Tiga bulan lalu, seorang teman bercerita soal strateginya di X (dulu Twitter). Ia posting setiap hari, visual bagus, caption rapi, bahkan pakai scheduling tool yang katanya "teroptimasi." Hasilnya? Impressions flat. Follower mandek di angka yang sama minggu ke minggu. Frustrasi, ia menyimpulkan bahwa algoritmanya "tidak adil" dan "dikontrol orang dalam."

Masalahnya, ia mungkin benar — tapi bukan karena teori konspirasi. Ia salah bukan soal niatnya, tapi soal caranya membaca permainan.

Pada Mei 2026, xAI merilis pembaruan besar kode sumber algoritma For You feed di X melalui repositori publik di GitHub. Bukan teori. Bukan bocoran. Ini adalah kode yang benar-benar dijalankan di server mereka — tersedia untuk siapapun yang mau membacanya. Dan ketika kamu membacanya, satu hal menjadi sangat jelas: algoritma ini tidak dirancang untuk membuat kontenmu viral. Ia dirancang untuk memprediksi apakah percakapan akan terjadi.

Apa yang Benar-Benar Dibaca Algoritma X

Sebelum kita masuk ke soal strategi, penting untuk memahami cara kerja mesinnya — karena ini bukan spekulasi lagi.

Berdasarkan repositori resmi xai-org/x-algorithm di GitHub (https://github.com/xai-org/x-algorithm), sistem For You Feed bekerja dengan model berbasis transformer yang disebut Phoenix — dibangun di atas arsitektur yang sama dengan Grok-1. Model ini tidak bekerja dengan aturan manual atau "fitur yang direkayasa tangan" (hand-engineered features). Mereka sendiri menulis di dokumentasinya:

"We have eliminated every single hand-engineered feature and most heuristics from the system. The Grok-based transformer does all the heavy lifting."

Artinya, tidak ada daftar "lakukan ini dan kamu akan viral." Yang ada adalah satu model transformer besar yang belajar dari riwayat engagementmu — apa yang kamu like, reply, repost, klik, tonton — lalu memprediksi: apakah kamu akan melakukan hal yang sama terhadap konten berikutnya?

Yang menarik adalah bagian Scoring and Ranking. Phoenix memprediksi probabilitas untuk banyak jenis aksi sekaligus:

P(favorite) — kemungkinan di-like
P(reply) — kemungkinan dibalas
P(repost) — kemungkinan di-repost
P(share), P(click), P(video_view), P(dwell)...

Dan yang ini, perhatikan baik-baik:

P(not_interested), P(block_author), P(mute_author), P(report) — ini punya bobot negatif

Skor akhir sebuah konten adalah: Σ (bobot × probabilitas aksi). Aksi positif menaikkan skor. Aksi negatif menguranginya. Tapi dari semua sinyal positif yang ada, reply memiliki bobot paling tinggi dibanding like atau repost — karena reply adalah bukti terkuat bahwa konten memicu percakapan, bukan sekadar konsumsi pasif.

Mengapa Reply Mengalahkan Like

Secara intuitif, ini masuk akal. Like itu mudah — satu tap, beres. Reply butuh effort: seseorang harus berpikir, mengetik, dan memutuskan untuk terlibat secara aktif.

Dari perspektif algoritma, ini adalah sinyal kualitas yang jauh lebih kuat. Jika 10 orang membalas postinganmu dengan serius, itu memberikan data yang jauh lebih kaya kepada Phoenix dibanding 500 like tanpa satu pun komentar.

Penelitian tentang social media engagement sudah lama menunjukkan hal ini. Studi dari MIT Media Lab (Vosoughi et al., 2018, Science) menemukan bahwa konten yang menyebarkan paling luas di Twitter adalah konten yang memancing respons emosional aktif — bukan konten yang "bagus" secara estetika. Respons aktif = reply, quote tweet, debat.

Sekarang, kode X mengonfirmasi ini bukan hanya soal penyebaran konten — tapi langsung masuk ke dalam cara sistem merangking apa yang orang lihat di For You feed mereka.

Filosofi Reciprocity: Beri Dulu, Dapat Kemudian

Di sinilah prinsip lama yang disebut reciprocity (timbal balik) bertemu dengan cara kerja algoritma modern.

Robert Cialdini dalam bukunya Influence: The Psychology of Persuasion (1984, tapi tetap relevan hingga 2026) mengidentifikasi reciprocity sebagai salah satu dari enam prinsip pengaruh paling fundamental dalam perilaku manusia: ketika seseorang memberimu sesuatu yang bernilai, kamu merasa terdorong untuk membalas.

Di X, ini berarti: sebelum kamu mengharapkan orang lain terlibat dengan kontenmu, kamu perlu terlibat lebih dulu dengan konten mereka — dengan sungguh-sungguh, bukan asal komentar "Great post!" yang generik.

Ini bukan sekadar etika sosial. Dari sisi algoritma, ketika kamu aktif reply ke akun-akun relevan di niche-mu, sistem Phoenix membaca polamu sebagai sinyal bahwa kamu adalah partisipan aktif dalam ekosistem percakapan tertentu. Itu memengaruhi bagaimana kontenmu didistribusikan kepada orang-orang yang kemungkinan besar tertarik.

Sederhananya: algoritma mempelajari siapa kamu dari percakapan yang kamu masuki, bukan dari konten yang kamu posting.

Tiga Praktik dari Kode yang Terbuka

Berdasarkan arsitektur yang terdokumentasi dalam x-algorithm, ada tiga hal konkret yang bisa langsung diterapkan:

1. Tulis reply yang bernilai, bukan reply yang cepat. Algoritma mengukur probabilitas bahwa orang lain akan membalas balik (P(reply) dalam rantai). Reply yang mengandung insight, pertanyaan lanjutan, atau perspektif berbeda akan memicu balasan — dan itu menciptakan percakapan yang dalam, bukan percakapan yang dangkal. Alokasikan 20-30 menit per hari khusus untuk ini: cari 5-10 postingan di topik yang kamu kuasai, dan tulis reply yang benar-benar menambah sesuatu.

2. Jaga kesehatan sinyal negatifmu. Phoenix secara eksplisit mengurangi skor konten yang kemungkinan besar di-block, di-mute, atau dilaporkan. Ini berarti memaksakan posting yang tidak relevan, terlalu sering posting tanpa substansi, atau posting yang "baiting" reaksi negatif — semuanya merugikanmu secara algoritmik. Lebih sedikit posting yang substansial jauh lebih baik dari banyak posting yang noise.

3. Bangun riwayat engagement yang konsisten di niche tertentu. Sistem Thunder (komponen untuk konten dari akun yang kamu ikuti) dan Phoenix Retrieval (untuk konten dari luar jaringanmu) keduanya memanfaatkan riwayat engagement. Jika selama tiga bulan kamu konsisten terlibat dalam diskusi soal satu topik spesifik, sistem akan semakin baik mengidentifikasi audiensmu dan mendistribusikan kontenmu ke orang yang tepat.

Mulai Tanam, Berhenti Mengejar

Kembali ke teman yang frustrasi tadi. Masalahnya bukan algoritmanya tidak adil. Masalahnya, ia bermain satu arah: terus menanam konten tanpa pernah menyiram tanah di sekitarnya.

Algoritma X — yang sekarang bisa kita baca sendiri kodenya — pada dasarnya adalah mesin reciprocity dalam skala besar. Ia mengukur siapa yang memberi nilai kepada komunitas, dan membalasnya dengan distribusi yang lebih luas. Ia mengukur siapa yang hanya mengonsumsi perhatian orang lain, dan perlahan mengurangi jangkauannya.

Ini bukan tentang "hack" algoritma. Ini tentang memahami bahwa algoritma dirancang untuk mencerminkan perilaku manusia yang paling mendasar: kita memperhatikan orang-orang yang pertama kali memperhatikan kita.

Bedanya, sekarang kita punya kodenya — dan tidak perlu menebak lagi.

Ingat: Di X, bukan kontenmu yang membuka pintu percakapan. Percakapanlah yang membuka pintu bagi kontenmu.

Referensi & Resources:

xAI. (2026). X For You Feed Algorithm — Official Repository. GitHub. https://github.com/xai-org/x-algorithm
Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146–1151. https://www.science.org/doi/10.1126/science.aap9559
Cialdini, R. B. (1984). Influence: The Psychology of Persuasion. Harper Business.
Nielsen Norman Group. (2023). How People Read Online: New and Old Findings. https://www.nngroup.com/articles/how-people-read-online/