Cara membedakan buzzer AI dan opini publik asli tidak bisa lagi bertumpu pada isi teks. AI generatif kini menulis selancar manusia. Periksa tiga hal lain: ritme aktivitas akun, pola jaringan interaksinya, dan keseragaman struktur argumennya. Opini organik bergerak acak dan beragam, sedangkan operasi buzzer AI meninggalkan jejak koordinasi yang terlalu rapi.

Dulu, operasi astroturfing di media sosial mudah dikenali. Puluhan akun tanpa foto profil mengunggah kalimat yang sama persis (copypasta). Mereka memakai hashtag paksaan yang serupa, lalu membanjiri kolom komentar pada menit yang sama.

AI generatif (generative AI) dan large language model (LLM) mengubah peta itu. Satu operator kini sanggup memproduksi ribuan variasi narasi dengan tata bahasa luwes dan istilah slengean lokal. Ada pula yang sengaja menyelipkan typo agar tulisannya terlihat manusiawi.

Trik ini ikut menyulitkan mesin. Benchmark DetectRL di NeurIPS 2024 menguji detektor dengan teks AI yang disisipi salah ketik dan parafrase untuk meniru kondisi nyata. Dalam benchmark yang sama, detektor X-Rob-Large hanya mencapai skor F1 82,24% untuk teks buatan Claude.

Kerumunan sintetis (synthetic crowds) seperti ini menantang dunia media intelligence. Praktisi PR perlu tahu apakah lonjakan komentar yang mereka lihat berasal dari publik atau dari mesin, karena respons yang keliru bisa mahal.

Apa itu buzzer AI dan astroturfing?

Buzzer AI adalah jaringan akun yang menyebarkan pesan pesanan dengan bantuan AI generatif untuk menulis kontennya. Operasi ini termasuk astroturfing. Binus University mendefinisikannya sebagai praktik menciptakan ilusi dukungan masyarakat luas. Padahal, dukungan itu digerakkan kelompok tertentu yang menyembunyikan afiliasinya. Nama istilahnya diambil dari AstroTurf, merek rumput sintetis yang tampak seperti rumput asli.

Praktik ini sudah muncul di Indonesia. Investigasi Kompas pada 2025 menelusuri jaringan buzzer lewat digital forensik, pemetaan jejaring sosial (SNA), dan wawancara dengan mantan buzzer. Tim investigasi Kompas juga menemukan buzzer memakai SMM Panel dan phone farming, yaitu deretan ponsel fisik yang menjalankan banyak akun sekaligus. Kini keduanya digabung dengan AI generatif untuk membuat konten yang terlihat natural. Perangkat asli yang dipadukan dengan teks AI membuat akun-akun ini sulit dibedakan dari pengguna biasa.

Pengamat keamanan siber Alfons Tanujaya menyamakan pola kerja buzzer dengan botnet kepada Kompas: “Pola kerja buzzer berjejaring itu sebenarnya mirip botnet.” Botnet sendiri adalah jaringan perangkat atau akun yang dikendalikan satu pihak agar bergerak serentak.

Kenapa analisis teks dan sentimen biasa mudah terkecoh?

Analisis teks mudah terkecoh karena LLM menghasilkan kalimat yang bervariasi, sementara alat monitoring konvensional menghitung setiap variasi sebagai suara yang berbeda. Metode seperti menghitung volume kata kunci, tren hashtag, dan basic sentiment analysis akan membaca seribu komentar dari satu mesin sebagai seribu orang. Satu kampanye berbasis LLM berpotensi membalikkan grafik sentimen sebuah merek atau isu kebijakan dalam hitungan jam.

Indikator deteksi buzzer yang populer di Indonesia pun masih bertumpu pada isi. Penelitian BRIN yang dirangkum Vinotek menganalisis 306 akun Twitter, terdiri atas 130 akun buzzer dan 176 akun non-buzzer. Dari 24 fitur, peneliti menemukan 11 fitur paling berpengaruh, salah satunya kemiripan antar-tweet. Indikator ini ampuh di era copypasta. Masalahnya, LLM justru dirancang untuk menghasilkan variasi, sehingga skor kemiripan bisa tetap rendah.

Detektor teks AI juga tidak cukup. Kai-Cheng Yang dan Filippo Menczer dari Indiana University menemukan botnet “fox8” berisi 1.140 akun di X yang memakai ChatGPT untuk menulis konten. Botnet ini ketahuan karena operatornya ceroboh. Sebagian akun ikut mengunggah pesan penolakan khas ChatGPT, “as an AI language model”.

Botometer, alat deteksi bot yang sudah lama dipakai peneliti, gagal mengenali akun-akun fox8. Hasil terbaik Yang dan Menczer hanya F1 0,84, dan itu pun memakai detektor teks buatan OpenAI. Mereka menyimpulkan detektor konten LLM tercanggih saat itu gagal membedakan akun bot dari akun manusia di dunia nyata.

Bagaimana cara membedakan buzzer AI dari opini publik asli?

Analis membedakan buzzer AI dari opini publik asli lewat tiga lapis pemeriksaan: ritme aktivitas akun, struktur jaringan interaksi, dan pola argumen. Fokusnya bergeser ke cara data bergerak, yaitu kapan akun mengunggah, dengan siapa ia berinteraksi, dan seberapa seragam cara ia berargumen. Operator bisa menyuruh AI menulis seribu kalimat berbeda. Namun, akun-akun itu tetap harus berinteraksi agar pesannya terlihat, dan interaksi itulah yang meninggalkan jejak.

Pola waktu dan Digital DNA

Digital DNA mengubah riwayat aktivitas akun menjadi deretan kode, mirip untaian DNA. Stefano Cresci dan rekan-rekannya memperkenalkan konsep ini dengan memberi satu huruf untuk setiap jenis aksi, misalnya unggahan, balasan, atau retweet. Dalam contoh yang dipakai Di Paolo dkk., timeline sebuah akun terbaca seperti “ACCCTAAACCC”. Akun yang dikendalikan satu operator cenderung punya untaian yang mirip.

Edoardo Di Paolo dan tim dari Sapienza University of Rome serta lembaga riset nasional Italia (CNR) mengembangkan ide ini. Mereka mengubah untaian DNA menjadi gambar piksel, lalu mengklasifikasikannya dengan convolutional neural network. Pada dataset fox8, metode ini mencapai akurasi 92,75% dan F1 0,93. Hasil itu sekitar sembilan poin di atas detektor teks OpenAI.

Dalam praktik, ada dua sinyal waktu yang perlu diwaspadai. Pertama, interval unggahan yang terlalu teratur. Kedua, akun baru yang langsung aktif mengunggah. Keduanya juga termasuk 11 fitur utama dalam penelitian BRIN.

Analisis jaringan (SNA)

Social Network Analysis (SNA) memetakan siapa berinteraksi dengan siapa. Akun buatan AI boleh menulis kalimat yang berbeda-beda, tetapi mereka tetap perlu saling me-retweet, membalas, dan menyukai untuk menaikkan visibilitas. Pola itu membentuk kluster tertutup (echo chamber) yang terlihat jelas dalam graf jaringan.

Botnet fox8 memperlihatkan pola ini. Akun-akunnya saling mengikuti, saling membalas, dan saling me-retweet sampai membentuk kluster yang rapat. Yang dan Menczer menyimpulkan botnet itu tetap bisa dideteksi lewat pola koordinasinya, walaupun detektor teks gagal.

Jejak semantik dan pola argumen

Kosakata buzzer AI bervariasi, tetapi pola logikanya cenderung konsisten karena berasal dari prompt awal yang sama. Analis bisa mengukur keragaman struktur argumen dalam sekumpulan komentar. Opini manusia lahir dari pengalaman yang berbeda-beda, sehingga alasannya ikut beragam. Komentar hasil satu prompt cenderung mengulang kerangka argumen yang sama dengan kata-kata berbeda.

Riset akademik menemukan pola keseragaman serupa pada level emosi. Studi DSIPA (2026) berangkat dari pengamatan bahwa LLM cenderung menghasilkan teks yang konsisten secara emosional, sementara tulisan manusia lebih bervariasi.  Peneliti menguji metode ini pada lima domain, termasuk komentar komunitas, dan skor F1 deteksinya naik hingga 49,89% dibanding metode pembanding.

Daftar cek cepat untuk praktisi PR

Saat menghadapi lonjakan komentar mencurigakan, mulailah dari indikator penelitian BRIN dan studi botnet fox8. Cek umur akun lebih dulu, karena akun yang baru dibuat tetapi langsung aktif mengomentari satu isu patut ditelusuri. Lalu perhatikan jarak antarunggahan, sebab interval yang terlalu teratur jarang terjadi pada manusia. Catat juga waktu kemunculannya: ratusan komentar senada yang muncul serentak dalam waktu singkat perlu diperiksa jaringannya.

Setelah itu, petakan siapa me-retweet siapa. Kumpulan akun yang hanya saling memperkuat membentuk kluster tertutup. Bandingkan pula kerangka argumennya, karena kalimat boleh berbeda, tetapi alasan yang identik menandakan satu sumber. Terakhir, jangan jadikan AI text detector satu-satunya bukti, sebab kasus fox8 menunjukkan detektor teks bisa meleset.

Seperti apa contoh operasi buzzer AI di dunia nyata?

Operasi buzzer AI yang sudah terdokumentasi antara lain Doppelganger, Spamouflage, dan Trolling Stone. Pada Mei 2024, OpenAI mengumumkan telah membongkar lima operasi pengaruh terselubung dari Rusia, Tiongkok, Iran, dan Israel. Operasi Doppelganger asal Rusia memakai model OpenAI untuk menulis komentar dalam bahasa Inggris, Prancis, Jerman, Italia, dan Polandia, lalu mengunggahnya di X dan 9GAG. Jaringan Spamouflage asal Tiongkok memproduksi teks dalam bahasa Mandarin, Inggris, Jepang, dan Korea untuk X, Medium, dan Blogspot.

Meta mencatat pola serupa. Dalam laporan ancaman kuartal pertama 2024, Meta menemukan 510 akun Facebook dan 32 akun Instagram yang terkait operasi STOIC, lalu melarang operasi itu. OpenAI juga memberi catatan penting: per Mei 2024, kampanye-kampanye tersebut belum meningkatkan engagement atau jangkauan secara berarti. AI mempercepat produksi konten, tetapi tidak otomatis membuat kampanye berhasil.

Polanya berlanjut hingga 2026. Laporan OpenAI Februari 2026 mencatat Operation Trolling Stone, yang menyebarkan komentar seragam lewat jaringan akun untuk mensimulasikan dukungan akar rumput.  Laporan yang sama memuat Operation Date Bait, penipuan semi-otomatis yang menargetkan pria di Indonesia. Kasus kedua ini penipuan dan bukan operasi opini, tetapi menunjukkan pengguna Indonesia sudah menjadi sasaran.

Operasi terbaru bahkan membangun otoritas palsu. Pada Agustus 2026, OpenAI mengungkap operasi Rusia yang berpusat pada situs “lembaga riset” bernama International Burke Institute. Dari 36 artikel sampel di situs itu, 34 ternyata disalin dari tempat lain.

Apa risikonya bagi brand dan instansi pemerintah?

Risiko terbesarnya adalah keputusan salah yang diambil berdasarkan opini palsu. Bagi brand, ancaman ini bisa berbentuk phantom crisis atau krisis semu. Sebagai skenario ilustratif, bayangkan sebuah produk konsumen tiba-tiba dihujani ratusan komentar soal dugaan cacat produksi, seperti “Wah pantesan adikku batuk habis pakai ini” atau “Untung belum beli, tolong audit dong”. Sekilas, semuanya tampak seperti keluhan konsumen asli.

Setelah diuji dengan SNA dan Digital DNA, komentar-komentar itu bisa saja berasal dari jaringan akun terkoordinasi Tanpa analisis mendalam, manajemen berisiko menarik produk yang sebenarnya aman, atau meminta maaf atas kesalahan yang tidak pernah terjadi.

Instansi pemerintah menghadapi risiko serupa. Buzzer AI bisa mengecoh dashboard pemantauan, sehingga sebuah regulasi tampak didukung atau ditolak warga secara masif. Padahal, narasinya hasil rekayasa. Tulisan opini di situs Kementerian Keuangan mencatat banyak buzzer dikemas sebagai influencer, sehingga publik sulit memisahkan opini tulus dari yang direkayasa.

Apa batasan metode deteksi saat ini?

Metode berbasis perilaku dan jaringan lebih tangguh daripada detektor teks, tetapi tidak kebal. Di Paolo dan rekan-rekannya menggambarkan deteksi bot seperti permainan polisi dan pencuri. Detektor membaik untuk satu keluarga bot, sementara keluarga lain lolos dan operatornya terus menyempurnakan bot mereka. Mereka juga mengakui metode gambarnya baru diuji pada satu dataset, yaitu fox8.

Akses data menjadi hambatan berikutnya. Menurut makalah yang sama, X menghentikan akses data gratis pada 2023, dan Meta mengumumkan penutupan CrowdTangle, alat penting bagi peneliti Facebook dan Instagram. Tanpa data yang cukup, peneliti sulit mengumpulkan sampel bot baru untuk melatih model. Phone farming menambah kesulitan karena akun-akunnya berjalan di ponsel fisik yang tampak seperti perangkat pengguna biasa.

Kenapa analis manusia tetap dibutuhkan?

Mesin bisa menandai pola yang janggal, tetapi analis manusialah yang memahami konteks lokal, dinamika sosial, dan motif di balik sebuah narasi. OpenAI mencatat pelaku operasi biasanya menggabungkan AI dengan alat tradisional seperti situs web dan akun media sosial. Aktivitasnya juga jarang terbatas di satu platform. Ringkasan laporan OpenAI 2026 juga menekankan bahwa konten AI saja tidak menentukan keberhasilan operasi, karena popularitas akun dan distribusi lebih berpengaruh.

AI generatif memang menciptakan polusi data di ruang digital. Karena itu, perangkat monitoring tidak bisa lagi sekadar menjadi penghitung kata. Tim komunikasi membutuhkan gabungan algoritma pendeteksi perilaku dan ketajaman analis manusia (human-in-the-loop). Socindex, platform social listening Binokular, dirancang dengan prinsip ini: data jaringan akun dibaca bersama tim analis.

Di era suara manusia bisa dipalsukan semudah ini, nilai sebuah riset media terletak pada ketepatannya memisahkan sinyal murni dari kebisingan buatan. Jumlah data yang terkumpul menjadi pertanyaan kedua.

Pertanyaan yang sering diajukan

Apa beda buzzer dan bot?

Buzzer adalah akun atau jaringan akun yang menyebarkan pesan tertentu secara terkoordinasi untuk memengaruhi opini publik. Buzzer bisa dijalankan manusia, mesin, atau gabungan keduanya. Bot adalah akun yang sebagian atau seluruhnya berjalan otomatis. Buzzer AI menggabungkan keduanya: operator mengatur strategi, AI menulis kontennya, dan perangkat seperti phone farm menjalankan akun-akunnya.

Apakah AI text detector bisa mendeteksi komentar buzzer?

AI text detector bisa membantu, tetapi tidak layak menjadi bukti tunggal. Pada kasus botnet fox8, hasil terbaik detektor teks OpenAI hanya F1 0,84, dan Botometer gagal mengenali akun-akunnya. Operator juga bisa menyisipkan salah ketik atau parafrase untuk mengelabui detektor. Hasil yang lebih andal datang dari gabungan sinyal perilaku, jaringan, dan pola argumen.

Apakah semua isu yang trending pasti digerakkan buzzer?

Tidak. Banyak isu ramai karena memang menyentuh kepentingan publik. Yang perlu diperiksa adalah pola di balik keramaian itu, seperti umur akun, keteraturan interval unggahan, kluster interaksi yang tertutup, dan argumen yang seragam. Percakapan organik biasanya melibatkan akun dengan usia, latar, dan jaringan yang beragam. Sikap terbaik adalah tidak langsung percaya hanya karena sebuah topik sedang trending.

Apa ciri-ciri akun buzzer AI?

Akun buzzer AI umumnya masih muda tetapi langsung aktif pada satu isu. Interval unggahannya terlalu teratur, dan interaksinya berputar di antara kelompoknya sendiri. Kalimatnya berbeda-beda, tetapi kerangka argumennya seragam. Pada operasi yang ceroboh, akun bahkan ikut mengunggah pesan penolakan khas AI seperti “as an AI language model”, seperti yang terjadi pada botnet fox8.

Bagaimana brand sebaiknya merespons lonjakan komentar negatif?

Jangan terburu-buru menarik produk atau merilis pernyataan resmi. Petakan dulu jaringan akun yang berkomentar dengan alat social listening, lalu hitung proporsi akun yang menunjukkan tanda koordinasi. Verifikasi keluhan lewat kanal layanan pelanggan untuk melihat apakah ada laporan konsumen nyata. Setelah itu, tim PR bisa memutuskan respons berdasarkan data, bukan berdasarkan volume komentar.

Kontributor

Muhammad Reza

Aan K. Riyadi