Anatomi FYP: Mengupas Lapisan Algoritma yang Menggerakkan TikTok

Dalam hitungan sepersekian detik, algoritma TikTok dapat menentukan nasib sebuah konten: hidup atau mati. Di balik keputusan instan tersebut, terdapat mesin inferensi yang mengolah serta menganalisis miliaran data secara real-time. Namun, bagaimana sebenarnya logika dari perhitungan yang menjadi dasar pengambilan keputusan algoritma TikTok?

Berbeda dengan platform media sosial lain di mana jumlah pengikut berbanding lurus dengan probabilitas viralitas, TikTok menempatkan relevansi konten sebagai prioritas utamanya. Algoritma TikTok berperan sebagai sistem rekomendasi yang mengkurasi konten di For You Page (FYP) sesuai preferensi unik masing-masing pengguna untuk mengoptimalkan user experience (UX). Namun, untuk memetakan preferensi tersebut secara akurat, maka diperlukan titik data (data points) yang merekam serta menganalisis perilaku pengguna secara real-time. Artikel ini akan membedah bagaimana TikTok dapat mengekstraksi raw data aktivitas pengguna menjadi data yang siap untuk diolah.

Dalam mengolah data dan menyeleksi konten untuk For You Page (FYP), terdapat 3 variabel yang menjadi bahan pertimbangan. Pertama adalah User Interaction yang diukur melalui engagement rate, seperti jumlah likes, comments, dan shares. Kedua, Viewer Retention atau durasi tonton, di mana pengguna yang menuntaskan suatu video menunjukkan ketertarikan yang tinggi sehingga algoritma terus menjaga relevansi konten tersebut. Ketiga adalah Video Information seperti captions, hashtags, dan audio yang memastikan konten mencapai audiens yang tepat. Melalui teknologi Computer Vision, AI secara otomatis menganalisis elemen visual seperti objek, pemandangan, hingga pakaian dalam video untuk mengategorikan konten secara lebih akurat dan objektif. Selain itu, timing unggahan juga menjadi salah satu faktor penentu viralitas suatu konten, di mana mengunggah konten di jam sibuk (peak hours) dapat menjangkau lebih banyak audiens serta meningkatkan engagement rate konten secara signifikan. Seluruh variabel ini nantinya akan dikonversi menjadi titik data numerik yang mengisi sistem database utama TikTok.

TikTok menyimpan interaksi pengguna dan konten dalam sebuah sistem berbentuk user-item matrix, yaitu tabel besar yang memetakan pengguna dengan setiap konten yang terdapat di platform tersebut. Setiap sel matriks mengandung sebuah skor, yang merepresentasikan skor interaksi pengguna terhadap konten tertentu. Skor interaksi pengguna merupakan hasil dari bobot kumulatif atau Weighted Scoring System sebagai berikut (terurut dari variabel dengan bobot tertinggi hingga terendah):

• Completion Rate
• Watch Time
• Follows
• Reposts
• Comments
• Likes
• Not Interested atau Fast Skip (berfungsi sebagai penalti/skor negatif)

Perhitungan skor interaksi pengguna sebagai berikut, di mana nilai untuk w1 hingga w7 merepresentasikan bobot dari masing-masing interaksi yang tidak bersifat tetap, melainkan akan terus disesuaikan secara dinamis menggunakan machine learning berdasarkan pola perilaku pengguna secara real-time. Dengan demikian, algoritma dapat terus belajar memahami jenis konten yang paling relevan bagi setiap individu.

Score = (w1 ⋅ CompletionRate) + (w2 ⋅ WatchTime) + (w3 ⋅ Follow) + (w4 ⋅ Repost) + (w5 ⋅ Comment) + (w6 ⋅ Like) – (w7 ⋅ NotInterested)

Tinggi skor berbanding lurus dengan betapa pengguna menyukai konten tersebut.

Dengan jutaan konten yang diunggah setiap hari, akan ditemukan banyak sel tanpa nilai (sparse matrix). Peran dari algoritma adalah untuk memprediksi skor untuk sel-sel matriks yang kosong. Namun, dengan sekian miliaran konten yang tersebar dalam TikTok, tidak efisien untuk menghitung satu per satu. Maka dari itu, TikTok melakukan Collaborative Filtering untuk membandingkan pola antar-pengguna, di mana bila pengguna A dengan pola yang serupa dengan pengguna B menyukai suatu konten, maka konten tersebut akan ditarik sebagai kandidat konten FYP untuk pengguna B.

Setelah menemukan ribuan kandidat konten, TikTok memasuki fase Neural Networks di mana setiap konten diberi bobot melalui predictive analysis. Konten dengan bobot tertinggi akan menempati urutan teratas di FYP.

Konten akan melalui batch testing di mana konten disebarluaskan ke pengguna-pengguna dengan pola yang serupa serta beberapa pengguna lain dengan pola yang berbeda untuk menguji viralitas lintas audiens. Dalam proses ini, TikTok memastikan pengguna tidak merasa jenuh dengan menyisipkan konten di luar minat utama guna mendeteksi pergeseran preferensi serta mencegah video dari kreator yang sama untuk muncul berturut-turut. Strategi diversifikasi ini bertujuan untuk memaksimalkan retensi supaya pengguna tetap bertahan di dalam aplikasi tersebut untuk jangka waktu yang lama. Setelah itu, rata-rata skor dari konten tersebut akan dihitung dan apabila skor tersebut melampaui ambang batas tertentu, maka konten tersebut akan terus disebarluaskan ke batch yang lebih besar hingga konten tidak memenuhi ambang batas. Inilah caranya konten dapat menjadi viral secara eksponensial.

Pada akhirnya, algoritma TikTok bukan hanya sekadar mesin rekomendasi, melainkan sistem statistik raksasa yang terus belajar dari miliaran keputusan kecil pengguna pada setiap harinya. Semakin lama pengguna menghabiskan waktu di TikTok, maka akan semakin akurat pola preferensi yang TikTok bangun, hingga arus konten bukan lagi sekadar rekomendasi, melainkan cerminan diri yang mempersulit pengguna untuk melepaskan dirinya dari arus konten yang dipersonalisasi.

Referensi

Buffer. (2024, April 11). How the TikTok algorithm works in 2024: Everything you need to know. Buffer Resources. https://buffer.com/resources/tiktok-algorithm/

Legiit. (2024). How TikTok’s algorithm affects content visibility. Legiit Blog. https://legiit.com/blog/how-tiktoks-algorithm-affects-content-visibility

Moringa School. (2023, July 24). Decoding the TikTok algorithm: A data science perspective on social media engagement. Moringa School Blog. https://moringaschool.com/blog/decoding-the-tiktok-algorithm-a-data-science-perspective-on-social-media-engagement/

Slate, M. [@maria.slate]. (2025). Title/Description of the video [Video]. TikTok. https://www.tiktok.com/@maria.slate/video/7475453710462618910

Smith, C. (2021, October 19). How does TikTok’s algorithm know me so well? Towards Data Science. https://towardsdatascience.com/how-does-tiktoks-algorithm-know-me-so-well-459e8dc7e90b/