Banjirnya di Jakarta, muncratnya di mana-mana

Banjirnya di Jakarta, muncratnya di mana-mana
Tahun 2020 ini diawali dengan curah hujan yang tinggi, yang menyebabkan beberapa wilayah di Indonesia terendam banjir. Wilayah yang mendapati sorotan lebih di bencana banjir ini adalah Jabodetabek sehingga sangat menarik untuk dilihat percakapannya di media sosial. Tulisan tak hanya melihat trend percakapan tentang “Banjir di Jakarta” di Twitter melalui Drone Emprit Academic (DEA), tetapi juga membandingkan dengan topik banjir di Indonesia. Baik topik percakapan “Banjir Jakarta” dan ”Banjir di Indonesia” keduanya sama-sama memiliki keyword “banjir”. Perbedaanya untuk “Banjir Jakarta” keyword utama adalah “Jakarta” dan filternya adalah “banjir”. Sedangkan “Banjir di Indonesia keyword utamanya adalah “bencana” dan filternya adalah “banjir”, Sehingga banjir diwilayah selain DKI Jakarta kemungkinan akan tidak termasuk dalam klasifikasi ini.
Kedua topik percakapan ini juga akan dibahas secara spasial dalam lingkup Pulau Jawa. Fokus hanya Pulau Jawa karena Jawa Barat, Jawa Timur dan Jawa Tengah secara berurutan merupakan Provinsi dengan penduduk terbanyak di Indonesia (BPS, 2019) selain itu wilayah tersebut juga terdampak banjir. Adapun periode data yang dianalisis dimulai dari tanggal 1-10 Januari 2020.
Volume & Trend
Volume percakapan “Banjir Jakarta” di twitter sejumlah 392.009, jumlah ini lebih dari 4x lipat jumlah percakapan “Banjir di Indonesia” yang hanya sejumlah 90.031.
Volume percakapan "Banjir Jakarta" vs "Banjir di Indonesia", (DEA, 2020)
Percakapan “Banjir Jakarta” mencapai puncaknya pada tanggal 1 Januari 2020, sedangkan “Banjir Indonesia” mencapai puncaknya pada 4 Januari 2020. Penurunan jumlah percakapan “Banjir Jakarta” seiiring dengan surutnya genangan. Berdasarkan data dari BNPB (2020) per 4 Januari 2020, pukul 18.00 WIB, banjir di wilayah Jakarta sudah surut tetapi beberapa daerah lain masih tergenang. Saat itu diketahui terdapat 60 orang meninggal dan dua orang hilang. 31 Korban meninggal akibat terseret arus banjir. Kemudian tersengat listrik 6, keracunan asap genset 4, tertimbun longsor 4, banjir dan kebakaran 2, Hiportemia 2, serangan jantung 2, tertimpa bangunan 2, ISPA dan usia lanjut 1, kelelahan 1 dan belum teridentifikasi 5. Berdasarkan wilayahnya paling terbanyak ada di Kabupaten Bogor sejumlah 16 orang meninggal. Kemudian Kota Lebak dan Kota Bekasi masing-masing 9. Jakarta Timur 8, Kota Tangerang Selatan dan Jakarta Barat masing-masing 4, Kota Depok 3, Jakarta Pusat 2. Kabupaten Bekasi, Kota Tanggerang, Jakarta Selatan, Jakarta Utara, dan Kota Bogor masing-masing 1 korban jiwa.
Pada tanggal 5 Januari 2020, banjir dibeberapa daerah di DKI Jakarta, Banten dan Jawa Barat sebagian besar sudah surut sehingga trend percakapan baik “Banjir Jakarta” dan “Banjir di Indonesia” juga menurun dan terus menurun. Pada tanggal 8-9 Januari percakapan mengenai “Banjir Jakarta” sedikit meningkat, hal ini berdasarkan kejadian banjir di Jawa Tengah yaitu di Grobogan, Demak dan Brebes (Nugroho, 2020; Suripto, 2020; Edy, 2020) dan di Pasuruan, Jawa Timur (Arifin, 2020).
 
Top hastag banjir
Hastag bisa dijadikan indikasi untuk mengetahui isu apa yang mau diangkat dari suatu percakapan. Pada percakapan “Banjir Jakarta”, hastag terbanyak adalah “banjir” dengan 30690. Selain itu ada beberapa hastag politis yang menyerang atau bersentimen negative terhadap Gubernur DKI Jakarta Anies Baswedan.
Top Hastags "Banjir Jakarta", (DEA, 2020)
Pada percakapan “Banjir di Indonesia” hastag terbanyak adalah “Banjir 2020”. Pada percapakan “Banjir di Indonesia” juga terdapat hastag bersentimen negative terhadap Anies Baswedan. Selain it ada juga hastag yang terhitung “out of topic” yaitu Uyghur.
Top hastags "Banjir di Indonesia", (DEA, 2020)
Sentimen dan Social Network Analysis (SNA)
Hasil analisis sentiment dari DE menunjukkan bahwa secara umum topik “Banjir Jakarta” dan “Banjir di Indonesia” itu sebagian besar bersentimen positif. Untuk topik “Banjir Jakarta” perbandingan antara percakapan bersentimen positif dan negatif terhitung sedikit. Hal ini mengingat percakapan di topik “Banjir Jakarta” banyak terdapat percakapan yang bersifat politik dan saling menyalahkan. Walaupun banyak tetapi bukanlah yang terbanyak.
Volume percakapan berdasarkan sentimen, (DEA, 2020)
Jika dilihat dari hasil analisis SNA, topik “Jakarta Banjir” terdapat dua klaster besar dari akun @kurawa dengan sentimen negatif dan klaster dari akun @aniesbaswedan (Gubernur DKI Jakarta) dengan sentimen positif. Kedua klaster ini terlihat tidak saling berhubungan mengingat akun @kurawa terkenal selalu kontra dengan @aniesbaswedan. Kedua klaster ini dibangun dari retweet (RT) oleh akun-akun yang se-frekuensi dengannya (Watrianthos, 2020).
SNA topik "Banjir Jakarta", (Watrianthos, 2020; DEA, 2020)
Jika SNA dilihat secara keseluruhan topik “Banjir Jakarta” dan “Banjir di Indonesia”, maka terlihat 4 klaster besar. Yaitu klaster percakapan mayoritas “Banjir Jakarta” dengan sentiment negatif, klaster percakapan mayoritas “Banjir Jakarta” dengan sentimen positif, klaster percakapan mayoritas “Banjir Jakarta” dengan sentiment negative dan positif (hampir sama banyak) dan klaster percakapan mayoritas “Banjir di Indonesia” dengan sentimen netral.
SNA topik "Banjir Jakarta" dan "Banjir di Indonesia", (DEA, 2020)
Jika hanya melihat SNA, bisa diasumsikan bahwa percakapan “Banjir Jakarta” dipenuhi oleh banyak percakapan bersifat politis. Tetapi faktanya jumlahnya banyak tetapi bukan yang terbanyak. Berdasarkan “Cuitan paling banyak di RT”, justru percakapan dengan topik “Banjir Jakarta” mayoritas dipenuhi dengan postingan bersifat mengajak berfikir sehat, humanis, humor dan edukatif (Fahmi, 2020).
 
Cuitan paling banyak di RT pada topik "Banjir Jakarta", (Fahmi, 2020)
Pola kepadatan
Pola kepadatan percakapan bisa diketahui melalui analisis spasial. Analisis spasial yang digunakan adalah Kernell Density untuk melihat pola kepadatan percakapan antara topik “Banjir Jakarta” dan “Banjir di Indonesia. Berdasarkan analisis spasial terdapat hal yang menarik. Pada periode data yang digunakan yaitu tanggal 1-10 Januari selain wilayah DKI Jakarta, wilayah lain di Pulau Jawa juga terjadi banjir seperti di Depok, Bogor, Lebak, Tanggerang, Pasuruan, Grobogan, Brebes dan Demak (Nugroho, 2020; Suripto, 2020; Edy, 2020; Arifin, 2020, BNPB, 2020). Tetapi wilayah-wilayah tersebut topik “Banjir Jakarta” memiliki intensitas yang lebih besar daripada topik “Banjir di Indonesia” yang ada indikasi mewakili banjir diwilayahnya.
Peta pola kepadatan percakapan (tweet)
Secara lokasi “Banjir Jakarta” lebih popular daripada “Banjir di Indonesia”. Asumsi penulis hal ini disebabkan oleh faktor jumlah pengguna twitter lebh banyak di DKI Jakarta beserta beberapa influencer dan selebtwit yang mungkin mengangkat percakapan “Banjir Jakarta”. Selain itu juga ada faktor politik yaitu Anies Baswedan. Pada media sosial Twitter maupun media online, percakapan dan berita tentang banjir ini tampaknya menjadikan Anies Baswedan sebagai target (Fahmi, 2020). Hal ini membuat dalam periode 31 Desember 2019 sampai 6 Januari 2020, popularitas Anies Baswedan sangat tinggi bahkan mengalahkan popularitas Presiden Jokowi. Berdasarkan Fahmi (2020), meningkatnya popularitas Anies Baswedan karena banjir ini ibarat pedang bermata dua. Ini akan berdampak positif bagi Anies, jika pendukungnya berhasil membangun sentiment positif di tengah-tengah sentiment negatif yang tinggi, tetapi akan berdampak negatif bagi Anies, jika tidak ada counter atau informasi penyeimbang sentiment negatif dari lawan-lawannya.
Popularitas tokoh politik berdasarkan media pada periode 31 Desember 2019 - 6 Januari 2020, (Fahmi, 2020)
Kesimpulan
DKI Jakarta memang sangat menarik. Ketika DKI Jakarta diterpa banjir, “muncratan airnya” sampai ke wilayah lain di Indonesia. Berdasarkan volume percakapan, hastag dan pola kepadatan percakapan, popularitas “Banjir Jakarta” mengalahkan popularitas banjir diwilayah lain. Penulis berasumsi bahwa popularitas disini bukan hanya karena faktor jumlah penduduk yang linier dengan jumlah pengguna twitter. Tetapi ada faktor-faktor seperti politik dan beberapa influencer serta selebtwit.
Penggunaan keyword juga mempengaruhi data yang diambil. Keyword yang digunakan sebaiknya benar-benar mewakili kondisi yang akan dibandingkan agar informasi yang didapat dari percakapan lebih representatif.
Sumber:
Arifin, M. 2020. Sejumlah Sungai Meluap, Pasuruan Dikepung Banjir. Diakses dari news.detik.com pada 13 Januari 2020.
BNPB. 2020. Update Hari Keempat Penanganan Banjir dan Longsor. Diakses dari bnpb.go.id pada 13 Januari 2020
BPS. 2019. Statistik Indonesia. Diakses dari bps.go.id pada 13 Januari 2020.
Edy, C.W. 2020. Banjir Grobogan dan Demak: Siti Tewas Setelah Terpeleset saat Akan Mengungsi. Diakses dari news.tribun.com pada 13 Januari 2020.
Fahmi, I. 2020. Analisis Banjir, Topik, dan Popularitas Tokoh (Peristiwa Banjir, Banjir Jakarta Tokoh Jokowi, Megawati, Anies Baswedan, Ganjar Pranowo, Ridwan Kamil, Khofifah IP, dan Mahfud MD). Diakses dari slideshare.net/IsmailFahmi3 pada 7 Januari 2020
Nugroho, P.D.P. 2020. Hujan Berjam-jam, Ribuan Rumah di Grobogan Terendam Banjir. Diakses dari regional.kompas.com pada 13 Januari 2020
Suripto, I. 2020. Banjir Terjang 5 Desa di Brebes. Diakses dari news.detik.com pada 13 Januari 2020.
Watrianthos, R. 2020. Jakarta banjir, Anies dikepung. Diakses dari dea.uii.ac.id pada 13 Januari 2020
Diterbitkan oleh Membandingkan popularitas banjir jakarta (https://www.facebook.com/notes/trida-ridho-fariz/banjir-di-jakarta-muncratnya-di-mana-mana/10158111793430921/) pada 13/01/2020