Di dokumentasi resmi proyek open source the-algorithm-ml milik Twitter (sekarang X), ada satu baris kode yang gampang terlewat tapi mengubah cara saya melihat strategi konten: scored_tweets_model_weight_reply_engaged_by_author: 75.0. Bandingkan dengan bobot like yang cuma 0.5. Artinya, satu balasan yang dibalas lagi oleh si penulis asli, nilainya 150 kali lipat dari satu like.

Angka ini bukan rumor atau dugaan growth hacker. Ia tertulis hitam di atas putih di file konfigurasi yang dipublikasikan Twitter pada April 2023, lalu dianalisis ulang oleh banyak peneliti independen setelah xAI merilis versi terbaru algoritma (Phoenix, berbasis Grok) pada Januari 2026. Pertanyaannya: kalau datanya sudah terbuka selama ini, kenapa masih sedikit orang yang benar-benar memanfaatkannya?

Apa yang Sebenarnya Diukur Algoritma

Sebelum bicara soal angka 150x, penting dipahami dulu cara kerja dasarnya. Setiap kali sebuah post masuk ke proses ranking, sistem menghitung skor akhir dengan formula sederhana: skor = jumlah dari (bobot setiap jenis engagement dikali probabilitas engagement itu terjadi).

Dari dokumentasi the-algorithm-ml, urutan bobotnya kira-kira begini:

Like atau favorite: bobot 0.5
Retweet/repost: bobot 1.0
Reply biasa: bobot 13.5
Profile click berkualitas: bobot 12.0
Reply yang dibalas lagi oleh penulis (reply engaged by author): bobot 75.0

Selisihnya jauh sekali. Like cuma dapat setengah poin, sementara percakapan dua arah — kamu membalas komentar orang di postmu sendiri — dapat 75 poin. Itu 150 kali lipat. Bukan estimasi kasar, tapi rasio matematis langsung dari dua angka yang sama-sama tercatat di file HomeGlobalParams.scala dan README proyek home/recap.

Satu hal yang perlu digarisbawahi soal kejujuran data di sini: angka 75.0 dan 0.5 ini berasal dari versi algoritma Twitter yang dirilis 2023 (sistem berbasis bobot manual atau hand-engineered weights). Repo terbaru yang dirilis xAI di GitHub xai-org/x-algorithm pada 2026 justru sudah meninggalkan pendekatan bobot tetap semacam ini — sistem barunya (Phoenix) pakai model transformer berbasis Grok yang "belajar" relevansi dari riwayat engagement, tanpa bobot manual yang eksplisit ditulis di kode. Tapi prinsip dasarnya — bahwa percakapan dua arah jauh lebih berharga daripada like pasif — tetap konsisten disebut di kedua generasi sistem ini, dan dikonfirmasi lewat analisis growth researcher seperti Charles Floate terhadap model Phoenix.

Mengapa Percakapan Dikalkulasi Lebih Mahal dari Persetujuan

Ini bukan kebetulan desain. Tim Twitter sendiri menjelaskan di README resmi mereka bahwa bobot-bobot ini awalnya disusun agar setiap jenis engagement, secara rata-rata, menyumbang kontribusi yang kurang lebih setara terhadap skor akhir — mengingat probabilitas terjadinya tiap jenis engagement itu sangat berbeda.

Logikanya begini: like itu murah secara kognitif. Sekali tap, selesai, tidak butuh berpikir. Karena itu like terjadi jauh lebih sering dibanding reply. Supaya reply (yang jarang terjadi tapi menunjukkan komitmen lebih besar) tetap punya bobot yang "adil" dalam skor akhir, ia harus diberi pengganda yang jauh lebih tinggi.

Dan reply yang dibalas lagi oleh penulis asli itu sinyal paling kuat dari semuanya — karena ia membutuhkan dua orang yang sama-sama berinvestasi waktu. Bukan cuma pembaca yang peduli, tapi penulis juga peduli cukup untuk membalas. Algoritma membaca ini sebagai bukti kuat bahwa konten tersebut benar-benar memicu sesuatu, bukan sekadar lewat di linimasa.

Konsekuensinya cukup mengganggu kalau dipikir lebih jauh: konten yang memancing perdebatan punya keunggulan algoritmik dibanding konten yang cuma membuat orang setuju dan menge-like. Beberapa analis growth bahkan menyebut ini sebagai alasan kenapa nada kontroversial sering terlihat "menang" di linimasa — bukan karena lebih benar, tapi karena secara matematis lebih murah untuk memicu percakapan dua arah.

Apa yang Bisa Dilakukan dengan Informasi Ini

Poin paling actionable dari semua ini sebenarnya sederhana: 15 menit pertama setelah posting bukan untuk dilewatkan begitu saja. Berikut yang bisa langsung dicoba.

Balas setiap komentar yang masuk di jam pertama. Bukan asal balas dengan "makasih ya" — tapi balasan yang cukup substantif untuk memicu orang membalas lagi. Pertanyaan balik biasanya lebih efektif daripada statement penutup.

Tulis konten yang secara natural mengundang reply, bukan sekadar like. Pernyataan yang sedikit terbuka untuk didebat, atau pertanyaan yang butuh jawaban personal, biasanya menghasilkan reply lebih banyak dibanding caption yang sudah "selesai" dengan sendirinya.

Jangan buru-buru pindah ke post baru kalau komentar masih masuk. Algoritma versi lama secara eksplisit memberi bobot tinggi untuk percakapan yang terjadi dalam jendela waktu dekat dengan waktu posting — jadi momentum di jam-jam awal itu yang paling menentukan.

Key takeaway: bukan jumlah likes yang menentukan seberapa jauh kontenmu didorong ke For You orang lain, tapi seberapa banyak percakapan dua arah yang berhasil kamu picu dan kamu rawat sendiri.

Batas yang Perlu Diingat

Penting juga untuk tidak menelan angka 150x ini secara mentah-mentah sebagai jaminan pasti. Beberapa hal yang patut dicatat sebagai konteks:

Bobot ini bukan satu-satunya faktor. Skor akhir tetap kombinasi dari belasan jenis prediksi engagement sekaligus — like, repost, klik profil, dwell time, dan beberapa sinyal negatif seperti mute atau report yang justru menurunkan skor drastis.

Sistem yang sekarang berjalan (Phoenix, era 2026) tidak lagi mempublikasikan tabel bobot tetap seperti versi 2023. Jadi angka 75.0 vs 0.5 itu valid sebagai bukti historis filosofi desain algoritma X, tapi bukan jaminan angka persis yang sama masih dipakai mentah-mentah hari ini.

Mengundang reply demi reply tanpa substansi (misalnya "balas A atau B di kolom komentar") memang bisa memanfaatkan celah ini secara teknis, tapi reputasi akun jangka panjang biasanya lebih terjaga kalau percakapan yang dipicu memang related dengan isi post.

Algoritma terbuka memang memberi kita peta. Tapi peta bukan jalan itu sendiri — yang menentukan arah tetap konten dan cara kita merespons orang yang sudah meluangkan waktu untuk berkomentar.

Referensi & Resources:

README proyek the-algorithm-ml, dokumentasi resmi bobot engagement Twitter (5 April 2023): https://github.com/twitter/the-algorithm-ml/blob/main/projects/home/recap/README.md
Repository xai-org/x-algorithm, dokumentasi sistem Phoenix berbasis Grok (2026): https://github.com/xai-org/x-algorithm
Blog resmi X Engineering tentang Twitter's Recommendation Algorithm: https://blog.x.com/engineering/en_us/topics/open-source/2023/twitter-recommendation-algorithm
Analisis Charles Floate terhadap bobot percakapan di algoritma Phoenix: https://www.thekeyword.co/news/x-algorithm-engagement-weights