Fenomena menarik tengah melanda lini masa pengguna media sosial. Konten-konten yang dulunya didominasi oleh “giveaway yang menjual kemiskinan” kini mulai tergantikan oleh diskusi dan perdebatan mendalam. Pergeseran ini menunjukkan adanya perubahan preferensi khalayak, di mana minat terhadap literasi dan pendidikan semakin meningkat. Tidak jarang pengguna kini mulai merasa ada yang salah dengan sistem pendidikan mereka di masa lalu, bahkan merencanakan untuk melanjutkan jenjang studi ke tingkat yang lebih tinggi.
Fenomena ini juga ditandai dengan berkurangnya ketertarikan pada kemewahan selebriti, beralih pada kualitas pemikiran. Bahkan, figur-figur yang sebelumnya tidak dikenal kini mulai menjadi sorotan dan diikuti. Konten misteri yang dulu menyeramkan, kini dianggap sebagai hiburan. Puncaknya, masyarakat mulai mengembangkan kemampuan kritis, melakukan validasi dan mencari kebenaran alternatif dari setiap informasi yang mereka terima.
Jika perubahan ini dirasakan, maka ini adalah pertanda bahwa “sistem telah runtuh,” dan kita sedang menyongsong “masyarakat baru.” Perubahan drastis ini menjadi subjek studi mendalam yang diinisiasi oleh seorang akademisi yang baru saja menuntaskan dua gelar master (MM dan MBA), dan kini bersiap menempuh program PhD di Monash University, Australia, salah satu kampus terkemuka di dunia yaitu Ferry Irwandi.
Tantangan Meraih Gelar Doktoral dan Penemuan Teori Baru
Proses pendaftaran PhD, terutama di kampus-kampus kelas dunia, bukan perkara mudah. Banyak lulusan beasiswa yang terkendala karena harus mendapatkan supervisor yang mau mengakui dan membimbing riset mereka. Kesesuaian riset dengan minat atau beban kerja profesor menjadi faktor krusial. Namun, riset yang diajukan oleh sang akademisi ini, yang berhubungan dengan algoritma dan data engineering, berhasil diterima.
Riset Ferry ini bermuara pada pengembangan teori baru dalam komunikasi massa yang dinamakan Friction Shifting Theory (FST). Penamaan teori ini terinspirasi dari mekanisme perpindahan gigi pada sepeda balap manual, di mana gesekan antara ban dan kabel menjadi kunci. Ini menjadi metafora bagi FST, sebuah teori yang masih dalam tahap beta testing dan prototype, namun telah menunjukkan hasil yang memuaskan.
Memahami Algoritma: Bukan Tentang Apa yang Netizen Mau
Sebelum menyelami FST dan model matematikanya, penting untuk memahami dasar kerja algoritma. Banyak yang keliru beranggapan bahwa untuk menjadi content creator yang sukses, seseorang harus membuat konten yang “dibutuhkan” atau “diinginkan” oleh netizen. Pernyataan ini dianggap keliru fatal.
Justru sebaliknya, keinginan dan kebutuhan netizen seringkali terbentuk karena paparan di media sosial. Seseorang yang awalnya tidak mengenal dark comedy atau ASMR, bisa menjadi tertarik setelah konten tersebut muncul di lini masa mereka. Inilah default cara kerja media sosial. Oleh karena itu, dalam membuat konten, yang penting bukanlah “apa yang orang mau,” melainkan “apa yang Anda ingin orang mau.” Ini adalah formula rahasia di balik konten viral.
Hal ini krusial karena merupakan dasar cara kerja algoritma. Machine learning dalam algoritma bersifat prediktif, tidak pernah fix. Setiap video yang diunggah akan diprediksi, diberi skor, dan diberi kesempatan sesuai prediksi tersebut. Untuk memahami metodologi, model, dan cara kerjanya, diperlukan pengujian berulang.
Dalam bahasa sederhana, setiap video akan diberi skor berdasarkan berbagai variabel, mulai dari angka yang ditentukan oleh machine learning hingga retensi menonton (W), interaksi sosial (S), metadata, dan Natural Language Processing (NLP). Karena sifatnya prediktif, pendekatan yang digunakan adalah progresivitas linear. Misalnya, jika video berdurasi 90 detik ditonton selama 60 detik, maka skor retensinya adalah 60/90. Interaksi seperti like, comment, dan share juga memiliki bobot yang berbeda. Metadata seperti deteksi wajah (CNN) dan ekstraksi teks (OCR) turut berkontribusi dalam penilaian.
Setelah total skor dihitung, akan ditentukan threshold. Jika video melewati threshold, ia akan masuk ke pengujian batch pertama, disebarkan ke 500 orang. Jika skornya masih tinggi, akan disebar ke 1.000, lalu 10.000 orang, dan seterusnya hingga mencapai titik jenuh. Inilah yang disebut initial test batch.
Saat membuat akun baru di TikTok, Reels, atau YouTube, pengguna akan diuji dengan berbagai jenis video. Algoritma akan menilai video mana yang menarik, ditonton penuh, dilewati, atau disukai. Machine learning kemudian menghitung data ini, membuat model prediksi, dan menyimpulkan jenis video apa yang disukai pengguna. Semakin tinggi minat, semakin besar porsi jenis video tersebut di lini masa, dan semakin sedikit ruang untuk jenis video lain.
Artinya, daripada membongkar kompleksitas algoritma, bagaimana jika algoritma dapat merekomendasikan 10 jenis video yang memang dirancang untuk terus diperbincangkan? Di sinilah FST berperan.
Friction Shifting Theory: Memaksa Algoritma Berubah
Algoritma tidak pernah netral. Ia selalu mencari konten, tema, atau topik yang dapat meningkatkan atensi pengguna terhadap platform mereka, yang pada akhirnya meningkatkan pendapatan mereka. Konsep “Game of Attention” sudah dikenal luas, namun FST adalah evolusinya. Game of Attention relatif mudah dilakukan jika seseorang memiliki angka (jumlah follower atau subscriber), tetapi memberikan dampak adalah tantangan lain.
Dari Game of Attention inilah teori FST dikembangkan menjadi model baru yang bermanfaat bagi banyak orang. Sebagai bukti keberhasilan, akun pribadi sang akademisi mencatat All-Time High (ATH) dalam performa. Akun Instagram-nya meraih hampir 200 juta views dalam 30 hari, jauh melampaui akun-akun dengan follower berkali-kali lipat lebih banyak. Bahkan, selisihnya tipis dengan salah satu influencer terbesar di Indonesia, Deddy Corbuzier, meskipun jumlah follower Om Deddy sepuluh kali lebih banyak.
FST, atau Friction Shifting Theory, adalah sebuah metode atau model yang dapat memberikan perubahan besar pada algoritma banyak orang ketika dilakukan secara tepat dan kolektif. FST tidak bisa dilakukan sendirian; ia melibatkan banyak unsur, baik langsung maupun tidak langsung. Dalam penelitian, ada tiga faktor penting:
-
Sumber: Content creator atau influencer sebagai penyedia bahan konten.
-
Amplifier: Clipper atau pihak yang memperkuat penyebaran konten.
-
Banter: Pihak yang pro atau mendukung gagasan/ide yang berusaha dibawa dalam perubahan algoritma.
Pendekatan ini telah diterapkan dalam isu-isu seperti filsafat, IQ, dan kasus hukum Tom Lembong. Sebagai contoh, pembicaraan mengenai filsafat melonjak 650% pada Juli 2025 dibandingkan Juni 2025. Hal serupa terjadi pada isu IQ. Dalam kasus hukum Tom Lembong, FST berhasil memecah narasi dominan di TikTok yang awalnya dikuasai oleh mereka yang pro terhadap putusan hukum terhadap Tom Lembong.
Dampak langsungnya juga terasa di marketplace, dengan lonjakan luar biasa dalam pembelian buku filsafat, buku Melaka, dan buku tes IQ dalam 30 hari.
Bagaimana FST Bekerja: Model Prediksi dan Lingkaran Interaksi
Dasar algoritma adalah: tidak netral, selalu mencari konten potensial, dan machine learning-nya prediktif. Setiap video diberi peringkat berdasarkan model dan unsur tertentu. Jika algoritma memprediksi video akan menghasilkan view tinggi, maka video itu akan terus di-up.
Setelah pengembangan teori, diperkenalkan “Score Sigma” (N index + 1 performa + model video) yang masuk ke persamaan candidate generation: P(V|U) = E(U, T, V)/sigma. Jika skornya bagus, video akan dimunculkan ke lebih banyak pengguna. Misalnya, beta testing ke 1.000 pengguna, jika interaksinya tinggi, akan dilanjutkan ke 10.000, lalu 100.000 pengguna. Faktor penentu seperti CNN untuk deteksi wajah dan OCR untuk ekstraksi teks juga berpengaruh. Inilah mengapa video dengan wajah atau pola yang dikenal algoritma dapat naik meskipun tanpa penyebutan nama.
Setelah memahami model algoritma, FST menyisipkannya dengan model matematikanya sendiri. FST mengidentifikasi unsur-unsur yang menentukan seberapa tinggi video akan naik dalam model prediksi engagement: W1(pay watch) + W2(like) + W3(comment) + W4(share).
FST memungkinkan interaksi antar pengguna dalam kondisi looping. Misalnya, ketika sebuah isu seperti “hapuskan jurusan filsafat” diangkat, video tersebut akan memicu perdebatan, bantahan, dukungan, dan generasi konten baru. Isu filsafat, sebagai keyword dalam kategori edukasi, akan terus mendorong produksi konten terkait. Contohnya, pencarian hashtag #filsafat di TikTok menghasilkan 168.000 video (bukan views). Bayangkan jika ini dilakukan oleh puluhan orang, bukan hanya satu. Kita akan berhasil “bruteforce” algoritma untuk berubah sesuai model matematika FST.
Saat ini, FST sedang memasuki beta testing kedua, salah satunya dengan pembukaan beasiswa “Revolusi Kritik” terhadap sistem perguruan tinggi. Ini adalah upaya untuk memenuhi algoritma dengan konten yang telah dirancang.
Pesan bagi content creator, public figure, dan influencer adalah untuk tidak melupakan pentingnya pendidikan. Bagi para akademisi, tantang diri sendiri, eskalasikan permainan. Pengetahuan dan ide tidak akan berarti jika tidak dapat ditantang, diterima, dijalankan, atau didebat oleh orang lain.