Ada akun dengan 500 follower yang postingannya muncul di For You feed milik orang yang followernya 2 juta. Bukan karena beli centang biru, bukan karena algoritma error. Ini memang cara mesinnya bekerja — dan sekarang kita bisa membuktikannya langsung dari kode programnya, karena xAI baru saja membuka source code lengkap "For You" feed di GitHub.

Saya habiskan beberapa jam membaca dokumentasi teknis repo itu. Bukan untuk jadi engineer dadakan, tapi untuk satu pertanyaan praktis: kalau kamu serius membangun audiens atau monetisasi dari X, apa yang sebenarnya dinilai mesin ini ketika memutuskan menampilkan konten kamu atau tidak? Jawabannya jauh lebih sederhana — dan lebih jujur — dari yang banyak "guru growth hacking" jual sebagai rahasia.

Lupakan SimClusters, Ini Bukan 2023 Lagi

Kalau kamu pernah baca artikel tentang algoritma X dan menemukan istilah "SimClusters" — sistem yang mengelompokkan user ke dalam ribuan cluster komunitas berdasarkan siapa yang mereka follow — itu memang benar, tapi itu cerita sistem lama yang dibuka tahun 2023.

Repository terbaru bernama x-algorithm punya arsitektur yang berbeda total. Tidak ada lagi clustering berbasis graph follow. Sistem yang sekarang menggabungkan konten dari dalam network (akun yang kamu follow) dengan konten luar network yang ditemukan lewat retrieval berbasis machine learning, lalu meranking semuanya dengan model transformer berbasis Grok.

Dua komponen intinya bernama Thunder dan Phoenix. Thunder menangani konten dari akun yang kamu follow, sementara Phoenix Retrieval menemukan konten dari akun yang tidak kamu follow lewat pencarian kemiripan berbasis machine learning di seluruh korpus global. Phoenix sendiri bekerja dua tahap — pertama mencari kandidat lewat model "two-tower" (satu tower merepresentasikan user, satu tower merepresentasikan konten), lalu meranking kandidat itu lewat model transformer yang memprediksi kemungkinan kamu akan engage.

Yang paling menarik justru bagian ini: tim pengembang menghapus hampir semua fitur yang direkayasa manual dan sebagian besar heuristik dari sistem ini. Model transformer berbasis Grok yang melakukan semua kerja berat dengan memahami riwayat engagement kamu — apa yang kamu like, balas, share — dan menggunakannya untuk menentukan konten apa yang relevan untukmu.

Jadi pertanyaan judul artikel ini bukan retorika. Itu memang prinsip desain yang tertulis literal di dokumentasinya.

Bagaimana Mesin Ini Sebenarnya Menilai Postinganmu

Setiap kali kamu posting, sistem tidak bertanya "siapa yang follow orang ini?" Ia bertanya hal yang jauh lebih spesifik: model transformer ini memprediksi probabilitas untuk berbagai jenis aksi — like, reply, repost, quote, klik, klik profil, view video, perbesar foto, share, dwell time, follow ke author, hingga sinyal negatif seperti tidak tertarik, block, mute, dan report.

Semua prediksi itu lalu dijumlahkan jadi satu skor akhir lewat rumus yang disebut Weighted Scorer. Skor final dihitung sebagai penjumlahan dari bobot dikali probabilitas tiap aksi — di mana aksi positif seperti like, repost, dan share punya bobot positif, sementara aksi negatif seperti block, mute, dan report punya bobot negatif yang justru menurunkan skor konten yang kemungkinan tidak disukai user.

Ada satu detail teknis yang jarang dibahas tapi penting dipahami: saat proses ranking berjalan, kandidat-kandidat konten ini tidak bisa "melihat" satu sama lain — mereka hanya bisa memperhatikan konteks user. Ini memastikan skor sebuah post tidak bergantung pada post lain apa saja yang ada di batch yang sama, jadi skornya konsisten dan bisa di-cache.

Artinya begini: postinganmu tidak dinilai relatif terhadap kompetisi di feed orang itu hari ini. Ia dinilai murni berdasarkan: seberapa cocok konten ini dengan riwayat perilaku spesifik user tersebut. Itu sebabnya follower besar tidak otomatis menang — kalau kontenmu tidak match dengan pola engagement seseorang, algoritma tidak peduli berapa juta orang follow kamu.

Lalu, "Riset Apa yang Sedang Panas" Itu Maksudnya Apa?

Kalau prediksi engagement-nya personal per user, lalu untuk apa riset tren komunitas growth/monetisasi? Di sinilah letak strategi praktisnya.

Sistem ini belajar dari pola, bukan dari niat baikmu. Kalau base data historis menunjukkan konten tentang topik tertentu — katakanlah strategi monetisasi kreator, atau studi kasus growth organik — secara konsisten memicu reply panjang dan bookmark di komunitas yang relevan, maka model akan mempelajari korelasi itu untuk audiens dengan minat serupa.

Ini bukan soal "menebak kata kunci yang viral." Ini soal memahami pola interaksi yang sedang aktif di sebuah niche, lalu membuat konten yang secara natural memicu pola serupa — bukan karena kamu menyalin formatnya, tapi karena substansinya memang sejalan dengan apa yang komunitas itu sedang butuhkan.

Tiga langkah praktis yang bisa kamu mulai dalam seminggu ini:

Lacak threads dengan reply rate tinggi di niche kamu, bukan like rate tinggi. Reply menunjukkan konten itu memicu percakapan nyata — sinyal yang menurut struktur prediksi multi-aksi di atas, ikut dihitung sebagai aksi positif terpisah dari like.
Gunakan AI untuk meringkas pola pertanyaan berulang di komunitas growth/monetisasi yang kamu ikuti — bukan untuk menulis ulang topiknya, tapi untuk menemukan sudut yang belum banyak dijawab dengan baik.
Uji satu hipotesis konten per minggu, lalu bandingkan rasio reply-terhadap-impression-nya, bukan sekadar total impression. Reply yang dibalas lagi oleh penulis aslinya secara historis terbukti jadi sinyal kualitas conversational yang kuat di platform ini.

Yang Perlu Diingat Sebelum Kamu Buru-buru "Optimasi"

Ada satu hal yang penting digarisbawahi dengan jujur: dokumentasi resmi x-algorithm di GitHub tidak mempublikasikan angka bobot spesifik untuk tiap jenis aksi — tidak ada pernyataan resmi semacam "reply dihargai sekian kali lipat dari like." Banyak artikel populer di luar yang mengklaim angka pasti seperti itu, tapi klaim tersebut berasal dari analisis dan asumsi komunitas eksternal terhadap versi-versi kode sebelumnya, bukan dari dokumentasi resmi rilis terbaru. Kalau kamu menemukan angka semacam itu, perlakukan sebagai estimasi, bukan fakta yang dikonfirmasi.

Yang memang dikonfirmasi resmi dari dokumentasi: ada mekanisme Author Diversity Scorer yang secara sengaja meredam skor kalau satu author muncul berulang di feed yang sama, untuk menjaga keragaman konten. Jadi spam posting dari satu akun yang sama dalam waktu berdekatan justru bisa kontraproduktif terhadap distribusinya sendiri.

Strategi paling realistis bukan "hack" satu trik ajaib, tapi membangun pola posting yang konsisten memicu engagement multi-dimensi — reply, dwell time, share — pada audiens yang memang relevan dengan topikmu. Itu yang menurut struktur sistem ini benar-benar dihitung, bukan sekadar follower count yang dipajang di bio.

Key takeaway: Algoritma ini tidak bertanya siapa kamu. Ia bertanya apakah riwayat perilaku user tertentu menunjukkan kemungkinan mereka akan bereaksi terhadap apa yang kamu tulis — dan itu bisa diteliti, bukan ditebak.

Referensi & Resources: