Apa Itu TikTokification? Algoritma yang Mengubah Medsos

Dulu, beranda media sosial kita lebih banyak diisi oleh orang yang kita kenal atau akun yang sengaja kita ikuti. Sekarang, sebuah video dari orang yang sama sekali tidak kita kenal bisa muncul berulang kali hanya karena sistem menilai kita tertarik pada isinya. Perubahan sederhana ini menunjukkan bahwa cara media sosial menentukan apa yang kita lihat sedang bergeser dari hubungan sosial menuju perilaku pengguna.

Perubahan tersebut dikenal dengan istilah TikTokification atau TikTokisasi. Istilah ini tidak sekadar merujuk pada popularitas video pendek, tetapi pada meluasnya logika rekomendasi berbasis perilaku yang membuat algoritma semakin menentukan konten apa yang muncul di hadapan setiap pengguna. Universitas Gadjah Mada menyebut periode 2025–2026 sebagai fase ketika media sosial bergerak menuju sistem yang semakin algorithm-driven, dengan perilaku pengguna menjadi dasar penting dalam rekomendasi konten.

Dalam sistem seperti ini, apa yang kita tonton, sukai, komentari, lewati, atau bahkan hentikan untuk dibaca dapat menjadi sinyal bagi algoritma. Akibatnya, setiap orang bisa memperoleh pengalaman media sosial yang berbeda meskipun menggunakan platform yang sama. Personalisasi memang membuat pengguna lebih mudah menemukan konten yang dianggap relevan, tetapi pada saat yang sama dapat mengurangi kendali pengguna terhadap informasi yang mereka temui.

Karena itu, TikTokification sebenarnya bukan hanya cerita tentang TikTok. Fenomena ini menggambarkan perubahan yang lebih luas dalam arsitektur media sosial, ketika algoritma rekomendasi semakin berperan dalam menentukan arus informasi dan perhatian manusia.

Apa Itu TikTokification?

TikTokification adalah istilah yang digunakan untuk menggambarkan pergeseran media sosial menuju sistem yang semakin mengandalkan rekomendasi algoritmik berdasarkan perilaku pengguna. Dalam pola ini, konten yang ditampilkan tidak hanya bergantung pada akun yang diikuti, tetapi juga pada berbagai sinyal yang menunjukkan minat seseorang. Konsep tersebut menjadi semakin terlihat ketika platform di luar TikTok ikut mengembangkan pengalaman konsumsi konten yang menekankan rekomendasi personal dan video singkat.

Menurut kajian yang dipublikasikan Universitas Gadjah Mada pada Februari 2026, media sosial sedang bergerak menuju fase yang lebih algoritmik. Jika sebelumnya relasi pertemanan menjadi salah satu penentu utama arus informasi, perilaku pengguna kini semakin menjadi dasar rekomendasi konten. Pergeseran inilah yang disebut sebagai TikTokification dan dinilai meningkatkan personalisasi sekaligus berpotensi mengurangi kontrol individu terhadap paparan informasi.

Dari Social Graph ke Perilaku Pengguna

Untuk memahami TikTokification, kita perlu melihat bagaimana media sosial generasi awal bekerja. Secara sederhana, social graph menggambarkan hubungan antara pengguna dengan orang, teman, atau akun yang mereka ikuti, sehingga jaringan tersebut menjadi salah satu dasar untuk menentukan konten yang muncul di beranda. Jika seseorang mengikuti 100 akun, misalnya, maka sebagian besar informasi yang mereka temui berasal dari jaringan tersebut.

Model rekomendasi modern bekerja dengan cara yang lebih fleksibel. Algoritma dapat melihat bahwa seseorang sering menonton video tentang memasak, teknologi, sepak bola, atau komedi meskipun mereka tidak mengikuti kreator yang membuat konten tersebut. Sistem kemudian menggunakan pola tersebut untuk mencari dan merekomendasikan konten lain yang diperkirakan memiliki kemungkinan serupa untuk ditonton.

Perubahan ini membuat batas antara “siapa yang kita ikuti” dan “apa yang kita lihat” menjadi semakin tipis. Seseorang tidak perlu mengikuti sebuah akun untuk terus menerima kontennya, selama perilaku mereka memberikan sinyal bahwa konten tersebut relevan. Dengan demikian, algoritma secara bertahap membentuk pengalaman media sosial berdasarkan kebiasaan individu.

Mengapa Disebut TikTokification?

Nama TikTokification muncul karena TikTok menjadi salah satu contoh paling menonjol dari sistem yang menempatkan rekomendasi personal sebagai bagian utama pengalaman pengguna. TikTok memperkenalkan pengalaman For You yang tidak hanya mengandalkan daftar akun yang diikuti, tetapi juga mempelajari respons pengguna terhadap berbagai konten. Model tersebut kemudian menjadi salah satu referensi dalam perkembangan produk dan strategi rekomendasi platform digital lainnya.

Namun, istilah TikTokification tidak berarti setiap platform berubah menjadi salinan TikTok. Yang menyebar adalah logikanya: konten tidak harus berasal dari jaringan sosial pengguna untuk mendapatkan perhatian, sementara sistem rekomendasi semakin aktif memilihkan apa yang dianggap menarik. Karena itu, TikTokification lebih tepat dipahami sebagai perubahan paradigma distribusi konten daripada sekadar perubahan format video.

Fenomena tersebut juga menjelaskan mengapa kreator yang belum memiliki banyak pengikut tetap dapat memperoleh jangkauan besar. Jika sebuah konten menghasilkan sinyal perilaku yang dianggap kuat, sistem rekomendasi dapat mengujinya kepada pengguna lain yang diperkirakan memiliki minat serupa. Dengan mekanisme seperti ini, jumlah pengikut bukan lagi satu-satunya penentu seberapa jauh sebuah konten dapat menyebar.

TikTokification Bukan Sekadar Video Pendek

Video pendek memang menjadi salah satu ciri paling mudah terlihat dari TikTokification, tetapi fenomenanya jauh lebih luas. Intinya terletak pada bagaimana platform mengoptimalkan rekomendasi berdasarkan perilaku dan perhatian pengguna, bukan semata-mata pada durasi sebuah video. Karena itu, sebuah platform dapat mengalami TikTokification meskipun tetap menyediakan artikel, foto, video panjang, atau berbagai format konten lainnya.

Perubahan ini penting karena algoritma rekomendasi pada akhirnya ikut menentukan apa yang dianggap layak mendapatkan perhatian. Konten yang mampu mempertahankan pengguna lebih lama atau menghasilkan respons tertentu dapat memperoleh lebih banyak kesempatan untuk direkomendasikan. Akibatnya, logika algoritmik tidak hanya mengubah cara pengguna mengonsumsi informasi, tetapi juga dapat memengaruhi cara kreator memproduksi konten.

Di sinilah TikTokification menjadi fenomena sosial yang lebih besar daripada sebuah tren aplikasi. Ketika semakin banyak platform menggunakan prinsip rekomendasi berbasis perilaku, pengguna tidak hanya memilih sendiri apa yang ingin mereka lihat. Sebagian pilihan tersebut juga dibuatkan, disaring, dan diurutkan oleh sistem berdasarkan jejak perilaku mereka sebelumnya.

Bagaimana Algoritma Membentuk Feed?

Algoritma rekomendasi bekerja dengan mengumpulkan berbagai sinyal dari aktivitas pengguna, lalu menggunakannya untuk memperkirakan konten yang kemungkinan besar menarik perhatian. Sistem tidak perlu mengetahui secara langsung apa yang sedang kita pikirkan karena perilaku kecil saat menggunakan aplikasi sudah dapat memberikan petunjuk. Semakin sering aplikasi digunakan, semakin banyak pula data perilaku yang tersedia untuk membentuk rekomendasi.

Inilah yang membuat dua orang yang menggunakan platform yang sama dapat melihat beranda yang sangat berbeda. Satu pengguna mungkin terus mendapatkan video tentang olahraga, sementara pengguna lain lebih banyak melihat konten memasak, teknologi, komedi, atau berita. Perbedaan tersebut bukan terjadi secara acak, melainkan merupakan hasil dari proses personalisasi yang terus diperbarui berdasarkan interaksi pengguna.

Sinyal dari Apa yang Kita Tonton

Salah satu sinyal paling penting adalah apa yang benar-benar kita tonton. Ketika seseorang menonton sebuah video sampai selesai, mengulang bagian tertentu, atau berhenti lebih lama pada sebuah konten sebelum menggulir ke video berikutnya, sistem dapat menganggap perilaku tersebut sebagai indikasi ketertarikan. Sinyal ini kemudian dapat digunakan untuk mencari konten lain dengan karakteristik yang dianggap serupa.

Menariknya, pengguna tidak harus memberikan tanda suka atau komentar agar algoritma memperoleh informasi. Durasi menonton dan keputusan untuk terus bertahan pada sebuah konten juga dapat memberikan sinyal mengenai tingkat ketertarikan. Karena itu, aktivitas yang terasa pasif seperti menonton tanpa melakukan apa pun tetap dapat memengaruhi rekomendasi berikutnya.

Hal tersebut membuat perilaku pengguna menjadi bagian penting dari mekanisme distribusi informasi. Kita mungkin merasa hanya sedang menikmati sebuah video, tetapi dari sudut pandang sistem, aktivitas tersebut juga menjadi data yang membantu menentukan konten apa yang akan ditampilkan kepada kita berikutnya. Dalam jangka panjang, kumpulan keputusan kecil tersebut dapat membentuk feed yang semakin spesifik.

Like, Komentar, dan Durasi Menonton

Selain durasi menonton, algoritma juga dapat mempertimbangkan interaksi seperti like, komentar, membagikan konten, mengikuti akun, atau melewati sebuah video. Setiap tindakan memberikan sinyal yang berbeda mengenai hubungan pengguna dengan konten. Sistem kemudian menggabungkan berbagai sinyal tersebut untuk memperkirakan konten seperti apa yang kemungkinan besar akan kembali mendapatkan perhatian.

Namun, tidak semua sinyal harus ditafsirkan dengan cara yang sama. Memberikan komentar menunjukkan bentuk keterlibatan yang berbeda dari sekadar menonton beberapa detik, sementara membagikan konten dapat menjadi indikator yang lebih kuat mengenai nilai yang dirasakan pengguna terhadap konten tersebut. Algoritma menggunakan kombinasi sinyal tersebut untuk membuat prediksi, bukan sekadar mengikuti satu aturan sederhana.

Karena sistem bekerja berdasarkan prediksi, rekomendasi juga dapat berubah ketika perilaku pengguna berubah. Seseorang yang selama beberapa hari menonton banyak konten tentang perjalanan dapat melihat semakin banyak rekomendasi wisata, tetapi ketika mulai sering menonton konten teknologi, feed-nya perlahan dapat bergeser. Personalisasi dengan demikian merupakan proses dinamis, bukan profil yang ditetapkan sekali dan tidak pernah berubah.

Mengapa Konten dari Akun Kecil Bisa Viral?

Salah satu perubahan paling penting dari sistem rekomendasi berbasis perilaku adalah berkurangnya ketergantungan distribusi konten pada jumlah pengikut. Kreator dengan akun kecil tetap dapat memperoleh jangkauan besar apabila sistem memperkirakan kontennya relevan bagi kelompok pengguna tertentu. Konten tersebut dapat diuji kepada sejumlah pengguna, kemudian diperluas distribusinya jika menghasilkan respons yang dianggap kuat.

Mekanisme ini menciptakan peluang yang lebih besar bagi kreator baru untuk ditemukan tanpa harus terlebih dahulu membangun jaringan pengikut dalam jumlah besar. Dalam model berbasis social graph, akun yang memiliki sedikit pengikut cenderung memiliki jangkauan awal yang terbatas. Dalam sistem rekomendasi, kualitas atau karakteristik konten dapat menjadi faktor yang lebih penting dalam menentukan apakah konten tersebut layak diperluas kepada pengguna lain.

Di satu sisi, kondisi tersebut dapat dianggap sebagai bentuk demokratisasi distribusi konten. Kreator baru memiliki kesempatan untuk menjangkau audiens yang sebelumnya sulit mereka temukan. Di sisi lain, mekanisme yang sama membuat kreator semakin terdorong memahami apa yang disukai algoritma, sehingga cara membuat konten dapat ikut berubah mengikuti logika sistem rekomendasi.

Collaborative Filtering dan Content-Based Filtering

Secara teknis, sistem rekomendasi dapat menggunakan beberapa pendekatan untuk memperkirakan konten yang relevan bagi pengguna. Salah satunya adalah collaborative filtering, yaitu pendekatan yang memanfaatkan pola perilaku pengguna lain yang memiliki karakteristik atau preferensi serupa. Jika pola interaksi beberapa pengguna menunjukkan kemiripan, sistem dapat menggunakan perilaku kelompok tersebut sebagai salah satu petunjuk untuk membuat rekomendasi.

Pendekatan lainnya adalah content-based filtering, yang melihat karakteristik konten itu sendiri. Sistem dapat menganalisis berbagai atribut sebuah konten dan mencocokkannya dengan pola ketertarikan pengguna sebelumnya. Dengan menggabungkan pendekatan semacam ini, sistem rekomendasi dapat memperkirakan konten yang belum pernah dilihat pengguna tetapi memiliki kemungkinan sesuai dengan minatnya.

Dalam praktiknya, sistem rekomendasi modern jauh lebih kompleks daripada satu metode saja. Platform dapat menggabungkan berbagai model, sinyal perilaku, karakteristik konten, dan tujuan bisnis untuk menentukan konten yang akan ditampilkan. Hasil akhirnya adalah sebuah feed yang terasa sangat personal, tetapi juga membuat algoritma memiliki peran semakin besar dalam menentukan informasi yang kita temui setiap hari.

Bagaimana TikTokification Menyebar?

Perubahan yang awalnya sangat identik dengan TikTok kini tidak lagi terbatas pada satu platform. Ketika format video pendek dan sistem rekomendasi berbasis perilaku terbukti mampu mempertahankan perhatian pengguna, platform lain ikut mengembangkan fitur dengan prinsip yang serupa. Akibatnya, pengguna dapat menemukan pengalaman konsumsi konten yang semakin mirip meskipun berpindah dari satu aplikasi ke aplikasi lainnya.

Pergeseran ini menunjukkan bahwa TikTokification bukan sekadar keberhasilan sebuah produk, melainkan perubahan dalam standar industri media sosial. Platform berlomba membuat sistem yang mampu memperkirakan apa yang ingin dilihat pengguna berikutnya, sementara kreator menyesuaikan cara produksi konten agar sesuai dengan mekanisme distribusi tersebut. Pada akhirnya, algoritma rekomendasi menjadi salah satu bagian paling penting dari persaingan antarplatform.

Instagram Reels dan YouTube Shorts

Instagram dan YouTube merupakan dua contoh paling jelas dari penyebaran format video pendek. Instagram mengembangkan Reels, sedangkan YouTube memperkenalkan Shorts sebagai format video singkat yang terintegrasi dengan ekosistem masing-masing. Keduanya menunjukkan bagaimana video pendek telah berubah dari format yang identik dengan satu platform menjadi salah satu bentuk utama konsumsi konten digital.

Perubahan tersebut tidak hanya berkaitan dengan durasi video. Kedua platform juga menggunakan sistem rekomendasi untuk menemukan audiens yang diperkirakan tertarik terhadap sebuah konten, sehingga pengguna dapat menemukan video dari kreator yang belum mereka ikuti. Dengan demikian, prinsip distribusi berbasis minat menjadi semakin penting dibandingkan sekadar mengandalkan daftar akun yang sudah diikuti pengguna.

Bagi kreator, perubahan ini mengubah cara membangun audiens. Jumlah pengikut tetap penting, tetapi kemampuan sebuah konten untuk mendapatkan respons dari pengguna yang belum mengenal kreatornya menjadi semakin menentukan. Seorang kreator baru dapat memperoleh jangkauan besar ketika algoritma menemukan kelompok pengguna yang dianggap relevan dengan kontennya.

Perubahan Logika Rekomendasi di Platform Lain

Logika rekomendasi berbasis perilaku juga berkembang di luar ekosistem video pendek. Platform seperti X, misalnya, menggunakan sistem rekomendasi untuk menentukan konten yang ditampilkan kepada pengguna di luar sekadar urutan postingan dari akun yang mereka ikuti. Perubahan semacam ini memperlihatkan bahwa personalisasi algoritmik semakin menjadi bagian umum dari pengalaman media sosial.

Perubahan tersebut membuat konsep “timeline” tradisional semakin berbeda dari bentuk awalnya. Pengguna tidak selalu melihat informasi berdasarkan urutan waktu atau hubungan sosial, tetapi berdasarkan perkiraan sistem mengenai konten yang paling mungkin menarik perhatian. Akibatnya, apa yang muncul di layar seseorang dapat menjadi hasil dari kombinasi hubungan sosial, perilaku sebelumnya, karakteristik konten, dan prediksi algoritmik.

Perubahan ini juga memiliki konsekuensi bagi cara informasi menyebar. Sebuah konten tidak harus memiliki hubungan langsung dengan pengguna untuk mendapatkan perhatian, selama sistem menilai konten tersebut relevan. Karena itu, batas antara jaringan sosial dan mesin rekomendasi menjadi semakin kabur dalam pengalaman media sosial modern.

Ketika Algoritma Menjadi Standar Industri

Ketika semakin banyak platform menggunakan prinsip yang serupa, TikTokification berubah dari sekadar strategi sebuah perusahaan menjadi semacam standar industri. Platform memiliki insentif untuk mempertahankan pengguna selama mungkin, sementara sistem rekomendasi menawarkan cara untuk terus menyediakan konten baru tanpa pengguna harus mencarinya secara manual. Semakin baik sistem memprediksi minat pengguna, semakin kecil kemungkinan pengguna kehabisan konten yang dianggap menarik.

Dari sisi pengguna, kondisi ini memang memberikan kemudahan. Kita dapat menemukan kreator, informasi, hiburan, atau komunitas yang sebelumnya tidak pernah kita cari secara aktif. Sistem rekomendasi bahkan dapat membantu konten edukasi atau informasi penting menjangkau orang yang tidak pernah mengikuti sumber tersebut secara langsung.

Namun, semakin besar peran algoritma dalam memilih informasi, semakin besar pula pertanyaan mengenai siapa yang sebenarnya mengendalikan arus perhatian pengguna. Ketika sistem terus mengoptimalkan konten berdasarkan perilaku masa lalu, terdapat kemungkinan pengguna semakin sering melihat jenis konten yang sama karena itulah yang terbukti mampu mempertahankan perhatian mereka. Di titik inilah manfaat personalisasi mulai berhadapan dengan risiko terbentuknya pola konsumsi yang semakin sempit.

Mengapa TikTokification Jadi Perhatian?

TikTokification menjadi perhatian bukan semata-mata karena video pendek membuat orang lebih sering membuka aplikasi. Persoalan yang lebih besar terletak pada perubahan hubungan antara pengguna, konten, dan algoritma: sistem tidak hanya membantu menemukan informasi, tetapi juga terus mempelajari perilaku untuk menentukan apa yang kemungkinan besar akan menarik perhatian berikutnya. Ketika proses ini berlangsung terus-menerus, algoritma dapat ikut membentuk kebiasaan konsumsi informasi pengguna.

Efeknya tidak selalu negatif dan tidak terjadi dengan cara yang sama pada setiap orang. Personalisasi dapat membuat pengguna lebih cepat menemukan informasi yang benar-benar mereka butuhkan, tetapi sistem yang terus mengoptimalkan keterlibatan juga berpotensi membuat seseorang menghabiskan lebih banyak waktu di dalam feed. Karena itu, persoalan TikTokification lebih tepat dilihat sebagai perubahan dalam attention economy, bukan sekadar masalah durasi video.

Personalisasi yang Semakin Dalam

Semakin banyak aktivitas yang digunakan sebagai sinyal, semakin spesifik pula rekomendasi yang dapat dibentuk oleh algoritma. Pengguna mungkin awalnya hanya menonton beberapa video tentang topik tertentu, tetapi interaksi berikutnya dapat membuat sistem mempersempit rekomendasi ke subtopik yang lebih spesifik. Dalam waktu tertentu, feed dapat terasa sangat relevan karena algoritma terus menyesuaikan perkiraannya berdasarkan perilaku terbaru.

Personalisasi seperti ini memberikan manfaat yang jelas ketika digunakan untuk menemukan konten edukasi, berita, hiburan, atau komunitas yang sesuai dengan kebutuhan. Pengguna tidak harus mengetahui nama kreator atau melakukan pencarian manual untuk menemukan informasi yang relevan. Masalahnya muncul ketika relevansi semata-mata diukur dari kemampuan konten mempertahankan perhatian, karena konten yang paling menarik belum tentu merupakan konten yang paling bermanfaat.

Di sinilah pengguna menghadapi situasi yang agak paradoks. Semakin baik algoritma memahami kebiasaan kita, semakin mudah kita mendapatkan apa yang kita sukai, tetapi semakin besar pula kemungkinan kita jarang keluar dari pola tersebut. Feed yang terasa nyaman dapat sekaligus menjadi lingkungan informasi yang semakin terbatas jika pengguna tidak secara sadar mencari perspektif atau topik di luar rekomendasi yang diberikan.

Doom Scrolling dan Ekonomi Perhatian

Salah satu perilaku yang sering dikaitkan dengan pola konsumsi feed tanpa akhir adalah doom scrolling, yaitu kebiasaan terus menggulir konten meskipun pengguna sudah merasa lelah, bosan, atau tidak lagi memperoleh manfaat yang jelas. Mekanisme feed yang tidak memiliki titik akhir alami dapat membuat pengguna selalu memiliki alasan untuk melihat satu konten lagi. Setiap geseran layar kemudian menjadi kesempatan bagi algoritma untuk menawarkan konten berikutnya.

Fenomena ini berkaitan dengan attention economy, yaitu lingkungan digital ketika perhatian manusia menjadi sumber daya yang diperebutkan oleh berbagai platform dan pembuat konten. Semakin lama seseorang bertahan di sebuah layanan, semakin banyak peluang bagi platform untuk menampilkan konten, iklan, atau rekomendasi berikutnya. Karena itu, desain produk dan algoritma memiliki kepentingan untuk membuat pengalaman konsumsi terasa terus mengalir.

Perubahan tersebut menarik jika dibandingkan dengan fenomena yang pernah dibahas BERITANDA.ID tentang bagaimana manusia semakin sulit menikmati waktu tanpa aktivitas digital. Kebiasaan terus mencari rangsangan baru dapat membuat momen jeda terasa tidak nyaman, padahal kemampuan untuk berhenti dan membiarkan pikiran beristirahat juga merupakan bagian dari pengalaman manusia. Fenomena ini dapat dibaca lebih lanjut dalam artikel Kita Kehilangan Kebosanan, dan Mungkin Itu Masalah.

Filter Bubble dan Homogenitas Konten

Personalisasi juga memunculkan pertanyaan mengenai filter bubble, yaitu kondisi ketika sistem rekomendasi membuat seseorang lebih sering terpapar informasi yang sesuai dengan pola minat atau pandangan sebelumnya. Jika seseorang terus memberikan sinyal positif terhadap jenis konten tertentu, algoritma memiliki alasan untuk menawarkan lebih banyak konten yang serupa. Akibatnya, keberagaman informasi yang muncul dalam feed dapat berbeda jauh dari apa yang diterima pengguna lain.

Masalahnya bukan berarti setiap pengguna pasti terjebak dalam gelembung informasi yang sepenuhnya tertutup. Algoritma juga dapat memperkenalkan konten baru dan memperluas minat pengguna, sementara perilaku pengguna sendiri dapat berubah dari waktu ke waktu. Namun, jika sistem terlalu mengutamakan pola keterlibatan sebelumnya, terdapat risiko bahwa konten yang berbeda atau kurang populer semakin jarang mendapatkan kesempatan untuk muncul.

Kondisi tersebut juga dapat memengaruhi keberagaman produksi konten. Ketika kreator mengetahui bahwa format tertentu terbukti berhasil mendapatkan perhatian, mereka memiliki insentif untuk membuat konten yang serupa. Jika pola tersebut terjadi berulang kali pada jutaan kreator, platform dapat dipenuhi variasi konten yang secara tampilan berbeda tetapi menggunakan formula yang hampir sama.

Dari Viralitas ke Peniruan Tren

Algoritma rekomendasi tidak hanya menentukan konten apa yang kita lihat, tetapi juga dapat memengaruhi perilaku sosial melalui paparan yang berulang. Ketika suatu gaya, tantangan, format, atau perilaku terus muncul di depan pengguna, sesuatu yang awalnya terlihat asing dapat perlahan dianggap normal atau populer. Pengguna kemudian memiliki kemungkinan lebih besar untuk ikut meniru karena melihat perilaku tersebut dilakukan oleh banyak orang.

Penelitian yang dipublikasikan dalam jurnal Socius pada 2024 membahas bagaimana algoritma TikTok dapat mendorong perilaku copying melalui paparan terhadap tren dan perilaku yang berulang. Pola tersebut dapat menciptakan reinforcement loop: konten yang banyak ditiru menjadi semakin terlihat, semakin banyak orang terpapar, lalu semakin besar pula peluang konten serupa kembali diproduksi.

Di satu sisi, mekanisme ini membantu sebuah ide menyebar dengan sangat cepat. Di sisi lain, siklus tersebut dapat membuat tren tertentu mendominasi perhatian sementara konten yang tidak mengikuti formula populer semakin sulit terlihat. Inilah salah satu alasan mengapa TikTokification bukan hanya persoalan teknologi rekomendasi, tetapi juga berkaitan dengan bagaimana algoritma dapat memengaruhi budaya, perilaku, dan cara masyarakat menentukan apa yang dianggap menarik.

Apa Dampaknya bagi Kemampuan Kognitif?

Perubahan pola konsumsi konten juga memunculkan pertanyaan tentang kemampuan manusia mempertahankan perhatian ketika berhadapan dengan aktivitas yang membutuhkan waktu lebih panjang. Feed yang terus menyediakan rangsangan baru membuat pengguna dapat berpindah dari satu konten ke konten berikutnya hanya dalam hitungan detik. Namun, keberadaan pola tersebut belum cukup untuk menyimpulkan bahwa semua pengguna media sosial akan mengalami penurunan kemampuan kognitif dengan tingkat yang sama.

Yang lebih tepat adalah melihat bagaimana penggunaan intensif dan kebiasaan konsumsi konten cepat berkaitan dengan perilaku seperti sulit mempertahankan fokus, mudah berpindah perhatian, atau terus mencari rangsangan baru. Sejumlah penelitian mulai membahas hubungan antara penggunaan video pendek, perhatian, dan fungsi kognitif, tetapi kekuatan bukti dan metode penelitian tidak selalu sama. Karena itu, dampak TikTokification perlu dibahas dengan membedakan antara korelasi, temuan penelitian tertentu, dan kesimpulan yang benar-benar sudah kuat secara ilmiah.

Mengapa Konten Cepat Bisa Mengubah Pola Konsumsi?

Video pendek memberikan pengalaman konsumsi yang sangat cepat karena pengguna dapat memperoleh informasi, hiburan, atau kejutan baru tanpa harus bertahan lama pada satu konten. Setelah sebuah video selesai atau dilewati, sistem segera menyediakan pilihan berikutnya sehingga proses konsumsi hampir tidak memiliki titik berhenti alami. Pola tersebut dapat membentuk kebiasaan berpindah perhatian secara cepat, terutama ketika seseorang menghabiskan waktu lama dalam feed yang tidak pernah benar-benar berakhir.

Masalahnya menjadi lebih terlihat ketika kebiasaan tersebut terbawa ke aktivitas yang membutuhkan konsentrasi lebih panjang. Membaca buku, mempelajari materi, menyelesaikan pekerjaan, atau mengikuti film membutuhkan kemampuan untuk mempertahankan perhatian meskipun tidak selalu memberikan rangsangan baru setiap beberapa detik. Jika seseorang terbiasa mendapatkan pergantian stimulus secara cepat, aktivitas yang lebih lambat dapat terasa kurang menarik, meskipun belum tentu berarti kapasitas kognitifnya benar-benar mengalami kerusakan.

Penelitian tentang TikTok dan media sosial juga menyoroti perilaku doom scrolling, ketika pengguna terus menggulir meskipun sudah merasa lelah atau tidak lagi menikmati konten. Kebiasaan tersebut dapat membuat waktu penggunaan menjadi jauh lebih panjang daripada yang direncanakan. Karena itu, persoalan kognitif dalam konteks TikTokification sebaiknya tidak hanya dilihat dari durasi setiap video, tetapi juga dari pola penggunaan secara keseluruhan.

Apa yang Ditunjukkan Penelitian di Indonesia?

Salah satu penelitian yang sering dikutip dalam pembahasan mengenai TikTok dan fungsi kognitif berasal dari Universitas Medan Area. Penelitian tersebut membahas pengaruh penggunaan aplikasi TikTok terhadap kemampuan kognitif mahasiswa dan menjadi salah satu rujukan dalam artikel Universitas Islam Indonesia mengenai dampak algoritma TikTok terhadap generasi muda. UII menyebut penelitian tersebut menemukan pengaruh penggunaan TikTok terhadap kemampuan kognitif mahasiswa sebesar 55,9 persen.

Temuan tersebut menarik, tetapi angka 55,9 persen tidak boleh diterjemahkan sebagai “TikTok menurunkan kecerdasan manusia sebesar 55,9 persen”. Angka penelitian harus selalu dibaca bersama desain penelitian, variabel yang diukur, karakteristik responden, serta metode analisis yang digunakan. Dengan kata lain, temuan tersebut memberikan indikasi hubungan yang perlu dipahami dalam konteks penelitian, bukan bukti bahwa setiap orang yang menggunakan TikTok akan mengalami penurunan fungsi kognitif dengan besaran yang sama.

Penelitian lain juga melihat persoalan tersebut dari perspektif yang berbeda. Artikel UII yang membahas algoritma TikTok mengaitkan penggunaan berlebihan dengan kebiasaan doom scrolling, kesulitan mempertahankan konsentrasi, rasa bosan terhadap aktivitas yang membutuhkan fokus lebih lama, serta kecenderungan perilaku impulsif. Sementara itu, penelitian neuropsikologis yang dirujuk dalam artikel tersebut juga menunjukkan bahwa penggunaan TikTok merupakan fenomena yang layak dikaji dari sisi perhatian dan perilaku, tetapi temuan seperti ini tetap perlu ditempatkan dalam konteks metodologi masing-masing penelitian.

Mengapa Angka 55,9 Persen Perlu Dibaca Hati-Hati?

Angka 55,9 persen terdengar sangat besar jika dilepaskan dari konteksnya. Padahal, dalam penelitian sosial dan perilaku, sebuah persentase dapat memiliki arti yang berbeda tergantung pada apa yang sebenarnya diukur dan bagaimana hubungan antarvariabel dianalisis. Karena itu, pembaca tidak seharusnya langsung mengubah angka tersebut menjadi kesimpulan bahwa TikTok merupakan penyebab tunggal menurunnya kemampuan kognitif.

Ada banyak faktor lain yang dapat memengaruhi kemampuan berkonsentrasi dan fungsi kognitif seseorang, termasuk kualitas tidur, stres, beban akademik atau pekerjaan, kebiasaan menggunakan perangkat digital lainnya, serta kondisi lingkungan. Penggunaan TikTok dapat menjadi salah satu faktor dalam pola tersebut, tetapi menentukan hubungan sebab-akibat membutuhkan bukti yang lebih kuat daripada sekadar menemukan korelasi dalam satu penelitian. Pendekatan seperti ini penting agar pembahasan mengenai teknologi tidak berubah menjadi klaim yang terlalu sederhana.

Penelitian yang lebih luas juga menunjukkan bahwa hubungan antara konsumsi video pendek dan kemampuan kognitif merupakan bidang yang masih berkembang. Sebuah makalah yang dipublikasikan di SSRN pada 2026, misalnya, secara khusus membahas dugaan hubungan antara “TikTokification” dan rentang perhatian, tetapi karya tersebut merupakan sintesis literatur dan analisis, bukan uji klinis baru terhadap pengguna. Karena itu, temuannya lebih tepat digunakan sebagai bahan diskusi mengenai arah penelitian daripada sebagai bukti final bahwa TikTokification pasti menyebabkan kerusakan kognitif.

Yang dapat dikatakan dengan lebih aman adalah bahwa pola konsumsi konten cepat dan terus-menerus memang layak diperhatikan, terutama ketika mulai mengganggu aktivitas yang membutuhkan konsentrasi panjang. Pertanyaan pentingnya bukan sekadar berapa menit seseorang menggunakan TikTok atau platform lain, tetapi apakah kebiasaan tersebut membuat seseorang kehilangan kendali atas waktu penggunaan, sulit berhenti, atau semakin kesulitan mempertahankan perhatian ketika beralih ke aktivitas yang lebih lambat.

Mengapa Pemerintah Mulai Khawatir?

Perhatian terhadap TikTokification tidak hanya datang dari peneliti dan pemerhati teknologi, tetapi juga mulai masuk ke dalam perdebatan kebijakan publik. Pemerintah di sejumlah negara semakin memperhatikan bagaimana kombinasi rekomendasi algoritmik, infinite scrolling, autoplay, notifikasi, dan fitur lain dapat membuat pengguna bertahan lebih lama di platform. Kekhawatiran tersebut menjadi semakin besar ketika objek yang dibahas adalah anak dan remaja yang masih membentuk kebiasaan penggunaan teknologi.

Inggris menjadi salah satu contoh terbaru. Pemerintah Inggris pada Juni 2026 mengumumkan rencana untuk melarang platform media sosial menyediakan layanan kepada pengguna di bawah 16 tahun, sementara pada Juli pemerintah juga mengumumkan pembatasan tambahan terhadap fitur tertentu bagi pengguna berusia 16–17 tahun. Kebijakan tersebut belum berlaku saat ini karena regulasinya masih harus melalui proses legislasi, dengan implementasi direncanakan pada musim semi 2027.

Rencana Pembatasan Media Sosial di Inggris

Rencana pemerintah Inggris menunjukkan bahwa persoalan media sosial mulai dipandang sebagai persoalan desain platform, bukan hanya persoalan jenis konten yang dikonsumsi anak. Dalam dokumen kebijakannya, pemerintah secara eksplisit menyoroti kombinasi unggahan konten yang cepat, rekomendasi berbasis algoritma, dan fitur desain lain yang dinilai dapat menciptakan lingkungan berisiko bagi anak.

Rencana tersebut mencakup layanan seperti TikTok, Instagram, YouTube, Facebook, Snapchat, dan X, dengan model pembatasan yang ditujukan kepada pengguna di bawah 16 tahun. Pemerintah Inggris menyatakan aturan tersebut diharapkan mulai diterapkan pada musim semi 2027 setelah regulasi diajukan dan diproses. Jadi, yang terjadi pada 2026 bukanlah larangan yang sudah berjalan, melainkan perubahan kebijakan yang sedang dipersiapkan.

Untuk kelompok usia 16 dan 17 tahun, pemerintah juga mengumumkan langkah berbeda. Mulai dari pembatasan malam hari hingga pukul 06.00, mematikan notifikasi dalam periode tersebut, serta pengaturan bawaan yang menonaktifkan autoplay dan feed yang dipersonalisasi menjadi bagian dari pendekatan yang sedang disiapkan. Langkah tersebut menunjukkan bahwa perhatian pemerintah tidak hanya tertuju pada aplikasi tertentu, tetapi juga pada fitur yang dirancang untuk mempertahankan keterlibatan pengguna.

Masalahnya Bukan Hanya TikTok

Jika persoalannya hanya TikTok, pembatasan terhadap satu aplikasi mungkin terlihat sebagai solusi yang cukup sederhana. Namun, TikTokification justru menunjukkan masalah yang lebih luas karena prinsip video pendek, rekomendasi algoritmik, autoplay, dan infinite scrolling telah menyebar ke banyak platform. Pengguna yang berpindah aplikasi tidak otomatis keluar dari lingkungan digital yang menggunakan logika serupa.

Pemerintah Inggris sendiri menggunakan pendekatan yang lebih luas daripada sekadar menyebut satu aplikasi. Model yang direncanakan mencakup sejumlah platform besar dan juga membatasi fitur berisiko tertentu pada layanan online lainnya. Pendekatan tersebut memperlihatkan bahwa regulator mulai melihat karakteristik dan fungsi sebuah layanan sebagai bagian dari risiko, bukan hanya nama platformnya.

Hal ini penting dalam memahami TikTokification karena masalah utamanya bukan apakah seseorang menggunakan TikTok atau tidak. Yang lebih penting adalah apakah lingkungan digital yang digunakan seseorang terus memberikan rangsangan baru, menghilangkan titik berhenti alami, dan menggunakan rekomendasi personal untuk mempertahankan perhatian. Jika karakteristik tersebut tersedia di banyak platform, menghapus satu aplikasi belum tentu mengubah pola konsumsi secara keseluruhan.

Ketika Logika Algoritma Menyebar

Pemerintah Inggris secara khusus menyoroti fitur seperti infinite scrolling, autoplay, notifikasi, dan rekomendasi konten sebagai bagian dari desain yang dapat mendorong anak menghabiskan lebih banyak waktu online. Dalam ringkasan tanggapan konsultasinya, pemerintah mencatat banyak responden menilai fitur-fitur tersebut dapat menghilangkan titik berhenti alami dan berulang kali menarik pengguna kembali ke layanan.

Di sinilah TikTokification menjadi persoalan yang lebih besar daripada popularitas sebuah format konten. Ketika logika yang sama digunakan oleh berbagai platform, perilaku pengguna dapat dibentuk oleh lingkungan digital yang secara keseluruhan semakin berorientasi pada rekomendasi dan keterlibatan. Seseorang bisa meninggalkan satu aplikasi, tetapi tetap menemukan mekanisme konsumsi yang hampir sama di tempat lain.

Namun, hal tersebut tidak berarti seluruh fitur algoritmik harus dianggap berbahaya. Rekomendasi dapat membantu pengguna menemukan informasi, hiburan, komunitas, dan materi pendidikan yang relevan tanpa harus melakukan pencarian manual. Tantangannya adalah memastikan personalisasi tidak berubah menjadi sistem yang mengambil terlalu banyak kendali atas perhatian pengguna, terutama ketika pengguna masih berada pada usia yang rentan terhadap pembentukan kebiasaan digital.

Karena itu, perdebatan mengenai TikTokification pada akhirnya bukan hanya tentang apakah anak boleh menggunakan media sosial. Pertanyaan yang lebih mendasar adalah seperti apa lingkungan digital yang ingin kita bangun: apakah platform cukup memberikan pilihan kepada pengguna, atau justru semakin banyak keputusan tentang apa yang kita lihat dan berapa lama kita bertahan ditentukan oleh algoritma. Perubahan kebijakan di Inggris menunjukkan bahwa pertanyaan tersebut mulai dianggap sebagai persoalan publik yang membutuhkan respons regulasi, bukan semata-mata keputusan pribadi pengguna.

Apakah TikTokification Selalu Buruk?

TikTokification sering dibicarakan dari sisi risiko terhadap perhatian, kebiasaan konsumsi informasi, dan kemampuan pengguna mengendalikan waktu di media sosial. Namun, melihat fenomena ini hanya sebagai sesuatu yang buruk juga terlalu sederhana. Sistem rekomendasi berbasis perilaku memiliki manfaat nyata, terutama dalam membantu pengguna menemukan konten yang relevan dan memberi peluang kepada kreator yang sebelumnya sulit mendapatkan perhatian.

Persoalannya bukan semata-mata keberadaan algoritma, melainkan bagaimana algoritma tersebut dirancang, tujuan apa yang dioptimalkan, dan bagaimana pengguna berinteraksi dengannya. Sistem rekomendasi dapat menjadi alat yang berguna ketika membantu seseorang menemukan informasi yang dibutuhkan. Sebaliknya, risiko dapat muncul ketika optimasi keterlibatan membuat perhatian pengguna menjadi tujuan yang lebih penting daripada kualitas pengalaman digitalnya.

Kreator Baru Mendapat Peluang Lebih Besar

Salah satu manfaat terbesar dari model rekomendasi berbasis perilaku adalah kesempatan bagi kreator baru untuk ditemukan. Dalam sistem yang hanya mengandalkan jaringan pengikut, kreator tanpa basis audiens yang besar akan lebih sulit mendapatkan jangkauan. Algoritma rekomendasi mengubah kondisi tersebut dengan memungkinkan sebuah konten diuji kepada pengguna yang belum mengenal pembuatnya.

Jika konten tersebut terbukti relevan bagi kelompok pengguna tertentu, sistem dapat memperluas distribusinya tanpa harus menunggu kreator mengumpulkan ribuan atau jutaan pengikut terlebih dahulu. Mekanisme ini membuka peluang bagi individu, usaha kecil, komunitas, dan kreator independen untuk mendapatkan perhatian berdasarkan konten yang mereka buat. Dalam konteks tersebut, TikTokification dapat dilihat sebagai bentuk perubahan dalam distribusi kesempatan di internet.

Model tersebut juga dapat mempercepat munculnya ide dan kreativitas baru. Sebuah konsep yang sebelumnya hanya dikenal dalam komunitas kecil dapat menyebar ke audiens yang jauh lebih luas ketika algoritma menemukan pengguna yang dianggap memiliki minat serupa. Dampaknya tidak selalu berupa hiburan, tetapi juga dapat terlihat pada konten pendidikan, tutorial, informasi lokal, dan berbagai bentuk kreativitas digital.

Pengguna Lebih Cepat Menemukan Konten Relevan

Rekomendasi algoritmik juga menyelesaikan persoalan yang tidak dimiliki media sosial generasi awal dalam skala yang sama: terlalu banyak konten untuk ditemukan secara manual. Setiap hari terdapat jutaan unggahan baru, sehingga meminta pengguna mencari semuanya sendiri akan membuat proses menemukan informasi menjadi tidak efisien. Algoritma dapat menyaring sebagian besar pilihan tersebut dan menghadirkan sejumlah konten yang diperkirakan sesuai dengan minat pengguna.

Manfaat tersebut sangat terasa ketika seseorang memiliki minat yang spesifik. Pengguna tidak harus mengetahui nama kreator atau mengikuti komunitas tertentu terlebih dahulu untuk menemukan materi yang relevan. Seseorang yang baru mulai belajar fotografi, misalnya, dapat langsung menemukan tutorial dan kreator terkait hanya melalui beberapa interaksi awal.

Dalam kondisi tertentu, rekomendasi juga dapat membantu penyebaran informasi yang memiliki nilai sosial. Informasi mengenai pendidikan, kesehatan masyarakat, kebencanaan, teknologi, atau layanan publik dapat menjangkau orang yang tidak secara aktif mencari topik tersebut. Dengan demikian, algoritma tidak selalu mempersempit wawasan; jika dirancang dan digunakan dengan baik, ia juga dapat menjadi mekanisme untuk memperluas akses terhadap informasi.

Risiko Muncul dari Cara Penggunaannya

Karena itu, persoalan utama TikTokification bukan apakah algoritma rekomendasi harus ada atau tidak. Yang lebih penting adalah bagaimana sistem menentukan keberhasilan sebuah rekomendasi dan seberapa besar kendali yang masih diberikan kepada pengguna. Jika ukuran keberhasilan terlalu berfokus pada durasi penggunaan, jumlah interaksi, atau kemampuan membuat pengguna terus menggulir, kepentingan platform dapat tidak selalu sejalan dengan kepentingan pengguna.

Risiko juga dapat meningkat ketika pengguna tidak memahami bahwa feed yang mereka lihat merupakan hasil seleksi algoritmik. Seseorang dapat merasa bahwa konten tertentu memang sedang populer secara umum, padahal konten tersebut mungkin hanya sangat sering ditampilkan kepadanya karena riwayat perilakunya sendiri. Tanpa kesadaran tersebut, pengguna dapat menganggap pengalaman personal mereka sebagai gambaran objektif mengenai apa yang sedang terjadi di internet.

Di sisi lain, pengguna tetap memiliki peran dalam membentuk pengalaman tersebut. Memilih untuk berhenti menggulir, mencari sumber secara langsung, mengikuti akun dengan perspektif berbeda, atau menggunakan fitur pengaturan rekomendasi dapat membantu memperluas kendali terhadap apa yang dikonsumsi. Karena itu, literasi algoritmik menjadi semakin penting ketika sistem rekomendasi mengambil peran yang lebih besar dalam kehidupan digital.

TikTokification pada akhirnya bukan fenomena yang secara otomatis baik atau buruk. Ia merupakan perubahan teknologi dan budaya yang menggeser cara informasi ditemukan, didistribusikan, dan dikonsumsi. Manfaatnya dapat muncul ketika personalisasi membantu manusia menemukan sesuatu yang berguna, sementara risikonya meningkat ketika algoritma mengambil terlalu banyak kendali atas perhatian tanpa disertai transparansi dan kesadaran pengguna.

Bisakah Pengguna Mengendalikan Algoritma?

Pengguna memang tidak dapat melihat atau mengatur seluruh proses yang berlangsung di balik sistem rekomendasi, tetapi bukan berarti pengalaman media sosial sepenuhnya berada di luar kendali mereka. Setiap interaksi yang dilakukan pengguna dapat memengaruhi rekomendasi berikutnya, sementara sebagian platform juga menyediakan pengaturan untuk mengubah jenis konten yang ditampilkan. Kesadaran mengenai cara kerja algoritma menjadi langkah awal agar pengguna tidak sekadar mengikuti arus feed yang diberikan.

Pengendalian tersebut bukan berarti pengguna harus menolak semua rekomendasi algoritmik. Justru, tujuan yang lebih realistis adalah memahami kapan rekomendasi membantu dan kapan pola konsumsi mulai terasa tidak sehat atau terlalu repetitif. Dengan sedikit kesadaran dan kebiasaan yang lebih aktif, pengguna dapat membuat pengalaman digital menjadi lebih beragam dan sesuai dengan tujuan mereka sendiri.

Memahami Mengapa Konten Muncul

Langkah pertama adalah menyadari bahwa feed yang muncul bukan cerminan netral dari seluruh internet. Konten yang terlihat merupakan hasil seleksi sistem berdasarkan berbagai sinyal, termasuk interaksi dan perilaku sebelumnya. Jika seseorang terus menonton satu jenis konten, algoritma memiliki alasan untuk memperkirakan bahwa konten serupa akan kembali menarik perhatian.

Pemahaman sederhana tersebut dapat mengubah cara seseorang membaca feed. Ketika sebuah topik muncul berulang kali, pengguna tidak harus langsung menyimpulkan bahwa topik tersebut sedang mendominasi seluruh internet. Bisa jadi sistem sedang menyesuaikan rekomendasi dengan kebiasaan pribadi pengguna, sehingga pengalaman satu orang dapat sangat berbeda dari pengalaman orang lain.

Kesadaran ini juga membantu pengguna memahami mengapa pola konsumsi dapat berubah setelah beberapa interaksi. Jika seseorang sengaja mencari topik baru, mengikuti sumber yang berbeda, atau berhenti berinteraksi dengan konten tertentu, rekomendasi secara bertahap dapat ikut berubah. Dengan kata lain, pengguna bukan hanya penerima rekomendasi, tetapi juga salah satu sumber data yang terus membentuk rekomendasi tersebut.

Mengatur Kebiasaan Konsumsi Konten

Mengendalikan algoritma tidak selalu membutuhkan pengaturan teknis yang rumit. Kebiasaan sederhana seperti menetapkan batas waktu, berhenti menggulir ketika tujuan awal sudah tercapai, dan tidak membuka feed secara otomatis ketika sedang bosan dapat mengurangi konsumsi yang tidak disengaja. Pengguna juga dapat secara aktif mencari informasi melalui mesin pencari atau sumber langsung ketika membutuhkan informasi tertentu.

Perbedaan antara “mencari” dan “direkomendasikan” menjadi penting dalam konteks ini. Ketika pengguna mencari informasi secara sadar, mereka menentukan pertanyaan dan sumber yang ingin diperiksa, sedangkan feed rekomendasi menentukan urutan informasi berdasarkan prediksi sistem. Keduanya dapat digunakan bersamaan, tetapi menyadari perbedaannya membantu pengguna mempertahankan kontrol yang lebih besar terhadap proses mendapatkan informasi.

Pengguna juga dapat memperluas sumber informasi dengan mengikuti akun dari latar belakang atau perspektif yang berbeda. Langkah tersebut tidak menjamin seseorang terbebas sepenuhnya dari filter bubble, tetapi dapat membantu mengurangi ketergantungan pada satu pola rekomendasi. Semakin beragam sumber yang sengaja dipilih, semakin besar peluang pengguna memperoleh konteks yang tidak muncul secara otomatis di feed.

Pentingnya Literasi Algoritmik

Dalam lingkungan digital yang semakin dipengaruhi algoritma, literasi digital tidak lagi cukup hanya dengan kemampuan menggunakan aplikasi. Pengguna juga perlu memahami bahwa sistem rekomendasi memiliki cara tertentu dalam memilih, mengurutkan, dan menyajikan informasi. Pengetahuan tersebut dapat membantu seseorang membedakan antara apa yang memang mereka cari dan apa yang sengaja diprioritaskan sistem berdasarkan perilaku mereka.

Literasi algoritmik juga penting untuk memahami bahwa popularitas di feed tidak selalu sama dengan kualitas atau kepentingan publik. Sebuah konten dapat memperoleh banyak penayangan karena mampu mempertahankan perhatian, tetapi jumlah penayangan tersebut tidak otomatis membuktikan bahwa informasinya akurat atau paling penting. Karena itu, kemampuan memeriksa sumber tetap diperlukan meskipun konten muncul berulang kali dalam rekomendasi.

Dalam konteks pendidikan, pemahaman seperti ini dapat membantu anak dan remaja menjadi pengguna teknologi yang lebih kritis. Mereka tidak hanya belajar bagaimana membuat atau mengonsumsi konten, tetapi juga memahami bagaimana sistem di balik layar dapat memengaruhi apa yang mereka lihat. Kesadaran tersebut semakin penting ketika algoritma menjadi bagian dari aktivitas sehari-hari.

Mengapa Transparansi Platform Dibutuhkan?

Kendali pengguna tidak dapat dibebankan sepenuhnya kepada individu karena sebagian besar mekanisme rekomendasi berada di sisi platform. Pengguna dapat mengatur kebiasaan mereka, tetapi tidak memiliki akses penuh terhadap model, parameter, atau tujuan optimasi yang digunakan untuk menentukan rekomendasi. Karena itu, transparansi dari perusahaan teknologi menjadi bagian penting dalam menciptakan lingkungan digital yang lebih dapat dipahami.

Uni Eropa melalui Digital Services Act atau DSA menjadi salah satu contoh pendekatan regulasi yang memberikan perhatian terhadap sistem rekomendasi. Platform tertentu diwajibkan memberikan informasi yang lebih transparan mengenai parameter utama yang digunakan dalam sistem rekomendasi, sementara platform yang sangat besar juga menghadapi kewajiban terkait risiko sistemik yang dapat timbul dari desain dan layanan mereka.

Transparansi bukan berarti perusahaan harus membuka seluruh kode sumber atau rahasia dagang algoritmanya kepada publik. Tujuannya adalah memberikan pengguna dan regulator pemahaman yang cukup mengenai bagaimana sistem memengaruhi pengalaman digital, termasuk pilihan yang tersedia untuk mengendalikan atau mengubah rekomendasi. Dengan adanya transparansi, tanggung jawab terhadap dampak algoritma tidak hanya berada di tangan pengguna, tetapi juga menjadi bagian dari tanggung jawab platform.

Pada akhirnya, kemampuan mengendalikan pengalaman digital membutuhkan kombinasi antara pengguna yang lebih sadar, platform yang lebih transparan, dan regulasi yang mampu mengikuti perkembangan teknologi. TikTokification mungkin akan terus berkembang karena rekomendasi personal memang memberikan manfaat besar bagi platform dan pengguna. Tantangannya adalah memastikan teknologi tersebut membantu manusia menemukan informasi tanpa membuat manusia kehilangan kemampuan untuk menentukan sendiri apa yang layak mendapatkan perhatian.

Kesimpulan

TikTokification bukan sekadar istilah untuk menggambarkan popularitas video pendek. Fenomena ini menunjukkan perubahan yang lebih mendasar dalam cara internet memilih dan mendistribusikan informasi, yaitu dari sistem yang lebih banyak bertumpu pada hubungan sosial menuju sistem yang semakin mengandalkan perilaku pengguna. Apa yang kita tonton, sukai, komentari, lewati, dan cari dapat menjadi sinyal yang digunakan algoritma untuk menentukan apa yang muncul berikutnya.

Perubahan tersebut membawa manfaat sekaligus risiko. Sistem rekomendasi dapat membantu pengguna menemukan konten yang relevan dan memberi kesempatan kepada kreator baru untuk menjangkau audiens yang lebih luas, tetapi personalisasi yang semakin dalam juga dapat mendorong konsumsi tanpa henti, mempersempit paparan informasi, dan memperkuat tren tertentu. Karena itu, TikTokification tidak tepat jika dipandang sebagai fenomena yang sepenuhnya buruk ataupun sepenuhnya baik.

Yang menjadi persoalan adalah ketika algoritma semakin menentukan apa yang mendapatkan perhatian tanpa disertai pemahaman yang cukup dari penggunanya. Feed yang terasa personal bukanlah gambaran netral mengenai seluruh informasi yang tersedia di internet, melainkan hasil dari proses seleksi berdasarkan data dan prediksi sistem. Memahami hal tersebut membantu pengguna menyadari bahwa pengalaman digital setiap orang dapat dibentuk oleh mekanisme yang berbeda.

Pada akhirnya, tantangan TikTokification bukan bagaimana menghapus algoritma dari kehidupan digital, melainkan bagaimana memastikan manusia tetap memiliki kendali atas perhatian mereka. Literasi algoritmik, kebiasaan konsumsi yang lebih sadar, transparansi platform, dan regulasi yang proporsional dapat menjadi bagian dari upaya tersebut. Semakin besar peran algoritma dalam menentukan apa yang kita lihat, semakin penting pula kemampuan kita untuk memahami mengapa sesuatu muncul di hadapan kita.