Focus Group Discussion · Humas Itera
Branding IteraIdentitas · Narasi · Reputasi
Materi panelis: Bagaimana Mesin Mengenal Itera? Branding di era AI, dilengkapi prototipe Itera Reputation Radar.
Tekan → atau tombol clicker untuk mulai presentasi.
Prototipe riset untuk FGD Branding Itera, bukan data resmi institusi.
Volume pemberitaan per minggu seret untuk memilih periode
Warna = sentimen terhadap Itera (dinilai AI yang diberi konteks). Label = isu terbesar di minggu puncak.
Siapa yang bercerita?
Klik irisan untuk menyaring
Topik narasi
Klik untuk menyaring seluruh tampilan
Media eksternal teratas
Batang = sentimen · klik untuk menyaring
Sorotan AI
Dihitung otomatis dari filter aktif
Kenapa AI-nya harus diberi konteks? media eksternal
Tugas yang sama, tiga AI: “apakah berita ini baik atau buruk bagi Itera?”
Penjelajah berita
| Tanggal | Sumber | Judul & alasan AI | Sentimen |
|---|
Panelis AI & Teknologi
Bagaimana Mesin
Mengenal Itera?
Identitas · Narasi · Reputasi di Era AI
Mengenal Itera?
Martin Manullang
Program Studi Teknik Informatika · Institut Teknologi Sumatera
Demo langsung
Bertanya kepada AI tentang Itera
1“Apa keunggulan Institut Teknologi Sumatera?”
2“Siapa pakar gunung api di Lampung?”
3“Apa itu Sumatra Institute of Technology?”
Hari ini, kesan pertama tentang Itera sering dibentuk oleh jawaban AI, bukan oleh situs web resmi institusi.
ChatGPT · Gemini · Google AI Overview
01
Identitas
Satu institusi, beragam penulisan nama
Identitas formal
Mesin membaca nama sebagaimana tertulis
Penulisan afiliasi Itera di publikasi ilmiah (jumlah karya, OpenAlex)
Total karya tercatat milik Itera di OpenAlex: 6.186. Google Scholar menampilkan lebih banyak karena juga mengindeks repositori, skripsi/tesis, dan jurnal tanpa DOI.
Hasil pencarian
Pencarian “Sumatra Institute of Technology” di OpenAlex:
0 hasil
Itera hanya dikenali sebagai “Sumatera”. Ejaan Sumatra justru merujuk ke perguruan tinggi lain.
Apa itu OpenAlex? Katalog terbuka publikasi ilmiah dunia (±329 juta karya). Sistemnya mencocokkan tulisan afiliasi di setiap artikel ke daftar institusi resmi (ID ROR), mirip cara kerja Scopus dan AI. Sumber: api.openalex.org, diakses 2 Nov 2026. Panjang batang berskala akar.
Dampak nyata
20
publikasi dosen Itera tidak tercatat sebagai milik Itera.
18 di antaranya justru tercatat sebagai milik Institut Teknologi Medan, karena afiliasinya ditulis “Sumatra Institute of Technology”.
Konsistensi nama bukan persoalan estetika, melainkan persoalan data: sitasi, peringkat, dan jawaban AI dihitung berdasarkan nama yang tercatat.
Sumber: OpenAlex, 99 karya bertuliskan “Sumatra Institute of Technology” (dari total 6.186 karya Itera), diakses 2 Nov 2026. Contoh: openalex.org/W4411897017.
Jejak digital
Sumber rujukan AI belum konsisten
Wikipedia (EN)Judul memakai “Sumatra”, isi memakai “Sumatera”. Masih menyebut rektor periode lalu, “3 fakultas”, dan peringkat 2021.
WikidataLabel Inggris “Sumatra Institute of Technology”. Jumlah mahasiswa 14.100, sedangkan Wikipedia (ID) mencatat ±24.000.
ROR & OpenAlex“Sumatera Institute of Technology”, tanpa alias. Tidak ada tautan ke Wikidata di OpenAlex.
itera.ac.idAkses oleh program otomatis ditolak (HTTP 403, tantangan bot). Asisten AI berpotensi tidak dapat membaca situs resmi.*memerlukan verifikasi manual
Sumber: en/id.wikipedia.org, wikidata.org Q12486663, ror.org/02jktx121, api.openalex.org; diakses 2 Nov 2026.
Usulan · Babak I
Satu nama baku, semua varian terdaftar
1
Pedoman nama & afiliasiSatu nama Indonesia, satu nama Inggris, dan format afiliasi publikasi baku untuk semua dosen.
2
Pendaftaran aliasVarian (Sumatra/Sumatera, ITERA) didaftarkan ke ROR, OpenAlex, dan Wikidata. Koreksi diajukan untuk karya dengan atribusi yang keliru.
3
Pengelolaan kanal rujukan mesinWikipedia (EN/ID) dan Wikidata diperbarui berkala oleh Humas sebagai kanal resmi.
4
Situs yang ramah mesinPenerapan schema.org (label standar yang dibaca Google & AI, dijelaskan di slide 10), halaman berbahasa Inggris, dan akses yang wajar bagi perayap web (crawler).
02
Narasi
Pakar tersedia, tetapi sulit ditemukan
Bukti di media
Saat bencana, pakar Itera menjadi rujukan
Apr 2026Klarifikasi isu “meteor/rudal”: objek tersebut merupakan sampah antariksaObservatorium Astronomi Itera · Kompas.id, Antara
Jul–Sep 2026Erupsi Gunung Anak Krakatau: abu vulkanik, status, daratan baruT. Geologi, Fisika, T. Lingkungan · Detik, IDN Times, RRI, Tribun
Nov 2026Jalur evakuasi tsunami & risiko Pelabuhan PanjangPusat Mitigasi Gempa & Tsunami · RRI, Limapagi
Namun
- Belum ditemukan direktori pakar untuk media*
- Kepakaran energi hampir tidak tampak di media eksternal
- Hanya dari berita media eksternal mengangkat kepakaran
Sejalan dengan survei Humas: jurnalis paling meminati kepakaran, kebencanaan, dan hilirisasi. *memerlukan verifikasi manual
Usulan · Babak II
Pusat Pakar Itera: terbaca manusia & mesin
Yang dilihat manusia (jurnalis, mitra):
- Satu halaman per isu: bencana, energi, hilirisasi, pangan
- Profil terhubung otomatis ke basis data riset
Yang dibaca mesin (Google, ChatGPT, Gemini):
<script type="application/ld+json">
{ "@type": "Person",
"name": "(nama dosen)",
"affiliation": "Institut Teknologi Sumatera",
"knowsAbout": ["vulkanologi", "abu vulkanik"] }
</script>
Apa itu schema.org?
Kosakata standar yang disepakati Google, Microsoft, Yahoo, dan Yandex untuk memberi label isi halaman web. Pengunjung tidak melihatnya, tetapi mesin dapat memahami: “ini orang, pakar vulkanologi, dari Itera”. Inilah yang memungkinkan AI menjawab “siapa pakar gunung api di Lampung?” dengan nama dosen Itera.
Kosakata standar yang disepakati Google, Microsoft, Yahoo, dan Yandex untuk memberi label isi halaman web. Pengunjung tidak melihatnya, tetapi mesin dapat memahami: “ini orang, pakar vulkanologi, dari Itera”. Inilah yang memungkinkan AI menjawab “siapa pakar gunung api di Lampung?” dengan nama dosen Itera.
03
Reputasi
Deteksi dini isu reputasi
Prototipe
Itera Reputation Radar
berita tentang Itera, 12 bulan terakhir (Google News)
%
berasal dari kanal Itera sendiri: narasi Itera belum banyak diangkat pihak lain
%
berita media eksternal bernada positif terhadap Itera
Alur: berita dikumpulkan otomatis → AI memberi label topik, nada, dan risiko → dasbor. Prototipe dikembangkan dalam satu hari.
Demo langsung
Peta percakapan tentang Itera
Jejaring topik. Lingkaran = isu yang diekstrak AI dari judul berita; garis = muncul di berita yang sama; warna = topik.
Awan kata, media eksternal. Semakin besar ukuran kata, semakin sering diberitakan.
- Media eksternal paling sering memberitakan pergantian rektor dan kebencanaan
- Kanal Itera paling sering memberitakan penerimaan mahasiswa dan hilirisasi
- Isu energi tersebar dalam 8 istilah berbeda, belum menjadi satu narasi
Pelajaran AI
Mengapa AI perlu diberi konteks?
Tugas: menilai apakah berita baik atau buruk bagi reputasi Itera. Tiga model AI diuji pada judul yang sama:
| Judul berita | AI siap pakaimodel sentimen kecil, dilatih dari ulasan | LLM tanpa konteksmodel besar, hanya diminta “tentukan sentimen” | LLM + konteks Iteramodel yang sama, diberi instruksi: nilai dampak bagi Itera |
|---|---|---|---|
| “” | |||
| “” |
AI siap pakai% netraltidak membantu pemantauan
LLM tanpa konteks× salah negatifberita pakar Itera tentang bencana dinilai dari peristiwanya
LLM + konteks% positifdari berita media eksternal
Pelajaran: diperlukan dua hal sekaligus, yaitu model yang cukup mampu dan konteks institusi. Hasilnya tetap diverifikasi oleh manusia.
Pelajaran AI · lanjutan
Apakah masalahnya terletak pada model?
Pengujian pada berita media eksternal: sebaran label tiap AI
Sebagian benar: model kecil gagal (hampir seluruhnya dinilai netral).
Namun, bukan hanya itu: AI ② dan ③ adalah model yang sama. Perbedaannya hanya pada instruksi konteks, yang mengubah label.
Namun, bukan hanya itu: AI ② dan ③ adalah model yang sama. Perbedaannya hanya pada instruksi konteks, yang mengubah label.
Langkah agar AI memahami konteks
1Tetapkan sasaran“Nilai dampaknya bagi Itera, bukan nada peristiwanya.”
2Berikan contoh & rubrik“Pakar Itera menjelaskan erupsi = positif.” Definisi tiap kategori risiko.
3Wajibkan alasanSetiap label disertai alasan singkat agar dapat diaudit.
4Validasi dengan label manusiaHumas melabeli 100–200 berita sebagai kunci jawaban untuk mengukur akurasi dan memperbaiki instruksi.
Usulan · Krisis reputasi
Dari radar risiko ke SOP eskalasi
AI menandai dari berita. Hasil verifikasi manusia: isu nyata, perlu dipantau, bukan risiko.
Cara membaca: satu gelembung = satu kategori; mendatar = berapa banyak berita; tegak = dampak bagi reputasi (dinilai AI). Risiko ≠ sentimen negatif: hanya berita bernada negatif. Judul & nama kasus sengaja tidak ditampilkan.
1Deteksi otomatisAI memantau berita & media sosial resmi setiap hari
2Verifikasi HumasPemeriksaan fakta, tingkat dampak, dan pihak terkait
3Eskalasi ke unitPPKPT · K3L · Akademik · Pimpinan, sesuai kategori
4Respons berempatiTransparan, akurat, satu suara, tepat waktu
Berita ≠ percakapan publik. Krisis biasanya muncul lebih dulu di X, TikTok, dan Instagram, yang memerlukan akses API resmi.
Untuk semua unit
Enam langkah praktis bagi unit
Simpulan dari tiga bagian sebelumnya, dalam bentuk langkah yang dapat dilaksanakan oleh fakultas, prodi, lembaga, biro, dan UPA.
01 Identitas
1Gunakan satu nama baku“Institut Teknologi Sumatera (Itera)” pada publikasi, situs, dan akun unit. Mesin membaca nama sebagaimana tertulis.
2Periksa jawaban AI tentang unitBila keliru atau usang, perbarui profil unit dan dosen di situs, SINTA, dan Google Scholar.
02 Narasi
3Tampilkan kepakaran unitSampaikan daftar kepakaran dosen kepada Humas agar siap dihubungi saat isu muncul.
4Gunakan bahasa populerAI membantu menyusun draf berita dari riset dan kegiatan; pakar terkait memeriksanya.
03 Reputasi
5Pantau sejak diniAI membantu merangkum komentar dan berita tentang unit. Isu sensitif segera diteruskan kepada Humas.
6Berikan konteks kepada AIJelaskan tujuan dan berikan contoh. AI membantu, manusia yang memutuskan.
Rambu
✗ Data pribadi tidak dimasukkan ke AI publik
✓ Fakta diperiksa sebelum dipublikasikan
Akses demomctosima.github.io/branding-itera
Untuk risalah
Tiga rekomendasi
1
Satu nama, semua alias terdaftarPedoman nama & afiliasi · ROR/OpenAlex/Wikidata · Wikipedia sebagai kanal resmi
2
Pusat Pakar IteraDirektori kepakaran per isu yang terbaca jurnalis, Google, dan AI
3
Radar reputasi berbasis AI + SOP eskalasiPemantauan harian, kategori risiko, alur respons lintas unit, dan etika AI
“Branding bukan hanya apa yang kita katakan tentang Itera, tetapi juga apa yang dijawab mesin ketika orang bertanya tentang Itera.”
min. muncul 2×
seret simpul · scroll untuk zoom · klik untuk detail
Warna
ukuran = frekuensi · klik kata untuk detail
Matriks risiko reputasi
Seluruh periode · ke kanan = makin banyak berita · ke atas = makin besar dampak (dinilai AI per berita, diambil yang tertinggi). Pojok kanan atas = zona prioritas. Klik gelembung.
Apakah semua berita risiko tertangkap?
- Belum tentu. Kata kunci umum saja melewatkan berita dugaan penyimpangan pengadaan dari media kecil, karena Google hanya memberi ±100 hasil teratas. Karena itu ditambah 12 kata kunci pantauan risiko.
- Akibatnya porsi berita risiko di sini lebih besar daripada porsi sebenarnya: anggap sebagai daftar pantauan, bukan persentase.
- Pencarian hanya menangkap berita yang judulnya menyebut Itera; berita yang hanya menyebut Itera di isi tidak ikut.
- Satu gelembung = satu kategori risiko, bukan satu berita. Angka di dalamnya = jumlah berita.
- Sumbernya hanya judul berita di Google News, dan Google membatasi ±100 hasil per kata kunci. Ini sampel, bukan sensus.
- Kanal Itera (72% data) wajar tidak memuat berita negatif tentang Itera sendiri; risiko hanya muncul dari media eksternal.
- Media sosial (X, TikTok, Instagram, forum), tempat krisis biasanya bermula, belum dipantau. Versi operasional perlu menambahkannya lewat API resmi.
Hanya kategori dan jumlah. Judul, nama, dan tautan kasus sensitif sengaja tidak disimpan di halaman ini.
Bagaimana sebuah berita masuk radar risiko?
Mekanisme prototipe, dari pencarian sampai verifikasi
1CariGoogle News RSS, 12 bulan: 7 kata kunci umum (mis. “Rektor Itera”) + 12 kata kunci pantauan risiko (mis. “Itera korupsi”, “Itera pengadaan”); ±100 hasil per kata kunci
2SaringJudul harus menyebut Itera; judul kembar dibuang
3AI pilih topikSatu dari 15 topik. Topik risiko hanya bila berita berpotensi merugikan reputasi
4AI nilai dampakRendah, sedang, atau tinggi, disertai alasan singkat
5Manusia verifikasiHumas memastikan: insiden nyata, perlu dipantau, atau bukan risiko
Risiko ≠ sentimen negatif. Sentimen = nada berita terhadap Itera; hanya dari berita yang negatif. Risiko = potensi merugikan reputasi, walau nadanya netral, misalnya rencana proyek bernilai besar yang bisa disorot publik.
Rubrik dampak (usulan). Tinggi: kekerasan, keselamatan jiwa, atau dugaan pelanggaran hukum yang melibatkan sivitas. Sedang: insiden yang dikaitkan dengan nama Itera, dampak lokal. Rendah: kebijakan, rencana, atau gangguan yang perlu dipantau.
Alur respons yang diusulkan SOP eskalasi
Radar hanya berguna bila ada alur tindak lanjut yang jelas.
1
Deteksi otomatisAI memantau berita & kanal resmi setiap hari2
Verifikasi HumasCek fakta, tingkat dampak, pihak terkait3
Eskalasi ke unitPPKPT · K3L · Akademik · Pimpinan4
Respons berempatiTransparan, akurat, satu suara, tepat waktu