa besar personalisasi yang diterapkan terhadap pengguna tertentu.
Temuan utama menunjukkan bahwa 30%–50% dari 1000
video pertama yang direkomendasikan adalah eksploitasi — hasil
personalisasi berdasarkan minat yang dipelajari AI TikTok. Validasi menggunakan
bot otomatis dan baseline acak mengonfirmasi bahwa fraksi eksploitasi pada
pengguna nyata jauh lebih tinggi dibanding bot (31%) atau baseline acak (20%),
menandakan bahwa algoritma benar-benar memahami dan menyasar minat pengguna
secara aktif.
Apa yang Mempengaruhi
Personalisasi?
Penelitian ini juga menyoroti faktor-faktor utama
yang mendorong personalisasi, yaitu
- Menyukai (like) video
- Mengikuti (follow) kreator
- Persentase tonton video
- Fraksi dari konten yang berasal dari pengikut
Dari semua metrik ini, like dan follow
terbukti sebagai penggerak utama algoritma dalam membentuk feed pengguna.
Pengguna dengan skor personalisasi tertinggi cenderung memiliki interaksi
eksplisit yang tinggi (seperti like dan follow), dibandingkan pengguna yang
lebih pasif. Menariknya, meski pengguna lebih jarang menonton habis video dari
akun yang mereka ikuti, mereka lebih sering memberi like atau komentar,
menandakan adanya bentuk loyalitas sosial yang terpisah dari kualitas konten.
Risiko, Transparansi, dan Regulasi
Penelitian ini menyoroti pentingnya transparansi
algoritmik, sejalan dengan dorongan regulatif seperti Digital Services
Act (DSA) di Uni Eropa. TikTok saat ini tidak memberikan cukup data kepada
pengguna untuk memahami bagaimana konten direkomendasikan kepada mereka. Oleh
karena itu, peneliti mengusulkan bahwa kerangka kerja mereka dapat:
- Digunakan oleh platform untuk menjelaskan alasan di balik
rekomendasi.
- Memberdayakan pengguna
agar lebih sadar terhadap bagaimana AI membentuk pengalaman mereka.
- Mendukung pembuat kebijakan dan peneliti dalam mengaudit
algoritma secara independen.
Penelitian ini juga menyarankan bahwa audit longitudinal perlu
dilakukan di masa depan untuk melihat bagaimana algoritma TikTok berubah
seiring waktu, serta menerapkan kerangka kerja ini ke platform lain seperti
Instagram Reels atau YouTube Shorts.
Di era AI, algoritma media sosial bukan hanya
menyajikan konten, tetapi juga secara aktif membentuk persepsi, emosi, dan
bahkan perilaku pengguna. TikTok adalah contoh paling mencolok dari bagaimana
personalisasi yang didorong oleh AI dapat terasa sangat mulus sekaligus sangat
tidak transparan. Melalui studi empiris dengan data pengguna nyata, Vombatkere
et al. memberikan alat dan wawasan penting untuk membuka black box
algoritma ini. Sebagai pengguna, menyadari bahwa feed TikTok kita adalah hasil
rekayasa personalisasi — dan bukan refleksi netral dari dunia — merupakan
langkah awal untuk lebih kritis dan reflektif dalam bermedia sosial. Dan
sebagai masyarakat, kita perlu menuntut agar platform-platform ini bertanggung
jawab, etis, dan terbuka dalam penggunaan teknologi AI yang memengaruhi
kehidupan miliaran orang.
-Elly-
Referensi:
1.
2. Sprout Social. (n.d.). Social media algorithms: What they are and how they work. Sprout Social. Retrieved May 11, 2025, from https://sproutsocial.com/insights/social-media-algorithms/#define
