Analisis Media Sosial atas Wacana Konflik Israel--Palestina di Telegram

Perbandingan komputasional multi-metode atas kanal Telegram pro-Israel dan pro-Palestina mengungkap bahwa kosakata korban yang sama dipakai dalam register emosional yang berlawanan.

Michail Zafeiropoulos; Despoina Antonakaki; Sotiris Ioannidis· 2026· DOI 10.48550/arXiv.2608.21385

Masalah inti

Platform media sosial telah menjadi arena sentral tempat konflik bersenjata dipertarungkan, namun komunitas pro-Israel dan pro-Palestina di Telegram masih kurang diteliti pada skala besar. Arsitektur siaran Telegram menghasilkan catatan komunikasi politik yang disengaja secara luar biasa langsung, sehingga menjadi korpus yang berharga untuk analisis komparatif. Penelitian sebelumnya telah menelaah wacana konflik di platform seperti X/Twitter dan Facebook, tetapi model kanal Telegram, yang memisahkan penyiar dari audiens dan memungkinkan pesan publik berskala besar, menawarkan setting komunikatif yang berbeda. Para penulis menjawab kesenjangan ini dengan membandingkan kedua komunitas secara sistematis di berbagai eskalasi konflik. Penelitian ini dipandu oleh tiga pertanyaan penelitian: (1) Bagaimana sentimen dan sikap berbeda antara kanal pro-Israel dan pro-Palestina? (2) Metode komputasional mana yang paling efektif untuk deteksi sikap dalam domain ini? (3) Bagaimana pilihan pembingkaian berinteraksi dengan sentimen dan sikap untuk membentuk wacana secara keseluruhan? Dataset terdiri atas 87.617 pesan dari enam belas kanal, delapan per pihak, yang dikumpulkan antara Mei 2021 dan Ju

Inovasi

Model BERTweet yang di-fine-tune mencapai performa terbaik, dengan akurasi 72,1% dan macro F_{1} 0,721 pada 5-fold cross-validation. Ini merupakan peningkatan 8 hingga 11 poin persentase dibandingkan baseline tanpa label, yang mandek di kisaran rendah hingga menengah 60-an. Model DeBERTa NLI zero-shot berperforma lebih baik daripada pencocokan kata kunci, tetapi masih belum menyamai model yang di-fine-tune, yang menunjukkan bahwa adaptasi dalam domain sangat penting untuk deteksi sikap dalam konteks ini. Analisis sentimen mengungkap kontras tajam antara kedua komunitas. Kanal pro-Israel sebagian besar menunjukkan sentimen netral bergaya laporan, sedangkan kanal pro-Palestina jauh lebih negatif. Perbedaan ini bukan sekadar fungsi pemilihan topik; kedua komunitas membahas kematian dan korban, tetapi melakukannya dalam register emosional yang berlawanan. Analisis pembingkaian menunjukkan bahwa kanal pro-Israel cenderung membingkai peristiwa dari perspektif pihak pelaku, dengan menekankan keamanan dan operasi militer, sedangkan kanal pro-Palestina membingkai peristiwa dari perspektif pihak terdampak, dengan menekankan penderitaan sipil dan pengungsian. Kombinasi sentimen, sikap, dan pembi

Platform media sosial telah menjadi arena sentral tempat konflik bersenjata dipertarungkan, namun komunitas pro-Israel dan pro-Palestina di Telegram masih kurang diteliti pada skala besar. Arsitektur siaran Telegram menghasilkan catatan komunikasi politik yang disengaja secara luar biasa langsung, sehingga menjadi korpus yang berharga untuk analisis komparatif. Penelitian sebelumnya telah menelaah wacana konflik di platform seperti X/Twitter dan Facebook, tetapi model kanal Telegram, yang memisahkan penyiar dari audiens dan memungkinkan pesan publik berskala besar, menawarkan setting komunikatif yang berbeda. Para penulis menjawab kesenjangan ini dengan membandingkan kedua komunitas secara sistematis di berbagai eskalasi konflik. Penelitian ini dipandu oleh tiga pertanyaan penelitian: (1) Bagaimana sentimen dan sikap berbeda antara kanal pro-Israel dan pro-Palestina? (2) Metode komputasional mana yang paling efektif untuk deteksi sikap dalam domain ini? (3) Bagaimana pilihan pembingkaian berinteraksi dengan sentimen dan sikap untuk membentuk wacana secara keseluruhan? Dataset terdiri atas 87.617 pesan dari enam belas kanal, delapan per pihak, yang dikumpulkan antara Mei 2021 dan Juni 2026. Periode ini mencakup beberapa eskalasi besar, sehingga analisis dapat menangkap dinamika wacana sepanjang waktu. Makalah ini menyumbangkan kerangka komputasional multi-metode dan tolok ukur beranotasi manual atas 736 pesan, yang memungkinkan evaluasi ketat atas pendekatan deteksi sikap.

Para penulis memakai pipeline komputasional multi-metode yang mengintegrasikan analisis sentimen, tiga metode deteksi sikap, dan analisis pembingkaian. Analisis sentimen dilakukan dengan pendekatan berbasis leksikon, meskipun leksikon spesifiknya tidak dirinci dalam abstrak. Untuk deteksi sikap, tiga paradigma dibandingkan: (1) pencocokan kata kunci, baseline tanpa label; (2) DeBERTa zero-shot melalui natural language inference (NLI); dan (3) model BERTweet yang di-fine-tune. Model yang di-fine-tune dilatih pada dataset beranotasi manual berisi 736 pesan, yang menjadi standar emas untuk evaluasi. Dataset dibagi memakai 5-fold cross-validation untuk memastikan estimasi performa yang kokoh. Model BERTweet yang di-fine-tune mencapai akurasi 72,1% dan macro F_{1} 0,721, mengungguli baseline tanpa label sebesar 8 hingga 11 poin persentase. Baseline tersebut mandek di kisaran rendah hingga menengah 60-an, yang menunjukkan batas atas yang keras bagi metode deteksi sikap yang tidak diadaptasi terhadap bahasa dalam domain. Analisis pembingkaian dilakukan secara kualitatif, berfokus pada bagaimana setiap komunitas membingkai kematian, korban, dan agensi. Kombinasi metode ini memungkinkan para penulis melakukan triangulasi temuan lintas sentimen, sikap, dan pembingkaian, sehingga mengungkap pola yang tidak akan terlihat oleh metode tunggal mana pun. Pipeline dapat direpresentasikan sebagai graf asiklik berarah:

Mengapa penting

Temuan utama penelitian ini adalah kedua komunitas memakai kosakata kematian dan korban yang sama dalam register emosional yang berlawanan. Pola ini konsisten dengan penulisan dari posisi wacana yang berbeda: kanal pro-Israel menulis dari posisi pihak pelaku, sedangkan kanal pro-Palestina menulis dari posisi pihak terdampak. Wacana pihak pelaku cenderung netral dan bergaya laporan, berfokus pada operasi militer dan keamanan, sedangkan wacana pihak terdampak lebih negatif, berfokus pada penderitaan dan kehilangan. Asimetri ini berimplikasi pada cara wacana konflik diteliti dan ditafsirkan. Pertama, hal ini menunjukkan bahwa analisis sentimen saja tidak cukup untuk menangkap perbedaan bernuansa antar komunitas; sikap dan pembingkaian harus dipertimbangkan bersama. Kedua, hal ini menyoroti nilai Telegram sebagai platform untuk mempelajari komunikasi politik yang disengaja, mengingat arsitektur siarannya. Ketiga, batas atas performa yang teramati pada metode deteksi sikap tanpa label menunjukkan bahwa adaptasi domain sangat penting untuk analisis yang akurat. Batasan penelitian ini mencakup fokus pada kanal berbahasa Inggris dan dataset beranotasi yang relatif kecil. Penelitian selanjutnya dapat memperluas analisis ke bahasa dan platform lain, serta memasukkan dinamika temporal untuk melacak bagaimana wacana berkembang lintas eskalasi. Temuan ini juga memunculkan pertimbangan etis tentang penggunaan metode komputasional untuk menganalisis wacana konflik, khususnya terkait potensi kesalahan klasifikasi dan pentingnya interpretasi kontekstual. Secara keseluruhan, penelitian ini menunjukkan kekuatan analisis komputasional multi-metode untuk memahami bagaimana komunitas politik membangun narasi yang berbeda di sekitar peristiwa yang sama.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…