AUTOMATED JOURNALISM (INDO VER)

Bab 10 Jurnalis, Temui Algoritma Rekan Baru Anda: Dampak Otomatisasi pada Distribusi
Konten dan Pembuatan Konten di Ruang Berita
Jessica Kunnert

1. Perkenalan
Tidak hanya akademik, tetapi juga kehidupan sehari-hari telah dipengaruhi oleh
hadirnya otomatisasi dan algoritme dengan banyak aplikasi. Misalnya, Algoritme untuk
menentukan jenis rekomendasi yang ditampilkan di situs e-shopping, atau pembaruan status
yang muncul di feeds media sosial. Secara umum, algoritme didefinisikan sebagai "urutan
langkah komputasi yang mengubah input menjadi output" (Cormen et al. 2009: 5). Dalam
kasus e-shopping, menginput cara berperilaku penelusuran sebelum-sebelumnya di situs web
belanja elektronik terkait, seperti Amazon.com, atau item yang dimasukkan ke daftar
keinginan di situs web e-shopping (Ricci et al. 2011). Algoritme kemudian mengubah
masukan ini menjadi rekomendasi yang dipersonalisasikan. Algoritma juga digunakan untuk
menentukan penyebaran konten pada platform media sosial, seperti pada newsfeed Facebook
yang infomasinya diprioritaskan sesuai popularitas postingan, atau kontak yang sefrekuensi
dengan teman Facebook (Facebook Help Center 2019).
Penggunaan algoritme di beberapa domain ini pun dikritik. Informasi yang relevan
pun mungkin akan hilang bagi pengguna karena beberapa jenis konten yang diprioritaskan di
atas daripada yang lain. Sebagai contoh sebuah kasus, pada awal 2018, Facebook telah
memperbarui algoritme news feednya untuk memprioritaskan kiriman dari teman dan
keluarga daripada kiriman dari outlet berita dan pengiklan. Perubahan ini menjadi lebih
ramah pengguna, Facebook pun (Mosseri 2018), telah di kritik dari beberapa outlet berita,
karena yang dikhawatirkan bahwa rasio klik mereka akan menurun jika mereka tidak
ditampilkan di feed berita pengguna seperti sebelumnya (Vanian 2018) ).
Untuk menganalisis status dan penggunaan algoritme di ruang redaksi, bidang
jurnalisme komputasi yang baru lahir mempelajari kombinasi algoritme, data, dan
pengetahuan dari ilmu sosial untuk melengkapi fungsi akuntabilitas jurnalisme "(Hamilton
dan Turner 2009: 2; lihat juga Cohen et al. 2011). Dalam praktiknya, jurnalisme komputasi
meneliti bagaimana jurnalisme menggunakan sumber data yang sebelumnya tidak tersedia,
juga dalam kombinasi dengan data-mining yang sangat kuat dan jenis perangkat lunak
lainnya (Flew et al. 2012: 161). Selain itu , Coddington (2014: 335) menekankan teknik yang
ditawarkan jurnalisme komputasi kepada jurnalisme, seperti "penerapan metode komputasi
dan pemikiran pada praktik pengumpulan informasi, pemahaman, dan penyajian informasi".
Sedangkan teknik komputasi ini melampaui penggunaan algoritma dan juga, misalnya,
termasuk penggunaan crowd-sourcing untuk mengumpulkan materi (lihat Daniel dan
Terbang 2010), bab ini berfokus pada penggunaan algoritma dalam jurnalisme.
Sementara itu, definisi yang diberikan di atas menganggap alat komputasi sebagai alat
yang semata-mata untuk mencapai tujuan, bidang ini juga berkaitan dengan perubahan yang
lebih luas dalam jurnalisme melalui peningkatan relevansi algoritme. Kedatangan algoritme
telah mengubah jurnalisme dan tetap berlanjut dilakukan dibawah tekanan perdebatan, dan
mengklaim optimis bahwa jurnalis akan beradaptasi terhadap hal itu (van Dalen 2012),
sehingga telah mencapai pernyataan yang luas bahwa algoritme mengubah kultur praktik
dalam menulis berita (Anderson 2013). Klaim perubahan besar ini dikarenakan algoritme
mungkin merupakan bagian dari "drama teknologi" (Pfaffenberger 1992), dimana hubungan
sosial dan ekonomi yang baru antara teknologi dan jurnalisme pun semakin berkembang.
Singkatnya, untuk menilai dampak algoritma terhadap jurnalisme, juga faktor-faktor lain di
sekitarnya seperti politik dan budaya harus dipertimbangkan (Anderson 2013; Flew et al.
2012).
Bab ini memaparkan dua contoh menonjol untuk penggunaan algoritme di ruang
redaksi. Dimulai dengan bagaimana algoritma digunakan untuk mendistribusikan suatu
konten, personalisasi sebuah berita yang lagi dibahas. Untuk menciptakan suatu konten
melalui algoritme ini , bab ini pun mengevaluasi proses jurnalisme otomatis tersebut di ruang
redaksi.

2 Algoritma untuk Distribusi Konten: Personalisasi Berita

Niat untuk menggunakan algoritme dalam pelaporan berita bukanlah hal baru (lihat
Manber et al. 2000), tetapi algoritme semakin sering digunakan oleh outlet berita selama
beberapa tahun terakhir (Thurman dan Schifferes 2012; Kunert dan Thurman 2019). Salah
satu fungsi yang sering digunakan adalah personalisasi berita, yang menyesuaikan distribusi
konten ke pengguna individu. Pada bagian ini dijelaskan personalisasi berita serta dibahas
mengenai tantangan dan potensinya.

2.1 Personalisasi Berita Eksplisit dan Implisit

 Meskipun outlet berita tidak menggunakan algoritme untuk meniru visi Negroponte
(1995) tentang "Daily Me", surat kabar digital yang sepenuhnya dipersonalisasi untuk setiap
pembaca, mereka tetap menggunakannya untuk membentuk distribusi berita sesuai dengan
minat pengguna. Fitur personalisasi berita bertujuan untuk memberi pembaca konten yang
relevan dengan mereka, dengan ini misalnya memanfaatkan bantuan pembaca dengan
menanyakan jenis konten apa yang ingin mereka terima lebih banyak. Jadi, dalam eksplisit
mempengaruhi cara konten mereka dipersonalisasi, pengguna dapat memilih topik di situs
web outlet berita atau di aplikasi berita masing-masing, seperti olahraga, politik, atau bahkan
kata kunci yang mudah, sehingga outlet tersebut memprioritaskan berita tersebut di atas yang
lain (Montaner et al. 2003). Tindakan personalisasi eksplisit lainnya meminta pengguna
untuk membuat profil pribadi, atau berlangganan RSS feed atau buletin email. Selain
personalisasi eksplisit, personalisasi implisit juga dapat digunakan (lihat Thurman dan
Schifferes 2012). Pengukuran implisit menganalisis perilaku pengguna dengan menggunakan
alat analitik data, sehingga artikel dipilih oleh algoritme berdasarkan artikel yang dibaca
sebelumnya atau lokasi pengguna.
Kombinasi pengukuran personalisasi eksplisit dan implisit telah ditemukan untuk
menghasilkan gambaran paling akurat tentang preferensi pengguna. Sebagai Kamba et al.
(1997) dan De Pessemier et al. (2015) menunjukkan, kedua jenis ukuran tersebut memiliki
kelebihan: personalisasi implisit tidak bergantung pada pengguna dan dengan demikian lebih
mudah digunakan, tetapi tindakan personalisasi eksplisit mengisi celah yang muncul saat
hanya mengandalkan perilaku membaca dan menjelajah pengguna sebelumnya.
Karena kedua jenis personalisasi semakin menemukan jalan mereka ke dalam strategi outlet
berita, algoritme umumnya dipandang disukai oleh pengguna. Ketika pengguna berita online
ditanya bagaimana mereka ingin berita mereka dipilih untuk mereka di media sosial atau di
situs web berita, lebih banyak orang cenderung membiarkan algoritme memilih konten
mereka daripada editor atau jurnalis (Newman et al. 2016: 12) . Dalam studi yang sama,
seorang peserta menekankan bahwa "dengan media sosial, Anda adalah editor Anda sendiri"
(Newman dkk. 2016: 12), menunjukkan bahwa bantuan algoritme untuk memilih artikel
menjadi lebih populer bagi pengguna.

2.2 Tantangan dan Potensi Personalisasi Berita Melalui Algoritma

Namun, meskipun algoritme tampaknya menjadi bentuk distribusi berita yang tepercaya,
tantangan juga muncul. Dengan langkah-langkah personalisasi eksplisit, pengguna sering
ditemukan melewatkan proses menyiapkan profil, atau tidak menjaganya, yang mengarah ke
kadaluwarsa (Gauch et al. 2007). Selain itu, pengguna mungkin melihat tindakan menyiapkan
profil sebagai kerumitan (Groot Kormelink dan Costera Meijer 2014) dan mungkin menahan
informasi karena mereka malu menyatakan kepentingan tertentu (Sela et al. 2015: 2).
Kekhawatiran juga disuarakan apakah personalisasi menangkap pengguna dalam
"gelembung filter" (Pariser 2011; Sunstein 2001). Dengan demikian, dikhawatirkan pengguna
akan terus disajikan konten yang mereka setujui, sehingga menutup pandangan dunia lain.
Meskipun jumlah bukti empiris untuk hal ini kecil (lihat Flaxman dkk. 2016; Zuiderveen
Borgesius dkk. 2016), terutama penyedia layanan publik ditemukan waspada terhadap
personalisasi (Sørensen 2013), karena takut akan pandangan dunia yang "terbatas atau rusak.
"(Groot Kormelink dan Costera Meijer 2014: 635). Di sini, diindikasikan bahwa pengguna
hanya dapat diinformasikan sepenuhnya jika mereka terpapar pada semua jenis berita, dan
bahwa outlet berita harus menggunakan kekuatan pengaturan agenda mereka, sebuah proses
yang diyakini dapat menghambat personalisasi.
Groot Kormelink dan Costera Meijer (2014) mempresentasikan temuan serupa,
karena responden mereka menyatakan bahwa mereka khawatir bahwa mereka akan
kehilangan informasi yang memungkinkan mereka terhubung dengan keluarga dan teman
mereka (lihat juga Newman et al. 2016: 12). Dengan demikian, nilai sebuah berita tidak
hanya terletak pada artikel yang secara langsung menyentuh kepentingan pembacanya, tetapi
juga pada gambaran tentang apa yang sedang terjadi di dunia, dengan menekankan bahwa ada
sekumpulan berita yang harus diketahui oleh masyarakat. Temuan ini bertentangan dengan
studi Newman et al. (2016), yang menunjukkan bahwa konten tepercaya pengguna yang
dipilih oleh algoritme berdasarkan perilaku mereka sendiri lebih banyak daripada konten
yang dipilih oleh teman atau editor. Ini menunjukkan bahwa opini pengguna dapat dibagi
berdasarkan personalisasi.
Sebaliknya, penggunaan algoritme dan personalisasi distribusi berita juga memiliki
potensi keuntungan. Sementara banyak penyedia layanan publik sangat kritis terhadap
personalisasi, beberapa telah siap menerima fitur tersebut (Sørensen 2013). BBC News,
misalnya, berfokus pada potensi personalisasi untuk menyegmentasikan konten agar lebih
relevan dengan kelompok yang kurang terlayani, seperti kaum muda dan wanita (Kunert dan
Thurman 2019). Karena konten disesuaikan dengan audiens yang kurang terlayani, itu
menjadi lebih relevan bagi mereka, yang, pada gilirannya, menumbuhkan loyalitas merek
(komunikasi pribadi, 14.12.2016, Kepala Produk di BBC News). Pendekatan ini juga dapat
digunakan untuk outlet internasional, yang dapat menggunakan pencari lokasi IP untuk secara
khusus menyesuaikan situs web mereka dengan pengunjung dari luar negeri.
Secara keseluruhan, meskipun personalisasi pada prinsipnya adalah alat yang
membantu pembaca membentuk pengalaman berita mereka sendiri, ada beberapa tantangan
yang harus dihadapi. Selain dari pengguna yang merasa kerepotan untuk membuat profil atau
berurusan dengan upaya personalisasi yang tidak akurat, perlindungan data juga merupakan
masalah yang harus didiskusikan. Menjadikan transparan data pribadi mana yang digunakan
dan untuk tujuan apa sangat penting bagi pengguna dan outlet berita (Helberger 2016). Selain
penggunaan data, ada juga seruan untuk "algoritma akuntabilitas mic", yang berarti bahwa
outlet berita harus transparan tentang cara kerja algoritme mereka, misalnya bagaimana
memprioritaskan dan memfilter informasi (Diakopoulos 2015).

3. Algoritma untuk Pembuatan Konten: Jurnalisme Otomatis

Sementara teknologi personalisasi memanfaatkan konten yang telah diproduksi dan
mengirimkannya sesuai dengan selera pengguna, algoritme juga dapat menghasilkan seluruh
artikel dari awal dalam bentuk teks dan video.
Beberapa istilah telah dikemukakan untuk menggambarkan teknologi ini, seperti “algorithmic
journalism” (Door 2016), “robot journalism” (van Dalen 2012), dan “jurnalisme otomatis”
(Carlson 2015), yang banyak digunakan secara bergantian. Dalam bab ini, “automated
journalism” digunakan untuk merujuk pada algoritme yang membuat konten berita, yang
didefinisikan sebagai “proses algoritmik yang mengubah data menjadi teks berita naratif
secara terbatas tidak ada campur tangan manusia di luar pemrograman awal” (Carlson 2015:
417). Cara kerja, persepsi dari suatu artikel, dan tantangan jurnalisme otomatis dijelaskan di
bagian berikut.
3.1 Cara Kerja Jurnalisme Otomatis
Artikel yang dibuat secara otomatis melalui perangkat lunak penghasil Bahasa alami (lihat
Door 2016), yang menghasilkan teks berdasarkan data yang telah ditentukan sebelumnya.
Semua kumpulan data yang menyampaikan informasi secara terstruktur dapat digunakan
untuk proses ini, seperti data tentang statistik pertandingan olahraga, tingkat kejahatan, atau
masalah keuangan. Untuk memasukkan data ke dalam teks yang koheren, sebagian besar
perangkat lunak memerlukan template untuk di definisikan setelah artikel tersebut
dimodelkan. Menggunakan software Wordsmith sebagai contoh, pada langkah pertama, suatu
tempat untuk titik data dimasukkan ke dalam template ini, seperti untuk jumlah gol atau kartu
kuning dalam permainan sepak bola. Kedua, tidak seperti teks isian, narasi yang berbeda
diproduksi untuk titik data yang berbeda, seperti pertandingan sepak bola yang berbeda.
Untuk melakukannya, algoritme harus dilatih agar dapat menjelaskan hasil yang berbeda,
seperti keuntungan dan kerugian dari tim sepak bola yang berbeda, atau, dalam kasus
pelaporan kejahatan, untuk tingkat kejahatan yang menurun dan meningkat, sehingga teks
berubah sesuai dengan data diberikan. Pelatihan ini harus kompleks untuk memperhitungkan
semua kemungkinan kejadian, misalnya dengan menggunakan struktur jika-maka-dan lain-
lain.
Secara gaya, ada juga cara untuk memastikan bahwa tidak semua artikel yang
dihasilkan menggunakan ekspresi yang sama, misalnya dengan mendefinisikan sinonim teks.
Saat template selesai, algoritme secara otomatis mengakses informasi yang relevan dari
kumpulan data, dan menghasilkan artikel secara instan. Setelah template ditulis, pada
prinsipnya dapat digunakan berulang kali. Meskipun dimungkinkan untuk mempublikasikan
artikel ini sebagaimana adanya, beberapa redaksi lebih suka menggunakan teks yang dibuat
secara otomatis sebagai dasar untuk pelaporan mereka, yang berarti bahwa mereka menulis
ulang bagian dari cerita dan menambahkan kutipan dan fakta lain yang tidak ditampilkan
dalam kumpulan data (Johannes Sommer, CEO Retresco, personal communication,
13.07.2018).
Untuk video otomatis, prosesnya berbeda dari proses pembuatan bahasa alami. Dalam
kasus penyedia video otomatis Wibbitz, teks yang sudah ada diringkas oleh algoritme, lalu
ringkasan ini digunakan untuk membuat teks untuk video secara otomatis. Gambar dan video
yang sesuai untuk mengilustrasikan topik yang diambil dari database dan musik serta elemen
grafik ditambahkan. Mirip dengan mengedit artikel yang dibuat secara otomatis, ada banyak
pengaturan yang dapat dimanipulasi oleh jurnalis, seperti pilihan musik atau gambar, tetapi
juga elemen seperti panjang video dan setiap bingkai foto.
3.2 Penggunaan Jurnalisme Otomatis di Ruang Berita
Jurnalisme otomatis sekarang digunakan dalam banyak hal jurnalistik (Door 2016).
Salah satu aplikasi penting yang pertama menggunakan teks yang diproduksi secara otomatis
adalah QuakeBot, yang telah menghasilkan artikel tentang gempa bumi di daerah Los
Angeles sejak 2014, dan masih digunakan (Oremus 2014). Statsheet, aplikasi sebelumnya,
melaporkan permainan olahraga dan semenjak itu menjadi Wawasan Otomatis, sebuah
perusahaan yang menawarkan jurnalisme otomatis untuk banyak jurnalistik (Schonfeld 2010;
Wauters 2011).
 Keuangan, kejahatan, dan olahraga sangat layak untuk penggunaan jurnalisme
otomatis karena kekayaannya dalam data yang terstruktur. Misalnya, pembuatan teks
otomatis digunakan oleh Associated Press untuk laporan pendapatan perusahaan (Automated
Insights 2019), dan portal sepak bola Jerman untuk menghidupkan kembali liputan olahraga
lokal (Gizinski 2017). Produksi berita otomatis juga memainkan peran besar di Washington
Post, di mana perangkat lunak "Heliograf" diprogram secara internal untuk melaporkan
sejumlah topik besar (WashPostPR 2016). Pada tahun 2016 dan 2018, "Heliograf" digunakan
untuk reportase Olimpiade di Rio dan Pyeongchang, yang secara otomatis memposting
perolehan medali dan hasil acara Olimpiade di Twitter. Selain olahraga, “Heliograf” juga
digunakan untuk Twitter lain yang mencakup acara lokal seperti olahraga sekolah menengah
(Moses 2017), misalnya.
Lebih jauh tentang potensi berita otomatis untuk berita lokal atau hiperlokal, peristiwa
yang mungkin tidak mendapatkan perhatian media apa pun atau masih sangat terbatas dapat
dilaporkan dengan teknologi ini. (Lokot dan Diakopoulos 2015). Salah satu contohnya adalah
laporan cuaca, atau, dalam kasus olahraga, laporan yang mungkin menekankan pencapaian
satu tim di atas yang lain, tergantung di mana artikel tersebut didistribusikan. Jeremy Gilbert,
direktur inisiatif strategis Washington Post, menekankan potensi perangkat lunak mereka
"Heliograf" untuk pelaporan lokal: "Di masa lalu, The Post tidak mungkin mengelola lebih
dari segelintir game paling signifikan di setiap minggunya. Sekarang, kami akan dapat
mencakup game apa pun dengan data yang kami miliki, memberikan liputan yang hampir
instan kepada tim dan penggemar untuk dibaca dan dibagikan “(WashPostPR 2017).
3.3 Apa yang Dipikirkan Jurnalis Tentang Jurnalisme Otomatis
Para jurnalis umumnya mewaspadai perkembangan ini. Sebagai Thurman et al. (2017)
menunjukkan, jurnalis umumnya menemukan sisi kreatif dari proses yang kurang, dan
perangkat lunaknya tidak cukup intuitif. Terlepas dari pengamatan umum ini, mereka sangat
ingin berurusan dengan volume data yang besar, dan takut bahwa banyak titik data
mengaburkan titik perangkat lunak pembuatan, misalnya dengan membuatnya menghasilkan
data teks sederhana yang disediakan.
Perwakilan Reuters juga melihat perangkat lunak tersebut sebagai cara untuk
mempercepat pelaporan mereka, karena mereka membayangkan bahwa mereka dapat
mengirimkan berita terhangat kepada pelanggan mereka, dan kemudian, pada langkah kedua,
menulis artikel lengkap dengan analisis dan konteks lebih lanjut. Flew dkk. (2012: 160f.)
Memperluas keunggulan ini dalam pengertian yang lebih teoritis, dengan mengatakan bahwa
penggunaan alat komputasi berpotensi membebaskan jurnalis untuk melakukan lebih banyak
liputan investigatif.
Mendukung pandangan ini, van Dalen (2012) menemukan dalam analisis pendapatnya
di portal olahraga Statsheet bahwa jurnalis tidak menampik pengertian jurnalisme otomatis,
tetapi melihatnya sebagai kesempatan untuk dibebaskan dari pekerjaan rutin, dan sebagai
kesempatan untuk menyesuaikan keterampilan mereka. Berbeda dengan temuan van Dalen
(2012), wawancara Bucher (2016) dengan eksekutif kunci organisasi berita Skandinavia
mengungkapkan bahwa algoritme dianggap hanya sebagai asisten jurnalis, karena
narasumber skeptisnya menekankan pentingnya pengalaman dan naluri jurnalistik yang tidak
dapat ditiru oleh algoritme. . Mendukung penilaian pandangan yang agak negatif secara
keseluruhan tentang jurnalisme otomatis, van der Kaa dan Krahmer (2014) menemukan
bahwa jurnalis menganggap artikel yang seharusnya ditulis oleh manusia lebih dapat
dipercaya, meskipun artikel yang ditunjukkan kepada responden mereka sebenarnya telah
ditulis. dengan algoritma.
Perlu dicatat bahwa temuan ini setidaknya sebagian bergantung pada keadaan
teknologi yang tersedia dan pengalaman responden dengannya. Dalam kasus studi van Dalen
(2012),Statsheet hanya digunakan untuk pelaporan olahraga dan bukan untuk ketikan lainnya,
dan opini mungkin berbeda pada penerus Statsheet Automated Insights dilatih tentang
perangkat lunak dan menulis template mereka sendiri sebelum diwawancarai, yang juga dapat
memengaruhi tanggapan mereka.
3.4 Apa Pendapat Audiens Tentang Jurnalisme Otomatis
Kualitas berita otomatis juga dinilai oleh khalayak. Dimensi di mana evaluasi
dilakukan umumnya adalah kualitas, kredibilitas, keterbacaan, keahlian, dan kepercayaan
konten (Clerwall 2014; Graefe 2017, 2018; Jung dkk. 2017; van der Kaa dan Krahmer 2014;
Haim dan Graefe 2017; Waddell 2018). Hingga saat ini, hanya artikel teks persepsi yang
telah dipelajari, dengan video yang dibuat secara otomatis tidak dipertimbangkan.
Penelitian tentang persepsi konten otomatis masih dalam tahap penelitian instansi,
dengan studi yang menggunakan beragam responden, dimensi, dan materi stimulus yang
berbeda. Secara keseluruhan, bagaimanapun, telah ditemukan bahwa ketika disajikan dengan
artikel yang ditulis manusia dan yang ditulis oleh algoritma, audiens sering tidak dapat
membedakan antara konten yang ditulis manusia dan yang dibuat secara otomatis pada
tingkat yang signifikan jika mereka tidak mengetahui yang mana (lihat Clerwall 2014; van
der Kaa dan Krahmer 2014). Namun, ketika responden mengetahui artikel mana yang diminta
untuk dievaluasi, artikel yang ditulis manusia dinilai lebih baik untuk dibaca daripada yang
ditulis oleh algoritme, sedangkan berita yang dibuat secara otomatis lebih disukai dalam hal
kredibilitas (Haim dan Graefe 2017).
Saat tidak mempertimbangkan keseluruhan artikel, tetapi efek dari baris demi baris,
yang mengidentifikasi penulis sebagai manusia atau algoritme, hasilnya tidak meyakinkan.
Sedangkan Greaefe dkk. (2018) menemukan bahwa artikel yang ditulis komputer dinilai lebih
disukai dalam hal kredibilitas dan keahlian jurnalistik, Graefe et al. Hasil (2017)
menunjukkan bahwa artikel yang ditulis komputer dievaluasi sebagai kurang kredibel dengan
deskripsi yang lebih rinci tentang bagaimana artikel dibuat (lihat juga Waddell 2018).
Temuan terakhir adalah tandingan dari seruan untuk akuntabilitas algoritmik (Diakopoulos
2015).
Sebaliknya, Jung et Studi al. (2017) tentang konsumen dan jurnalis berita Korea
Selatan mengungkapkan hasil yang mengejutkan. Baik jurnalis maupun khalayak umum
menilai kualitas artikel yang ditampilkan lebih tinggi jika dikaitkan dengan algoritme dan
bukan jurnalis manusia. Hasil ini berkorelasi dengan kepercayaan media di Korea Selatan
(lihat Newman et al. 2017: 20), yang memberikan wawasan yang sangat rendah tentang
mengapa algoritme lebih dipercaya daripada manusia dalam kasus ini. Selain itu, Korea
Selatan juga menunjukkan tingkat penerimaan teknologi yang sangat tinggi (lihat Kim 2017),
dan dengan demikian, mungkin juga, algoritme.
Singkatnya, sedangkan perbedaan antara hasil studi tersebut adalah sungguh
mengejutkan, sebagian dapat dijelaskan dengan pengaturan metodologis yang berbeda.
Tantangannya terletak pada pemilihan materi stimulus, yang mungkin dalam bahasa asli
negara tersebut dan pada topik yang sudah dikenal (misalnya van der Kaa dan Krahmer 2014)
atau dalam bahasa yang asing bagi responden Clerwall 2014); dalam topik artikel, untuk efek
mungkin ditemukan (misalnya van der Kaa dan Krahmer 2014), sedangkan dalam penelitian
lain, efek ini tidak signifikan (misalnya Graefe dkk. 2018); atau dalam sampel yang dipilih
dan ukurannya,yang bervariasi dari sampel kecil mahasiswa (misalnya Clerwall 2014) hingga
ukuran yang lebih besar dari panel nasional komersial (misalnya Clerwall 20014) hingga
ukuran besar dari panel nasional komersial (misalnya Haim dan Graefe 2017). Terlepas dari
perbedaan metodologi, studi oleh Jung dkk. (2017) menunjukkan bahwa budaya negara juga
berperan ketika konten algoritmik dievaluasi. Sejalan dengan tema buku ini, kepercayaan
media merupakan variabel yang menentukan di sini. Jadi, alih-alih hanya mengambil artikel
dari baris demi baris yang ditampilkan pada nilai nominal, variabel campur tangan harus
dipertimbangkan. Selain variabel tingkat makro seperti sistem media, juga variabel mikro
menjadi variable yang dapat dicicipi, seperti Graefe dkk. (2018) melakukan apa yang mereka
tanyakan kepada responden tentang pola penggunaan media, pengalaman jurnalistik, dan juga
minat mereka pada topik yang berbeda. Meskipun hal ini tidak berdampak pada studi Graefe
dkk. (2018) yang dilakukan dengan responden Jerman, hal ini mungkin terjadi di negara lain.
3.5 Tantangan Jurnalisme Otomatis
Karena untuk distribusi konten yang dimodifikasi, the filter bubble juga menjadi perhatian
untuk jurnalisme otomatis. Meskipun mungkin untuk meliput peristiwa yang tidak dapat
dilaporkan oleh wartawan sebelumnya, mungkin karena keterbatasan waktu atau karena
relevansi acara kecil, layanan yang sangat terlokalisasi juga dapat menyebabkan penutupan
berita nasional atau internasional demi berita lokal. Argumen yang sama berlaku untuk berita
yang sangat spesifik, seperti laporan cuaca yang dibuat secara otomatis untuk satu
lingkungan, yang dapat dilihat sebagai layanan bagi orang-orang di wilayah tersebut, atau
sebagai ancaman terhadap masalah persepsi yang lebih luas. Dengan berfokus pada banyak
peristiwa kecil, gambaran besarnya mungkin hilang (lihat Thurman dkk. 2017). Meskipun
memberikan penghitungan medali otomatis dan kalimat singkat tentang kemenangan di
Olimpiade di Twitter dapat menjadi alat yang berguna,
Hingga saat ini, artikel yang dibuat secara otomatis hanya menyertakan informasi
yang dapat ditemukan di data. Acara yang mungkin juga terjadi, seperti acara seputar
perolehan medali, tidak bisa dipertimbangkan. Selain itu, jika himpunan data pada awalnya
rawan kesalahan, artikel juga akan rusak jika tidak ada bentuk kualitas dan kontrol data (Flew
et al. 2012: 167). Apa yang terjadi ketika data feed memberikan informasi yang salah dapat
dilihat dar insiden Juni 2017 di mana Los Angeles Times Quakebot melaporkan gempa bumi
yang terjadi pada tahun 1925 sebagai berita terkini, yang disebabkan oleh kesalahan
perangkat lunak dan email yang dikirim secara keliru, dari mana Quakebot mengumpulkan
datanya (Lin II 2017). Meski tidak ada ruginya, contoh ini secara gamblang menunjukkan
ketergantungan jurnalisme otomatis pada data yang benar.
Lain pertanyaan datang dari penulisan artikel yang dibuat secara otomatis. Siapa yang
sebenarnya dipercaya oleh pembaca saat membaca konten semacam itu? Telah dibahas
apakah akan menggunakan byline yang mengidentifikasi teks sebagai tulisan komputer, dan,
lebih dari itu, bagaimana ini bisa dilakukan sehingga dengan baris dapat dipahami oleh
pembaca (lihat Montal dan Reich 2016). Masalah ini membahas pertanyaan tentang keaslian
sebuah artikel. Ini dibahas apakah seorang jurnalis yang menjadi penulis teks secara otomatis
membuat teks karena mereka menulis template atau karena mereka mengedit video yang
dibuat secara otomatis, atau apakah algoritme yang menulis artikel atau membuat video
tersebut. Bagaimanapun, menilai siapa algoritme yang menulis artikel atau membuat video.
Bagaimanapun, menilai siapa yang dimaksud dengan "agen moral", siapa yang bertanggung
jawab atas konten adalah pertanyaan yang harus diajukan oleh perusahaan media, misalnya
dengan mengembangkan pertanyaan etis untuk penggunaan jurnalisme otomatis (Door dan
Hollnbuchner 2017: 414). Pembahasan mengenai “agen moral” tidak hanya bersifat normatif,
tetapi juga terkait dengan bisnis karena algoritma juga dapat menghasilkan konten yang
memfitnah (Lewis et al. 2019). Setelah itu, seperti yang telah disebutkan dalam kasus
modifikasi berita, akuntabilitas algoritmik dan transparansi dianggap penting untuk
jurnalisme otomatis (Diakopoulos dan Koliska 2017), dan akuntabilitas dituntut untuk kerja
dan batasan algoritme (Diakopoulos 2015).
4. Kesimpulan
Algoritme telah menemukan jalan untuk masuk ke dalam pelaporan berita, baik untuk
distribusi konten atau pembuatan konten. Sementara teknologi ini terus dikembangkan lebih
lanjut, mereka juga menghadapi beberapa tantangan dan kekhawatiran.
Untuk distribusi berita melalui personalisasi, perhatian utamanya berkisar pada
pertanyaan apakah pengguna melewatkan informasi karena personalisasi berita algoritmik,
dan apa kualitasnya, dan dengan demikian nilai jurnalisme otomatis untuk pelaporan berita.
Selain itu, apa artinya kepercayaan media jika orang merasa tidak mendapatkan gambaran
lengkap tentang apa yang sedang terjadi di dunia? Penelitian telah menunjukkan bahwa
pembaca dan kantor berita lebih memilih jalan tengah, di mana berita penting masih
ditampilkan kepada semua orang, tetapi konten lain yang mungkin sangat relevan bagi
pengguna individu masih diprioritaskan (Kunert dan Thurman 2019). Pengaturan ini
berpotensi memperkuat kepercayaan pada media, karena kantor media tetap relevan dengan
kehidupan sehari-hari pengguna.
Otomatis jurnalis, juga berpotensi untuk meningkatkan kepercayaan media, karena
dengan mengisi celah dalam penerbitan dengan kemampuan untuk melaporkan topik yang
sebelumnya diabaikan, liputan media mungkin menjadi lebih relevan bagi pembaca individu.
Namun, seperti yang ditunjukkan oleh penelitian, iblis berada dalam perincian, dan bahkan
menamai fenomena "jurnalisme robot" mungkin memiliki efek negatif pada bagaimana
teknologi dianggap, terlepas dari konten aktualnya (misalnya Waddell 2018).
Potensi algoritma bergantung pada fungsinya dan, pada akhirnya, pada kegunaan
aktual ruang redaksi dan pengguna, terutama karena masa depan kemampuan perangkat lunak
terbuka lebar baik untuk penggunaan algoritme di situs web berita dan aplikasi serta
jurnalisme otomatis. Untuk jurnalisme otomatis, kritik awalnya adalah artikel yang dibuat
secara otomatis agak membosankan (lihat Thurman dkk. 2017), dan beberapa orang bahkan
tidak menganggap konten tersebut sebagai jurnalisme (Rebecca Greenfield, dikutip dalam
Carlson 2015: 428). Model yang mengatasi masalah ini serta tantangan lebih lanjut, seperti
mengisi celah data yang telah diuji, meskipun hanya dalam tahap prototipe (Caswell dan Dorr
2017). Selain itu, pelaporan otomatis semakin diadopsi oleh redaksi berita. Padahal
sebelumnya kantor berita memang enggan merangkul jurnalisme otomatis (Fanta 2017),
Pada akhirnya, apakah algoritme mengancam untuk menggantikan jurnalis manusia?
Jawabannya adalah tidak, karena jurnalis manusia lebih suka bekerja dengan algoritme secara
berdampingan, hampir seperti rekan kerja. Dalam hal menggunakan algoritme untuk
personalisasi berita, algoritme jurnalis manusia untuk mensegmentasi konten, dan
menyampaikan informasi yang relevan kepada pengguna, tetapi tidak menggantikan mereka.
Selain itu, seperti yang ditunjukkan oleh penelitian, tidak ada pengembangan linier untuk
penggunaan fitur personalisasi — sementara beberapa fitur populer beberapa tahun yang lalu,
seperti RSS feed, fitur tersebut digantikan oleh sarana teknologi lain, atau bahkan dihapus
sama sekali (Kunert dan Thurman 2019; Thurman dan Schifferes 2012). Dilihat dari itu,
kantor berita menggunakan strategi try-and-error untuk memanfaatkan algoritma, dengan
konsep yang terus berubah.
Penilaian serupa harus diterapkan pada jurnalisme otomatis. Saat ini, jurnalisme
otomatis hanya digunakan oleh sedikit kantor berita. Tetapi bahkan jika jurnalisme otomatis
menjadi semakin populer, jurnalis manusia tidak akan menjadi usang karena konten yang
dibuat secara otomatis memasuki ruang redaksi. Wartawan masih perlu menggali arahan
lebih jauh, mengumpulkan opini, dan mengeluarkan cerita dari data. Algoritma dapat
mendukung pekerjaan mereka dengan memperoleh narasi awal dari kumpulan data yang
besar, atau membebaskan mereka untuk mengambil topik yang diminati. Jadi, untuk saat ini,
tujuannya adalah agar jurnalis dan algoritme dapat bekerja berdampingan untuk produk yang
berpotensi memiliki relevansi tinggi bagi pengguna. Saat melakukannya, jurnalis memiliki
kesempatan untuk menguji kembali keterampilan mereka sendiri sehubungan dengan
kemitraan baru ini dengan algoritme yang disebut 'kolega' (van Dalen 2012; Linden 2016)
eo dan setiap bingkai foto.