Pengalaman pembaca di kota padang terhadap personalisasi konten berita pada portal berita online Indonesia

Abstract

Penelitian ini bertujuan untuk menyelidiki pengalaman pembaca di Kota Padang terhadap personalisasi konten berita pada portal berita online di Indonesia. Dengan menggunakan metode kualitatif dan pendekatan studi kasus, penelitian ini mengumpulkan data melalui wawancara mendalam dan observasi partisipatif. Hasil penelitian menunjukkan bahwa personalisasi konten berita dianggap sangat membantu dalam menghemat waktu dan usaha pembaca dalam menemukan berita yang relevan. Namun, terdapat kekhawatiran terkait privasi data, transparansi algoritma, dan potensi bias yang dapat memperkuat stereotip atau memarginalkan kelompok tertentu. Penelitian ini memberikan wawasan berharga untuk mengoptimalkan manfaat personalisasi konten berita sekaligus mengatasi tantangan dan risiko yang terkait dengannya. Temuan ini diharapkan dapat berkontribusi pada pengembangan praktik terbaik dan pedoman etis dalam penerapan personalisasi konten berita dengan kecerdasan buatan di Indonesia.

Keywords
  • Personalisasi Konten
  • Kecerdasan Buatan
  • Berita Online
  • Pengalaman Pembaca
  • Filter Bubble
References
  1. Chen, Chiang, & Storey. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165. https://doi.org/10.2307/41703503
  2. Creswell, J. W. (2013). Qualitative Inquiry & Research Design (3rd ed.). Sage Publications.
  3. Garcin, F., Dimitrakakis, C., & Faltings, B. (2013). Personalized news recommendation with context trees. Proceedings of the 7th ACM Conference on Recommender Systems, 105–112. https://doi.org/10.1145/2507157.2507166
  4. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
  5. Milano, S., Taddeo, M., & Floridi, L. (2020). Recommender systems and their ethical challenges. AI & SOCIETY, 35(4), 957–967. https://doi.org/10.1007/s00146-020-00950-y
  6. Mufarida, B. (2024, March 1). Dewan Pers Sebut Baru 1.700 Media yang Sudah Terverifikasi. Okezone.Com, 1. https://nasional.okezone.com/read/2024/03/01/337/2977795/dewan-pers-sebut-baru-1-700-media-yang-sudah-terverifikasi
  7. Newman, N., Fletcher, R., Robertson, C. T., Eddy, K., & Nielsen, R. K. (2022). Reuters Institute Digital News Report 2022. 53(9), 1689–1699.
  8. Nguyen, T. T., Hui, P.-M., Harper, F. M., Terveen, L., & Konstan, J. A. (2014). Exploring the filter bubble. Proceedings of the 23rd International Conference on World Wide Web, 677–686. https://doi.org/10.1145/2566486.2568012
  9. Pariser, E. (2011). The Filter Bubble: What the Internet Is Hiding from You (Chris Welch (ed.); 1st ed.). Penguin Press.
  10. Shearer, Elsa. Mithcell, A. (2021). News Use Across Social Media Platforms in 2020. https://pewrsr.ch/3nzYpQd
  11. Thurman, N., & Schifferes, S. (2012). The future of personalization at news websites: Lessons from a longitudinal study. Journalism Studies, 13(5–6), 775–790. https://doi.org/10.1080/1461670X.2012.664341
  12. Yin, R. K. (2014). Case Study Research (5th ed.). Sage Publications.

Downloads

PDF

Statistic

Abstract Views
: 302 times
PDF
: 53 times