EVOLUSI POLA KOMUNIKASI MASSA DI ERA ALGORITMA: PERSONALISASI BERITA DAN TRANSFORMASI KONSUMSI INFORMASI
DOI:
https://doi.org/10.55338/mekas.v3i2.220Keywords:
Artificial Intelligence, komunikasi massa, personalisasi berita, algorithmic gatekeeping, konsumsi berita digital, pembentukan opini publik, filter bubble, echo chamberAbstract
Transformasi digital mengubah mekanisme gatekeeping dalam komunikasi massa melalui sistem rekomendasi yang mempersonalisasi informasi berdasarkan perilaku dan preferensi pengguna. Penelitian ini bertujuan menganalisis hubungan antara akurasi personalisasi AI, transparansi algoritma, diversitas informasi, perubahan pola konsumsi berita, dan pembentukan opini publik. Penelitian menggunakan mixed-method explanatory sequential dengan komponen kuantitatif berbasis SEM-PLS dan komponen kualitatif melalui observasi serta wawancara semi-terstruktur. Data kuantitatif berasal dari 420 responden yang dipilih secara purposif. Hasil yang tersedia menunjukkan nilai R² sebesar 0,418 untuk diversitas informasi, 0,674 untuk perubahan pola konsumsi berita, dan 0,596 untuk pembentukan opini publik; seluruh nilai Q² yang dilaporkan lebih besar dari nol. Ukuran efek f² yang tersedia adalah 0,381 pada jalur akurasi personalisasi AI–perubahan pola konsumsi, 0,229 pada transparansi algoritma–perubahan pola konsumsi, 0,318 pada akurasi personalisasi AI–diversitas informasi, 0,287 pada diversitas informasi–perubahan pola konsumsi, dan 0,463 pada perubahan pola konsumsi–pembentukan opini publik. Temuan tersebut menunjukkan bahwa model memiliki daya jelas dan relevansi prediktif pada konstruk endogen yang dilaporkan. Namun, nilai koefisien jalur, t-statistic, p-value, dan indirect effect tidak tersedia dalam naskah sumber sehingga signifikansi individual dan efek mediasi tidak dinyatakan dalam versi revisi. Secara konseptual, penelitian menempatkan AI sebagai bagian dari mekanisme algorithmic gatekeeping dan menegaskan perlunya menyeimbangkan relevansi personalisasi dengan keberagaman informasi.
References
Cinelli, M., Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. Proceedings of the National Academy of Sciences, 118(9), 2023301118. https://doi.org/10.1073/pnas.2023301118
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM (3rd ed.).
Han, H., Wang, C., Zhao, Y., Shu, M., Wang, W., & Min, Y. (2022). SSLE: A framework for evaluating the “filter bubble” effect on the news aggregator and recommenders. World Wide Web, 25, 1169–1195. https://doi.org/10.1007/s11280-022-01031-4
Li, R., Heitz, L., Inel, O., & Bernstein, A. (2025). D-RDW: Diversity-driven random walks for news recommender systems. Proceedings of the 19th ACM Conference on Recommender Systems, RecSys ’25, 558–563. https://doi.org/10.1145/3705328.3748016
Møller, L. A. (2022). Recommended for you: How newspapers normalise algorithmic news recommendation to fit their gatekeeping role. Journalism Studies, 23(7), 800–817. https://doi.org/10.1080/1461670X.2022.2034522
Newman, N., Fletcher, R., Robertson, C. T., Eddy, K., & Nielsen, R. K. (2024). Digital news report 2024. Reuters Institute for the Study of Journalism, University of Oxford.
Peukert, C., Sen, A., & Claussen, J. (2024). The editor and the algorithm: Recommendation technology in online news. Management Science, 70(9), 5816–5831. https://doi.org/10.1287/mnsc.2023.4954
Podsakoff, P. M., Podsakoff, N. P., Williams, L. J., Huang, C., & Yang, J. (2024). Common method bias: It’s bad, it’s complex, it’s widespread, and it’s not easy to fix. Annual Review of Organizational Psychology and Organizational Behavior, 11, 17–61. https://doi.org/10.1146/annurev-orgpsych-110721-040030
Shin, D., & Zhou, S. (2024). A value and diversity-aware news recommendation systems: Can algorithmic gatekeeping nudge readers to view diverse news? Journalism & Mass Communication Quarterly. https://doi.org/10.1177/10776990241246680
Tintarev, N., Knijnenburg, B. P., & Willemsen, M. C. (2024). Measuring the benefit of increased transparency and control in news recommendation. AI Magazine, 45(2), 212–226.
Wu, C., Wu, F., Huang, Y., & Xie, X. (2023). Personalized news recommendation: Methods and challenges. ACM Transactions on Information Systems, 41(1), 1–50. https://doi.org/10.1145/3530257
Yu, X., Haroon, M., Menchen-Trevino, E., & Wojcieszak, M. (2024). Nudging recommendation algorithms increases news consumption and diversity on YouTube. PNAS Nexus, 3(12), 518. https://doi.org/10.1093/pnasnexus/pgae518
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Media dan Komunikasi (MEKAS)

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.