Agus Tri Haryono

whatever you're thinking about me | Juventus Per Sempre | Persiba Balikpapan |

[Agus Tri Haryono @agusTharyono]

Lama ga buka X, ditampar artikel multi-agent agentic AI, RAG agent, self adaptive learning, perasaan baru awal tahun persaingan antar LLM.

[Ismail Fahmi @ismailfahmi]

Saat Aceh dan Sumatera "Tenggelam", Percakapan Publik Mengungkap Sesuatu yang Lebih Gelap dari Sekadar Banjir

Banjir mungkin datang dari langit, tapi kemarahan publik datang dari bawah. Dari lumpur, dari jalan-jalan terputus, dari warga yang berteriak minta tolong sementara negara sibuk berdebat soal status bencana nasional. Dan di balik semua itu, satu pertanyaan menggantung di udara. Apakah Aceh dan Sumatera sedang kebanjiran air, atau sedang kebanjiran ketidakadilan?

Bencana Besar yang Membuka Luka Politik Lama

Laporan Drone Emprit menunjukkan betapa besar skala bencana yang melanda Aceh, Sumatera Utara, dan Sumatera Barat. Antara 25–29 November 2025 saja, percakapan publik mencapai 102.599 mentions dengan 382 juta interaksi, mayoritas dari X/Twitter dan TikTok. Di lapangan, kerusakan sangat masif. Jembatan putus, jalan nasional lumpuh, puluhan kecamatan terisolasi, dan korban jiwa melonjak hingga 303 orang pada 29 November.

Tetapi data ini mengungkap sesuatu yang lebih besar dari bencana. Kemarahan terhadap persepsi ketidakadilan politik.

Di media sosial, sentimen negatif mencapai 35–46%, didorong oleh narasi:

- Penolakan pemerintah menetapkan status bencana nasional
- Isu Jawa-sentrisme dalam penanganan bencana
- Tuduhan bahwa izin tambang & sawit adalah akar kerusakan ekologis
- Persepsi bahwa Sumatera diabaikan karena bukan Jawa

Tagar seperti #SaveOrangUtanTapanuli dan kritik terhadap deforestasi masif semakin mempertegas bagaimana publik melihat bencana ini bukan lagi sebagai musibah alam, tetapi kejahatan ekologis.

Dua Realitas: Apa yang Dilihat Media, dan Apa yang Dialami Warga

Menariknya, laporan menunjukkan jurang persepsi antara pemberitaan media online dan narasi publik di medsos.

Media mainstream menonjolkan hal-hal positif: helikopter TNI, evakuasi udara, kunjungan presiden, dan bantuan puluhan ton logistik. Sebanyak 60% pemberitaan bernada positif.

Media sosial menampilkan realitas yang lebih gelap: warga terjebak, akses komunikasi hilang, solar habis, listrik padam berhari-hari, dan banyak yang tidak tersentuh bantuan karena terisolasi.

Peta percakapan X menunjukkan empat kluster besar:

1. Narasi Pemerintah: update cuaca, instruksi evakuasi, dan evaluasi tata kelola hutan.

2. Narasi Publik Positif: doa & donasi.

3. Narasi Media: penyebab banjir (Siklon Senyar & deforestasi).

4. Narasi Aktivis & Publik Kritis: tuduhan bencana ekologis & kritik politik.

Di sinilah terlihat Indonesia hidup dalam dua realitas informasi. Yang satu melihat negara bekerja, yang satu melihat warga berjuang sendiri.

Banjir atau Bencana Ekologis? Publik Mengarahkan Tudingan

Walau BMKG menyebut Siklon Tropis Senyar sebagai pemicu hujan ekstrem, publik menolak menjadikan cuaca sebagai kambing hitam. Data percakapan menunjukkan narasi ekologis sangat dominan.

Beberapa tokoh menegaskan hal ini, misalnya:

- WALHI menyebut banjir sebagai “bencana ekologis akibat campur tangan manusia”.

- Komisi VIII DPR menunjukkan keberadaan kayu gelondongan mengindikasikan perambahan hutan di hulu sungai.

- Tagar seperti #SaveOrangUtanTapanuli memperkuat desakan publik untuk audit izin tambang dan sawit.

Ratusan ribu warga membagikan video satelit, drone, dan foto deforestasi, menunjukkan perubahan tutupan lahan secara drastis di daerah-daerah terdampak.

Di panggung opini publik, bencana ini bukan lagi “banjir karena hujan”, tetapi “banjir karena kebijakan”.

Solidaritas Warga

Di tengah isolasi dan terputusnya akses, publik bergerak sendiri.

Gelombang solidaritas terlihat jelas:

- Donasi publik meningkat tajam

- Warganet membuat peta lokasi warga terjebak

- Organisasi masyarakat, PMI, MDMC, dan lembaga keagamaan bergerak lebih cepat di beberapa titik dibanding bantuan pemerintah daerah

Laporan menunjukkan tagar #PrayForSumatera bukan hanya doa, tetapi alat mobilisasi kolektif untuk bantuan darurat. Ini menunjukkan apa yang disebut laporan sebagai “solidaritas organik”. Saat warga mengambil alih peran yang seharusnya dikerjakan pemerintah dalam kondisi darurat.

Ketika Mesin Negara Dikerahkan

Di tengah kritik keras soal lambatnya respons di darat, negara sebenarnya sudah mengerahkan kekuatan udara secara masif untuk menjangkau wilayah yang lumpuh total. Menurut laporan, akses darat ke Sibolga dan beberapa daerah di Tapanuli sempat tidak bisa ditembus karena jalan nasional terbelah dan jembatan putus. Satu-satunya cara masuk adalah lewat udara.

Presiden Prabowo memerintahkan mobilisasi TNI–Polri–BNPB untuk percepatan evakuasi dan distribusi logistik, termasuk:

- Helikopter SAR untuk evakuasi dan airdrop bantuan

- Pesawat angkut untuk mengirim logistik dalam jumlah besar

- Bantuan pangan seperti 32,7 ton beras dan 6.300 ton minyak goreng dikirim via udara oleh pemerintah pusat

- Operasi cuaca untuk mengurangi curah hujan ekstrem di wilayah terdampak

Data ini tercatat sebagai salah satu faktor yang menciptakan sentimen positif di media online, yaitu 60% pemberitaan memuji respons cepat dan koordinasi negara dalam pengerahan bantuan udara.

Bahkan di media sosial yang cenderung kritis, visualisasi helikopter dan aparat menyelamatkan warga mampu mendorong peningkatan sentimen positif, khususnya di platform berbasis video seperti YouTube dan TikTok.

Bencana Ini Mengungkap Lebih dari Sekadar Kerusakan Fisik

Data dalam laporan menunjukkan bahwa bencana di Sumatera adalah:

1. Krisis ekologis yang lama ditumpuk, baru meledak sekarang.

Deforestasi, tata ruang yang lemah, dan izin lahan dilepaskan seperti bom waktu.

2. Krisis kepercayaan terhadap pemerintah pusat.

Penolakan menetapkan status bencana nasional menjadi simbol “ketimpangan respons negara”.

3. Krisis infrastruktur vital.

Ketakutan terbesar publik bukan airnya, tapi terjebak tanpa listrik, komunikasi, atau logistik.

4. Krisis komunikasi pemerintah.

Media memberikan narasi positif, tetapi publik melihat kenyataan berbeda.

Dan pada akhirnya, laporan ini menunjukkan: banjir membanjiri Aceh dan Sumatera, tetapi ketidakadilan membanjiri percakapan publik.

[SkalskiP @skalskip92]

basketball AI YouTube tutorial is finally live

over 1000 hours of work compressed into 37 minutes

link below; like and comments please

[Matt Dancho (Business Science) @mdancho84]

🔥 GPT-6 may not just be smarter.

It literally might be alive (in the computational sense).

A new research paper, SEAL: Self-Adapting Language Models (arXiv:2506.10943), describes how an AI can continuously learn after deployment, evolving its own internal representations without retraining.

Here are the details: 🧵

[Stanford NLP Group @stanfordnlp]

Want to learn the engineering details of building state-of-the-art Large Language Models (LLMs)? Not finding much info in @OpenAI’s non-technical reports?

@percyliang and @tatsu_hashimoto are here to help with CS336: Language Modeling from Scratch, now rolling out to YouTube.

[AK @_akhaliq]

Fin-R1 is out on Hugging Face

A Large Language Model for Financial Reasoning through Reinforcement Learning

[Valeriy M., PhD, MBA, CQF @predict_addict]

When it comes to #TimeSeries
#Forecasting, it turns out you don’t need LLMs or transformers!

Introducing CycleNet, a groundbreaking new architecture from
hashtag #NeurIPS2024 that outperforms all transformer-based models in time series forecasting.

[Sumanth @Sumanth_077]

Transformers visually explained:

https://t.co/9YYOIzUdbZ

[Santiago Víquez @santiviquez]

If you are having a hard time visualizing all the layers and matrix operations inside an LLM, then you'll love this website!

Check it out: https://t.co/5YTwn3XgdY

[Agus Tri Haryono @agusTharyono]

Mau santai malah mikirin 6÷2(2+1)

[Shubham Saboo @Saboo_Shubham_]

Opensource, customizable UI for building LLM apps with RAG to chat with documents.

You can use this framework to build a RAG app with Llama 3.2 running locally using Ollama (100% free and without internet).

[Rohan Paul @rohanpaul_ai]

Brilliant Paper from @Microsoft. 👏

"DIFFERENTIAL TRANSFORMER" ✨

DIFF Transformer cancels attention noise, enhancing key information retrieval and reducing hallucination in large language models.

• 30% accuracy improvement in key information retrieval with 64K context
• 10-20% accuracy gain in many-shot in-context learning across datasets
• 7-11% reduction in hallucination for summarization and question answering
• Maintains performance with 6-bit quantization, while Transformer degrades significantly

**Original Problem** 🔍:

Transformer tends to overallocate attention to irrelevant context, leading to challenges in accurately retrieving key information.

-----

**Solution in this Paper** 💡:

• Introduces DIFF Transformer with differential attention mechanism
• Calculates attention scores as difference between two separate softmax attention maps
• Subtraction cancels noise, promoting emergence of sparse attention patterns
• Amplifies attention to relevant context while reducing attention to irrelevant parts
• Uses GroupNorm to normalize each attention head independently

-----

**Key Insights from this Paper** 💡:

• DIFF Transformer outperforms Transformer in scaling model size and training tokens
• Requires only ~65% of model size or training tokens to match Transformer performance
• Excels in long-context modeling, key information retrieval, and in-context learning
• Mitigates hallucination in question answering and text summarization
• Reduces outliers in model activations, enabling better quantization

[Justinus Lhaksana @CoachJustinL]

THX @theafcdotcom , WE ARE BEING ROBBED BY YOUR REFEREE. #afcmafia

[Valeriy M., PhD, MBA, CQF @predict_addict]

#math

[Agus Tri Haryono @agusTharyono]

Pengen istirahat

[Tom Yeh @ProfTomYeh]

Transformer by hand✍️ Excel ~ I designed this exercise to show the core math of a Transformer model is to combine columns (attention), combine rows (feed forward), and repeat.👇Join the 'AI Math' community. 👇Download xlsx.

[Valeriy M., PhD, MBA, CQF @predict_addict]

Excited to host an upcoming guest talk by Stephane Degeye, the champion 🏆 of the first Kaggle probabilistic forecasting competition!

This session is part of the September cohort for my “Applied Conformal Prediction” course and will be open to all current students, as well as course alumni.

During the talk, Stephane will share his journey and walk us through his award-winning solution that leveraged conformal prediction, topping both public and private leaderboards while maintaining robustness against leaderboard shake-ups.

As a proud graduate of the inaugural “Applied Conformal Prediction” cohort, it's fantastic to welcome him back!

#conformalprediction #timeseries #forecasting

[Agus Tri Haryono @agusTharyono]

Dejavu tahun 2022, udah jauh2 ngerjakan, sekali report kena revisi semuanya. Dah Lah!!

[Mustafa @oprydai]

just what I was looking for.

[HMNS Perfumery @HmnsId]

We stand in the power of humans. As democracy should.