Metodologi Ilmiah di Balik Neuro AI

Platform Neuro AI dibangun dengan mengintegrasikan teknik pemrosesan bahasa alami (Natural Language Processing / NLP) canggih melalui Large Language Models (LLM) dengan teori-teori sosiologi digital klasik. Berikut adalah transparansi cara kerja mesin kami.

Setiap komentar yang ditarik (scraped) dari URL target akan dianalisis secara individual oleh model bahasa besar (seperti GPT-4 atau Gemini 1.5 Pro). Mesin ini tidak sekadar mencari kata kunci positif atau negatif, melainkan membedah konteks semantik secara mendalam (contextual understanding).

Berdasarkan sintaksis dan intensi kalimat, AI akan memasukkan setiap komentator ke dalam salah satu dari belasan arketipe sosial, di antaranya:

• Supporter/Fanatik: Mendukung penuh narasi.
• Kritikus/Penentang: Menolak narasi utama.
• Netral: Sekadar berkomentar tanpa afiliasi.
• Provokator/Troll: Memancing kemarahan/konflik.
• Buzzer: Komen repetitif beraroma terkoordinasi.
• Pemeriksa Fakta: Meluruskan dengan data.

STI adalah metrik komposit eksklusif milik Neuro AI yang mengukur seberapa "panas" sebuah perdebatan online dalam rentang nilai 0 - 100. Metrik ini sangat berguna sebagai parameter Early Warning System (Sistem Peringatan Dini) bagi kehumasan.

STI dihitung melalui agregasi 5 variabel berbobot yang masing-masing menyumbang maksimal 20 poin:

1. Suhu Polarisasi (20%): Rasio perpecahan antara kubu Pro dan Kontra.
2. Intensitas Emosi (20%): Proporsi emosi kuat (Marah, Takut, Ekstasi/Senang) dibandingkan emosi datar.
3. Volume/Kecepatan (20%): Jumlah komentar mentah yang masuk ke dalam sistem.
4. Tingkat Toksisitas (20%): Persentase bahasa kotor atau ucapan kebencian.
5. Rasio Balasan / SNA (20%): Seberapa sering pengguna saling membalas satu sama lain (bukan hanya monolog).

Polarisasi mengukur tingkat perpecahan atau ketidaksepakatan di ruang publik. Algoritma kami menggabungkan komentar ber-afiliasi (Pendukung + Penentang) dan membaginya dengan total komentar valid.

Jika rasio Pro vs Kontra sangat seimbang (misal 50:50), dan mereka mendominasi lebih dari 30% dari keseluruhan percakapan (mengalahkan golongan Netral), maka sistem akan melabelinya sebagai "Terbelah Kuat (Polarisasi Tinggi) 🔥". Sebaliknya, jika salah satu pihak menang telak (misal 80% Pro, 20% Kontra), sistem melabelinya sebagai "Konsensus".

Toxicity Score tidak menggunakan token AI secara individual demi efisiensi, melainkan menggunakan algoritma NLP lokalisasi dengan kamus bahasa gaul, sumpah serapah, dan bahasa jalanan Indonesia. Ia memindai setiap komentar untuk 4 metrik: Hate Speech, Personal Attack, Sarkasme, dan Sindiran.

Virality Score dikalkulasi berdasarkan rumus probabilitas algoritma sosial media (Algoritma TikTok/IG/Twitter):

• Kecepatan mendapatkan volume komentar (Faktor Bobot 30%).
• Rasio reply / komentar berantai bersarang (Faktor Bobot 40% - Interaksi tinggi berarti audiens tidak langsung pergi).
• Sentimen emosi (Faktor Bobot 30% - Algoritma sosial media menyukai postingan yang memicu kemarahan/perdebatan polarisasi).

Untuk menghasilkan grafik "Peta Jaring Interaksi" interaktif (berbasis perpustakaan Vis.js), mesin kami mengekstraksi metadata reply_to_id dari sumber asli.

Setiap Kategori Aktor (contoh: Kritikus, Fanatik) diubah menjadi sebuah Node (Simpul). Jika seorang "Penentang" membalas komentar milik "Buzzer", maka sebuah Edge (Garis penghubung) akan ditarik di antara keduanya. Ketebalan garis mewakili jumlah/volume balasan yang terjadi, sehingga Anda bisa melihat secara visual siapa yang sedang menyerang siapa secara masif.