Setiap kali lo scroll FYP TikTok, ada 3 algoritma yang berlomba nentuin apakah lo bakal liat kucing lucu atau video politik. Mereka saling bertarung dalam 0.5 detik — dan lo gak pernah tau siapa yang menang.
Lo sudah baca ribuan artikel soal “bagaimana algoritma bekerja.” Tapi mereka semua menjelaskan satu algoritma. Padahal di dunia nyata, ada minimal 3 sistem yang berlomba mengisi FYP lo dalam waktu kurang dari setengah detik — dan mereka punya tujuan yang saling bertentangan.
Artikel ini membongkar mesin rekomendasi dari sudut yang jarang lo lihat: siapa yang bertarung, apa yang diperebutkan, dan kenapa lo gak pernah bisa melihat semua konten yang relevan — meskipun lo pencariannya tepat.
Lo tidak perlu jago kalkulus atau lulusan informatika untuk paham. Lo cuma perlu satu hal: kemauan untuk melihat di balik layar yang lo pakai 3 jam setiap hari.
3 Sistem yang Berlomba Mengisi FYP Lo
Sebelum bongkar algoritmanya, pahami dulu peta pertarungannya. Di belakang setiap scroll, ada tiga “juri” yang saling menilai:
- Algoritma Penemuan (Discovery) — tugasnya kasih lo sesuatu yang belum lo tahu lo butuhkan. Ini algoritma yang bikin lo tiba-tiba liat resep rendang padahal lo cuma scroll jam 11 malam. Ia punya satu tujuan: buka horizon lo.
- Algoritma Retensi (Engagement Optimizer) — tugasnya bikin lo tetap di platform. Kalau discovery bilang “ini konten bagus tapi gak menarik perhatianmu,” optimizer bilang “gak peduli bagus atau enggak — kalau lo tetap scroll, dia menang.”
- Algoritma Filter (Filter Bubble) — tugasnya jaga biar lo gak pernah liat sesuatu yang bikin lo bosan. Kalau lo pernah skip konten tentang politik 5 kali, filter akan hapus semua politik dari timeline lo — meskipun lo mungkin butuh info itu sekarang.
Masalahnya: mereka bertiga sering punya pendapat yang bertentangan. Discovery ingin kasih lo resep rendang (relevan). Optimizer ingin kasih lo drama artis (viral). Filter ingin hapus politik (lo udah skip tadi). Mereka harus saling negosiasi — dan hasil negosiasi itu jadi apa yang lo lihat di layar.
Algoritma 1: Recommendation Matrix — Siapa yang Dekat dengan Lo?
Ini algoritma paling dasar yang YouTube, TikTok, dan Instagram pake. Konsepnya sederhana: kalau lo suka konten A, dan banyak orang yang suka konten A juga suka konten B, maka lo mungkin akan suka konten B.
Secara teknis, ini menggunakan konsep yang namanya Collaborative Filtering. Bayangkan lo punya tetangga. Tetangga lo bilang “film A bagus.” Lo juga suka film A. Maka lo akan percaya rekomendasi tetangga lo untuk film berikutnya — meskipun lo gak pernah nanya secara langsung.
Di dunia nyata, “tetangga” lo adalah jutaan pengguna lain yang punya pola tontonan serupa. Algoritma ini memetakan lo ke dalam kelompok (cluster) berdasarkan apa yang lo tonton, berapa lama lo nonton, dan kapan lo nonton.
# Konsep pseudocode-nya (sangat disederhanakan)
for each video v in candidate_pool:
similarity = cosine_similarity(user_embedding, video_embedding)
predicted_watch_time = model.predict(user_embedding, video_embedding)
score = similarity * predicted_watch_time
return top_k(score)Lo tidak perlu paham cosine similarity. Yang perlu lo paham: algoritma ini bekerja berdasarkan pola lo dan orang lain, bukan berdasarkan “apa isi kontennya.” Itu kelemahannya — ia gak bisa bedain antara lo nonton video karena suka atau karena clickbait.
Algoritma 2: Real-Time Engagement Optimizer — Siapa yang Paling Bikin Lo Ketagihan?
Ini algoritma paling agresif dan paling berpengaruh terhadap FYP lo. Tugasnya cuma satu: prediksi berapa detik lo akan habiskan di konten ini — dan kalau prediksinya tinggi, konten itu naik.
Bayangkan dua video: Video A adalah video pendidikan berdurasi 10 menit yang informatif tapi lo mulai bosan di menit ke-5. Video B adalah drama 30 detik yang bikin lo penasaran sampai habis. Siapa yang menurut lo akan muncul di FYP lo?
Video B. Karena optimizer membaca satu metrik yang sangat spesifik: watch-through rate. Persentase dari total durasi video yang berhasil lo tonton sampai habis. Semakin tinggi angka ini, semakin tinggi skor di mata optimizer.
Ini menjelaskan kenapa konten pendidikan panjang jarang muncul di FYP: bukan karena kontennya jelek, tapi karena algoritma tidak bisa membaca “menit ke-8 lo masih belajar sesuatu yang berguna” — ia hanya melihat “dia sudah keluar sebelum video habis.”
Optimzer juga mempertimbangkan waktu konteks: waktu lo buka aplikasi, durasi scroll session, dan apa yang baru saja lo tonton sebelumnya. Kalau lo baru buka TikTok jam 11 malam dan biasanya scroll sampai tidur, optimizer akan kasih lo konten yang ringan, menghibur, dan mudah ditonton sampai habis.
Algoritma 3: Content-Based Filter — Apa Isi Konten Ini, Sebenarnya?
Algoritma ketiga ini yang paling jarang muncul di media mainstream. Tugasnya: membaca isi konten — bukan cuma metadata seperti judul atau hashtag — untuk menentukan apakah konten itu cocok untuk lo.
Bayangkan lo menonton video tentang “cara bikin resep soto ayam.” Content-based filter tidak hanya melihat bahwa video itu punya tag #soto. Ia menganalisis gambar: adanya mangkuk, sendok, bumbu kuning, ayam. Ia menganalisis audio: suara langkah-langkah, nama bahan yang disebut. Bahkan ia bisa menganalisis teks di layar jika ada subtitle.
Keunggulan content-based filter: ia bisa kasih rekomendasi yang tepat meskipun lo belum pernah nonton konten serupa. Kalau lo tiba-tiba nonton video soal investasi emas, filter akan kasih lo konten emas lainnya — meskipun pola tontonan lo sebelumnya jauh dari investasi.
Kekurangannya: ia sering terlalu spesifik. Lo nonton satu video soal Python, dan tiba-tiba 80% FYP lo jadi tutorial Python — karena filter mengira lo mau belajar Python secara marathon.
Momen Pertarungan: Saat 3 Algoritma Konflik
Inilah yang jarang lo lihat di mana pun: algoritma tidak selalu sepakat. Kadang mereka punya pendapat yang sangat berbeda.
Kasus nyata: lo baru saja menonton video berita soal bencana alam. Ini beritanya bagus dan informatif, sehingga watch-through rate lo tinggi (optimizer senang). Tapi karena ini berita bencana, content-based filter mengklasifikasikannya sebagai “berita serius” — dan mulai kasih lo lebih banyak berita serius, termasuk berita politik yang sebenarnya lo gak suka (filter salah baca).
Sementara itu, discovery tetap kasih lo konten “populer di kalangan orang seusiamu” — yang kadang bertentangan dengan apa yang lo mau. Akhirnya lo dapat campuran: sebagian berita serius, sebagian viral, dan sesekali konten yang benar-benar baru. Lo tidak pernah melihat proses negosiasi ini — yang lo lihat hanya hasilnya.
Platform yang berbeda punya cara negosiasi yang berbeda. YouTube condong ke optimizer (mempertahankan lo tetap di platform). TikTok condong ke discovery (kasih lo konten baru yang menarik). Instagram condong ke filter (kasih lo konten dari akun yang sudah lo follow).
Kenapa Lo Gak Bisa “Mengalahkan” Algoritma
Banyak artikel bilang “hack algoritma ini.” Tapi itu seperti bilang “hack cuaca.” Lo bisa mengantisipasi, tapi lo gak bisa mengontrol — karena ada 3 sistem yang saling menyesuaikan satu sama lain, dan mereka bereaksi terhadap tindakan lo dalam waktu nyata.
Yang bisa lo lakukan: memahami pola lo sendiri. Kalau lo merasa FYP lo isinya konten yang lo gak suka, itu bukan algoritma yang rusak. Itu karena lo pernah nonton konten itu sampai habis — dan optimizer mencatatnya sebagai “lo suka.”
Solusi praktisnya: kalau lo gak mau liat sesuatu, jangan skip — tutup matanya selama 3 detik. Karena kalau lo skip dalam 0.2 detik, optimizer mengira lo belum sempat menilai konten itu. Tapi kalau lo tutup mata atau scrol lebih lambat, optimizer akan mencatat: “pengguna ini gak suka.”
Satu lagi: setiap platform punya opsi “Not Interested.” Gunakan. Setiap kali lo klik itu, lo mengajarkan filter bahwa lo tidak mau liat konten sejenis — dan itu jauh lebih efektif daripada sekadar skip.
Kesimpulan
FYP lo bukan hasil dari satu algoritma. Ia adalah hasil dari pertarungan tiga sistem — discovery yang ingin kasih lo wawasan, optimizer yang ingin bikin lo ketagihan, dan filter yang ingin menjaga lo tetap nyaman. Masing-masing punya tujuan yang sah, tapi kadang tujuan mereka saling bertentangan.
Dengan memahami siapa yang bertarung, lo bisa memahami kenapa FYP lo kadang aneh, kadang tepat, dan kadang bikin lo terjaga sampai jam 2 pagi menonton konten yang sebenarnya lo gak butuh.
Lo tidak bisa mengalahkan algoritma — tapi lo bisa belajar membaca permainannya. Dan begitu lo paham peta pertarungannya, lo akan mulai melihat FYP lo bukan sebagai “random” tapi sebagai hasil dari pertarungan yang sistematis.
Artikel ini bagian dari seri “Yang Tersembunyi di Balik Layar” — bongkar mekanisme teknologi yang lo pakai tiap hari tanpa pernah tau cara kerjanya.