Oleh : Arwendria, S.Sos., M.Si
Komunikasi adalah pertukaran informasi antara individu dengan menggunakan sistem sinyal tertentu, misalnya kata-kata yang diucapkan, gerakan, atau tulisan. Literatur ilmiah merupakan bagian dari mekanisme sosial dari ilmu dan komponen yang terpenting dari sistem komunikasi ilmiah (Mikhailov, Chernyi, Giliarevskii, 1984:147; Lievrouw, 1990:59).1. Komunikasi Ilmiah
Beberapa peneliti, seperti Paisley (1984), Garvey (1979), dan Whitley (1989) mengatakan bahwa tanpa komunikasi, ilmu sebagai suatu aktifitas sosial tidak akan eksis.
Komunikasi ilmiah menurut Mikhailov, Chernyi, Giliarevskii (1984:39) adalah proses yang terkombinasi dari pemaparan, penyampaian dan penerimaan dari informasi ilmiah dalam masyarakat sosial. Proses ini membentuk mekanisme dasar terhadap eksistensi dan perkembangan ilmu. Crane (1972) dalam Swanson (1993:607) juga menekankan pentingnya peranan komunikasi ilmiah dan proses interaksi dan pengaruh sosial yang mendasari perkembangan ilmu.
Komunikasi ilmiah dapat dibedakan secara verbal, dengan saluran formal maupun informal, baik secara tulisan maupun lisan. Pertukaran informasi ilmiah melalui literatur ilmiah atau teknis merupakan proses formal dari komunikasi ilmiah. Pada umumnya komunikasi formal menggunakan media massa modern, seperti buku, majalah, surat kabar. Namun jenis ini, menurut beberapa ilmuwan, penyebarannya masih dianggap terlambat bahkan sering suatu informasi dianggap sudah usang oleh penggunannya. Dengan keberadaan media internet, pada batas-batas tertentu telah dapat mengurangi keterlambatan tersebut.
Selain melalui saluran formal, ilmuwan juga berkomunikasi menggunakan saluran komunikasi informal. Berdasarkan survei yang dilakukan oleh Rosenbloom dan Wolek terhadap 2.000 ilmuwan dan insinyur, sebagaiman dikutip oleh Mikhailov, Chernyi, Giliarevskii (1984:41) memperlihatkan bahwa sekitar 55% dari informasi ilmiah yang dibutuhkan oleh ilmuwan dan insinyur tersebut diterima melalui saluran informal (personal contacts). Crawford (1971) menginvestigasi komunikasi informal antar ilmuwan dalam bidang psikopisiologi. Dengan menggunakan teknik sosiometrik diperoleh kesimpulan bahwa sekitar 73% menggunakan saluran komunikasi informal, terutama invisible college.
2. Analisis dan Pengindeksan Subjek
Salah satu fungsi utama dari suatu sistem temu-kembali informasi adalah untuk mencocokan isi dari dokumen dengan permintaan pemakai. Isi dari dokumen yang ada pada suatu koleksi mesti dianalisa dan direpresentasikan sedemikian rupa agar dapat ditemukan kembali. Dengan kata lain, sistem tersebut harus menyiapkan suatu komponen dokumen untuk diorganisasikan menurut prosedur tertentu. Proses membangun komponen dokumen dengan memberikan pengenal (identifiers) terhadap dokumen tersebut disebut dengan pengindeksan. Sedangkan kegiatan pengindeksan yang didasarkan pada analisis konsep dari subjek dokumen disebut pengindeksan subjek (Chowdhury, 1999:56).
Kegiatan pengindeksan telah lama dilakukan secara intelektual oleh manusia. Walaupun dewasa ini, sistem pengindeksan secara otomatis dengan bantuan komputer telah berkembang, namun metode merepresentasikan isi dari dokumen dalam kegiatan analisis subjek tetap sama. Dalam pengelompokan subjek, tujuan dasarnya adalah menyusun dokumen menurut isi subjek dokumen tersebut. Hasil dari analisis konseptual tersebut direpresentasikan dengan bahasa buatan atau simbol notasi, misalnya Dewey Decimal Classification, Universal Decimal Classification, Library of Congress Subject Headings, Colon Classification, dll. Tetapi, dalam pengindeksan subjek yang bertujuan untuk mencocokan (match) isi dokumen dengan pemakai, subjek dokumen direpresentasikan dengan bahasa alami. Sistem yang menggunakan bahasa alami untuk menyiapkan entri indeks subjek dokumen antara lain Chain, PRECIS, POPSI, Relational Indexing, dll. (Chowdhury, 1999:56).
Salah satu permasalahan dalam proses pengindeksan subjek adalah dalam memilih kata kunci atau deskriptor yang tepat digunakan sebagai entri indeks. Agar kata kunci atau deskriptor tersebut konsisten digunkan sebagai entri indeks maka perlu suatu standar dalam pemilihan kata kunci yang paling tepat untuk direpresentasikan. Untuk dikembangkan suatu sarana yang menyediakan bahasa indeks yang baku, disebut bahasa terkendali, seperti thesaurus, classaurus, thesaurofacet, dll. Alat ini dapat membantu pengindeks dalam memilih istilah yang paling cocok untuk merepresentasikan subjek pada tahap pengindeksan dan membanttu pemakai dalam memilih istilah yang tepat dalam memformulasikan permintaannya.
Tingkat pengindeksan menurut Sulistyo-Basuki (1992:93) tergantung pada keperluan dan kebijakan suatu unit informasi. Pengindeksan mungkin mencakup hanya subjek utama atau disebut pengindeksan generik. Indeks jenis ini memiliki banyak acuan silang ganda, sedangkan klasifikasi umumnya lebih unik karena memfokuskan pada subjek utama dokumen. Pada umumnya pengindeksan mencakup semua subjek yang dicakup dalam dokumen, namun mengidentifikasi subjek-subjek tersebut dengan istilah umum saja. Hal ini disebut pengindeksan tingkat medium, biasanya mencakup sampai 10 deskriptor. Pada pengindeksan tingkat dalam, pengindeksan mencakup semua subjek dan mendeskripsi subjek tersebut dengan sejumlah besar deskriptor. Pengindeksan terinci mengindeks sejumlah seluruh teks, bahkan mengindeks kalimat demi kalimat. Pengindeksan jenis ini lazimnya digunakan untuk mengindeks dokumen penting yang sering digunakan, misalnya amar pengadilan.
3. Analisis Co-Word
Analisis co-word didasarkan pada analisis co-occurrence dari dua atau lebih kata kunci atau kata-kata yang terdapat dalam teks yang digunakan untuk mengindeks artikel atau dokumen lainnya (Todorov, 1990:292; Diodato, 1994:44; von Ungern-Sternberg, 1995:3). Analisis co-word ditujukan untuk menganalisis isi, pola dan kecendrungan (trend) dari suatu kumpulan dokumen dengan mengukur hubungan kekuatan istilah (term) (De Looze, Lemarie, 1997:271; Coulter, Monarch, Konda, 1998:1206; Horton, Coulter, Grant, 2000:1).
Kegunaan analisis co-word adalah untuk mengembangkan dan atau menyaring taksonomi suatu bidang ilmu. Beberapa kelompok peneliti, seperti Courtial, Cahlik, & Callon, 1994; Turner, Lelu, & Georgel, 1994; dan lain-lain dan pusat penelitan Eropa seperti The Centre for Sociology and Innovation di Paris, INIST di Nancy, The CWTS pada University of Leiden di Belanda dan University of Keele di Inggris terus mengaplikasikan teknik ini, bahkan mengkombinasikan dengan teknik lainnya. Sementara di Amerika Utara, analisis co-word telah diintegrasikan dalam sistem pendukung tingkat ilmu pengetahuan dalam masyarakat ilmiah (De Looze, Lemarie, 1997:271; Coulter, Monarch, Konda, 1998:1212).
Awal mula penggunaan analisis co-word adalah dalam bidang Computational Linguistics. Fenomena tersebut bisa dilacak dari karya 1) Lexicography of Hornby (1942) yang menghitung co-occurences pengetahuan, dan 2) Linguistics of De Soussure (1949) yang menggambarkan bagaimana persamaan dua bahasa berkorelasi dengan kemunculannya dalam bahasa. Kemudian, Firth (1957); Harris (1968) mengelompokan kata menurut menurut co-occurences dengan kata lain dan juga maknanya. Selanjutnya pada pertengahan tahun 1970-an, McKinnon (1977) mengkaji hubungan tema dalam novel Kierkegaard dengan menggunakan kemunculan pasangan kata. Metodologi yang digunakan merupakan langkah awal dalam mengekstraksi hubungan kata dalam suatu teks menurut kemunculan pasangan katanya. Perkembangan selanjutnya dari analisis co-word ditujukan untuk mengevaluasi perkembangan suatu bidang ilmu sebagaimana yang dilakukan oleh Michel Callon pada tahun 1979, 1983 dan 1986 (Peters dan van Raan, 2001:15)
Rip dan Courtial (1984) mengumpulkan artikel dalam jurnal bioteknologi selama periode 10 tahun. Artikel tersebut ditandai (coded) dengan kata kunci dan menganalisis relasi antara kata kunci untuk memperlihatkan koneksitas antara bidang dalam bioteknologi. Peters dan van Raan (1993) menggunakan analisis co-word untuk mengkaji bidang teknik kimia. Mereka menggunakan publikasi dari 10 jurnal terkemuka, publikasi dari 23 ilmuwan terkemuka, publikasi dari konferensi-konferensi penting. Matrik kemunculan dari kata-kata yang ada pada judul dan abstrak dipetakan dengan skala multi dimensional. Hasil pemetaan tersebut, kemudia dievaluasi oleh ahli dalam bidang tersebut.
De Looze, Lemarie (1997:267) menganalisa sekumpulan dokumen yang berhubungan dengan protein tanaman (plant proteins). Untuk mengelompokan pasangan kata pada satu dokumen dengan dokumen lainnya, mereka menggunakan suatu program perangkat lunak yang disebut Leximappe. Selanjutnya, program tersebut membentuk pasangan kata yang memiliki hubungan paling dekat . Menurut mereka, program ini memungkinkan kita untuk menempatkan kluster utama dari kata kunci sehingga data dapat dibaca kembali dan diinterpretasikan. Dari hasil penelitian yang mereka lakukan, diperoleh tiga bidang utama dari bioteknologi yaitu a) kegunaan protein, b) perlakuan enzim pada protein, dan c) aplikasi teknik genetika.
Coulter, Monarch dan Konda (1998:1206) melakukan penelitian empiris untuk mendemonstrasikan keefektifan analisis isi (content analysis) untuk memetakan bidang teknik perangkat lunak (software engineering). Dalam penelitian ini, mereka mengambil sejumlah besar publikasi yang berhubungan dengan teknik perangkat lunak dari tahun 1982-1994. Masing-masing publikasi tersebut dipresentasikan oleh deskriptor (istilah indeks) untuk menganalisa tema dan kecendrungan pada penelitian teknik perangkat lunak tersebut.
Untuk mendukung penelitian tersebut, mereka menggunakan suatu program perangkat lunak yang dikembangkan oleh Software Engineering Institute Carnegie Mellon University yang disebut dengan CAIR (Content Analysis and Information Retrieval).
Dari penelitian tersebut mereka menyimpulkan bahwa tema utama dari bidang teknik perangkat lunak, yaitu object-oriented programming yang terfokus pada software development. Sistem yang paling banyak digunakan, yaitu X-Windows, Microsoft Windows, Ada, C++ dan UNIX, sedangkan Pascal, Basic dan Cobol mulai jarang ditemukan.
Walaupun penelitian telah banyak dilakukan dan memberikan kontribusi terhadap perkembangan ilmu pengetahuan, namun menurut Leydesdorff (1997:418) bahwa “kata” akan bermakna bila berada dalam satuan utuh suatu kalimat. Berdasarkan pemikiran tersebut, ia menawarkan suatu pendekatan baru dalam menganalisis suatu perkembangan ilmu, yaitu dengan menghitung kemunculan kata secara bersamaan dari kalimat pertama dengan kalimat kedua, begitu seterusnya dalam satu paragraf. Kemudian menghitung kata yang muncul bersamaan dalam paragraf pertama dengan paragraf kedua dalam satu seksi (BAB). Namun kelemahan pendekatan ini, sebagaimana diakui oleh Leydesdorff lebih rumit dan membutuhkan waktu yang relatif lebih lama.
4. Analisa Data Multivariat (MDA)
Metoda analisa data multivariat dirancang untuk analisa data inferensial (confirmatory) atau deskriptif (exploratory) dari data kuantitatif. Menurut Tijssen (1992) dalam Spasser (1997:80), MDA secara deskriptif adalah metoda yang kaya dengan tampilan grafisnya yang memperlihatkan hubungan antar variabel yang sedang diselidiki. Selain itu, analisa secara deskriptif dapat memfasilitasi dan mengobservasi struktur data multidimensional yang komplek tanpa memerlukan pemilihan awal (pre-select) variabel atau nilai variabel.
Ada dua jenis metoda MDA yang biasanya menyajikan data bibliometrik multivariate untuk tujuan deskriptif, yaitu hierarchical cluster analysis (HCA) dan multidimensioanl scaling (MDS). Berikut akan dibahas kedua analisis tersebut.
4.1. Analisis Cluster
Analisis cluster merupakan teknik statistik yang digunakan untuk mengindentifikasi kelompok, atau cluster dari objek yang mirip dalam ruang multidimensi (Shaw dan Willett, 1993:449). Dengan kata lain, analisis cluster adalah suatu teknik yang secara otomatis menilai objek ke dalam kelompok yang belum diketahui berdasarkan penghitungan tingkat similarity di antara objek (Santoso, Tjiptono, 2001:334).
Aldenderfer dan Blashfield (1984) dalam Qin He (2001:4) mendefenisikan metode cluster sebagai suatu prosedur statistik multivariat yang dimulai dengan suatu kumpulan data yang berisi informasi tentang suatu sampel dari suatu entitas dan kemudian menyusun ulang entitas tersebut ke dalam kelompok yang relatif homogen. Kelompok yang dibentuk tersebut seharusnya memiliki tingkat asosiasi yang tinggi antara anggota dari kelompok yang sama dan tingkat asosiasi yang rendah antara anggota dari kelompok lain. Biasanya, analisis cluster digunakan karena ketertarikan seseorang dalam menemukan struktur yang belum diketahui dari suatu kumpulan objek. Struktur tersebut merupakan yang penting dalam merancang pengelompokan dari objek tersebut. Dalam analisis cluster tidak perlu mengidentifikasi kelompok terlebih dahulu pada waktu pengolahan. (Hasibuan, 1995:58).
Karena maksud dari analisis cluster adalah untuk menemukan struktur yang tersembunyi (hidden structure) dari suatu kumpulan objek, menurut Andenberg (1973) dalam Hasibuan (1995:58) ada dua kemungkinan yang akan terjadi dalam pengclusteran. Pertama, data tidak memiliki cluster. Hal ini terjadi bila pemilihan variabel sangat independen. Kedua, data hanya memiliki satu cluster karena variabel yang dipilih juga sangat independen atau collinear.
Tujuan dari analisis cluster menurut Aldenderfer dan Blashfield (1984) seperti dikutip oleh Qin He (2001:4) adalah digunakan untuk:
• Mengembangkan suatu tipologi atau klasifikasi;
• Menyelidiki skema konseptual untuk mengelompokan entitas;
• Membangun hipotesis melalui eksplorasi data, dan
• Menguji hipotesis.
Dalam bidang ilmu informasi, terutama dalam temu kembali informasi, metode cluster telah banyak digunakan (Ruocco, Frieder, 1997:933). Van Rijsbergen (1974); Larson (1991,1992); Hasibuan (1995) menyatakan bahwa analisis cluster sangat bermanfaat dalam kegiatan sistem temu kembali. Spasser (1997) Morris (2001); Vos (2001); dan Steinberg (2001) menngunakan analisis cluster untuk menentukan struktur dari literatur dari suatu bidang ilmu. Mereka menerapkan metode tersebut untuk mengelompokan dan mengekstrak makna dari dokumen yang ditelusurnya dalam bidang yang ditelitinya. Kemudian memetakan struktur dokumen tersebut dengan menggunakan teknik cluster dan MDS.
Analisis cluster pada prinsipnya digunakan untuk mereduksi data, yaitu proses untuk meringkas sejumlah variabel menjadi lebih sedikit dan menamakannya sebagai cluster. Analisis cluster dapat dibagi menjadi dua jenis, yaitu Hierarchical Cluster dan K-Means Cluster. Pengelompokan atau penggerombolan secara hirarki digunakan untuk sejumlah sampel (data) yang relatif sedikit. Sedangkan untuk data yang banyak (di atas 200 sampel) dapat digunakan K-Means Cluster (Santoso, Tjiptono, 2001:294). Sedangkan Hasibuan (1995) membedakannya menjadi hirarki dan non-hirarki.
4.2. Mengukur Similarity
Untuk mengelompokan dokumen dalam suatu koleksi dokumen, diperlukan menghitung tingkat hubungan antar dokumen tersebut. Untuk mengukur hubungan tersebut dapat menggunakan distance measure atau mengukur similarity antar dokumen. Pada dasarnya, memenimalkan distance akan memaksimalkan similarity. (Boyce, Meadow, Kraft, 1994:85). Prinsipnya, bila dua teks memiliki subjek yang berhubungan maka akan memiliki istilah klasifikasi yang mirip juga. Perhitungan similarity diukur menurut distribusi kemunculan kata, misalnya dua dokumen dikatakan mirip (similar) jika menggunakan kata yang sama.
Berikut ini akan dipaparkan teknik pengukuran yang digunakan untuk mengukur similarity:
Simple Matching : YX
Dice’s Coefficient : X2 Y
Y + X
Jaccard’s Coefficient : YX
YX
Cosine Coefficient : YX
½Y½ x X
Overlap Coefficient : YX
Min (X,Y)
Sumber: van Rijsbergen (1979) sebagaimana dikutip dari Hasibuan (1995:66)
Variabel X dan Y dalam figur tersebut merepresentasikan istilah indeks yang muncul dalam dua dokumen. Dalam penelitian ini digunakan pengukuran similarity simple matching. Menurut van Rijsbergen (1979) dalam Hasibuan (1995:67) kelemahan rumus ini adalah ketidaknormalan variabel dalam rumus tersebut. Koefisien dari hasil rumus ini adalah berdasarkan jumlah kata (istilah indeks) yang dimiliki bersama. Bila dokumen Di memiliki 10 kata kunci, dan dokumen Dj memiliki 1 kata kunci maka similarity antara dokumen Di dan Dj sama dengan 1.
Boyce, Meadow, Kraft (1994:88) mengatakan bahwa apapun ukuran similarity yang digunakan sangat tergantung dari tujuan penelitian. Dengan kata lain, tidak ada suatu ukuran yang lebih baik dibandingkan dengan ukuran yang lainnya.
4.3. Teknik Cluster
Hasibuan (1995:70) membagi teknik cluster menjadi dua kelompok utama, yaitu non-hirarki dan hirarki. Berikut akan dibahas kedua teknik tersebut.
4.3.1. Teknik Non-Hirarki
Teknik cluster non-hirarki membagi suatu kumpulan objek ke dalam beberapa cluster tetapi tidak memperlihatkan hubungan hirarki antar cluster (Willet, 1988:578). Teknik ini terkadang disebut juga sebagai metode cluster menyeluruh (heuristic clustering method). Terdapat 3 prosedur yang bisa digunakan dalam teknik ini.
Prosedur pertama adalah unsupervised, dimana tidak ada penentuan kelompok terlebih dahulu. Prosedurnya dimulai dari satu cluster besar dan kemudian dibagi secara otomatis menurut hasil perhitungan. Prosedur kedua adalah supervised, dimana jumlah kelompok ditentukan lebih dahulu untuk menentukan kedekatan setiap objek. Prosedur ketiga adalah prosedur hybrid. Prosedur ini merupakan gabungan dari kedua prosedur di atas. Bila sulit menentukan jumlah kelompok, maka digunakan prosedur unsupervised terlebih dahulu. Setelah diperoleh hasil cluster, kemudian dilakukan pendekatan supervised.
4.3.2. Teknik Hirarki
Teknik cluster hirarki dimulai dengan matriks similarity jarak antara pasangan objek. Teknik ini lebih berupaya mengelompokan objek berdasarkan kemiripan yang ada pada objek itu sendiri. Prosesnya yaitu membandingkan setiap pasang objek.
Ada beberapa teknik cluster hirarki yang dapat digunakan untuk menentukan similarity dari suatu objek, dimana masing-masing teknik memiliki rumus yang berbeda sehingga akan menghasilkan struktur cluster yang berbeda pula. Biasanya teknik cluster hirarki menghasilkan suatu dendogram atau diagram berbentuk pohon (tree-like). Beberapa teknik cluster hirarki tersebut yang secara luas telah digunakan, yaitu single-link, complete-link, average-link, dan Ward’s method (Hasibuan, 1995:74).
Teknik cluster hirarki yang pertama adalah metode nearest neighbor atau single-link. Metode ini dapat digunakan untuk mengukur similarity dan jarak. Kelompok-kelompok akan difusikan menurut jarak antara anggotanya yang terdekat. Dengan kata lain, kelompok yang memiliki jarak yang terkecil akan difusikan. Metode yang kedua adalah furthest neigbor atau complete likage. Metode ini kebalikan dari metode nearest neighbor, dimana jarak antara kelompok diartikan sebagai jarak antara pasangan individu yang terjauh. Metode yang ketiga adalah median. Bila kelompok-kelompok yang difusikan memiliki ukuran yang sama, maka posisi kemunculan kelompok yang baru akan selalu berada diantara kedua kelompok yang difusikan tersebut. Metode keempat adalah group avarage. Metode ini mengartikan jarak antara kelompok jarak rata-rata antara semua pasangan individu dalam dua kelompok. Kelima adalah Ward’s method. Metode ini mengartikan bahwa kehilangan informasi yang berasal dari pengelompokan individu-individu ke dalam cluster dapat diukur berdasarkan jumlah total dari simpangan kuadrat (squared deviations) (Qin He, 2001:11).
4.4. Skala Multi Dimensional (MDS)
Young (2001:2) mendefenisikan skala multidimensional sebagai suatu himpunan teknik analisis data yang menggambarkan suatu struktur “distance-like data” dalam bentuk gambar grafis. MDS berhubungan dengan pembuatan grafik (map) untuk menggambarkan posisi sebuah objek dengan objek yang lain, berdasarkan kemiripan objek-objek tersebut (Santoso, Tjiptono, 2001:322). Tujuan dari MDS adalah untuk mengurangi ruang objek menjadi dua atau tiga dimensi agar mudah dipahami dalam bentuk grafik, sehingga membantu seseorang untuk memutuskan kemiripan dari anggota suatu kumpulan objek. Newby (2001:6) mengatakan bahwa teknik MDS ditujukan untuk mengidentifikasi kecendrungan dari suatu kumpulan data tanpa perlu menentukan variabel bebas atau terikat. Schiffman et.al. (1981) dalam Boyce, Meadow, Kraft (1994:90) mengatakan bahwa MDS adalah alat matematika yang sangat berguna sehingga kita dapat merepresentasikan kemiripan dari suatu objek dalam bentuk peta.
Dalam skala yang sederhana hubungan antara pasangan objek divisualkan dengan garis. Hubungan antara dua titik dapat diperlihatkan dalam satu dimensi. Ide dari MDS adalah untuk menghasilkan dua atau tiga dimensi untuk merepresentasikan suatu n-dimensi agar sedapat mungkin mengurangi kehilangan informasi. Proses dasarnya adalah untuk memperlihatkan jarak dalam dua atau tiga dimensi. Jarak tersebut diurut dari terkecil ke terbesar. Jarak yang terkecil merupakan objek yang paling mirip dalam matrik similarity.
Walaupun jarak suatu objek dapat ditampilkan dalam dimensi yang diinginkan, namun bisa saja hanya memiliki sedikit hubungan. Untuk itu diperlukan mengukur hubungan tersebut yang disebut sebagai stress. Nilai stress 0,15 atau kurang merupakan nilai yang paling baik.
Kopsca dan Schiebel (1998:13) mengungkapkan bahwa untuk menganalisis struktur perkembangan penelitian dan teknologi yang menggunakan analisis co-word membutuhkan alat matematika dan perangkat lunak untuk merepresentasikan struktur yang akan dianalisa. Bila yang diolah hanya beberapa kata kunci maka dengan matrik sederhana dapat mengungkapkan struktur tersebut. Tetapi bila terdiri dari ratusan kata kunci maka perlu merepresentasikannya secara visual. Kopsca dan Schiebel (1998:13) mengusulkan bahwa struktur co-occurences dari kata kunci lebih jelas direpresentasikan dalam dua dimensi. Dengan kata lain, teknik skala multi dimensional dapat menampilkan struktur tersebut.
Morris (2001) memetakan ilmu pengetahuan bidang biomedical dengan menggunakan analisis co-word dan mengukur similarity dari kemunculan pasangan kata tersebut dengan menggunakan analisis cluster dan skala multi dimensional. Dari hasil analisis tersebut diperoleh dua bidang utama dalam pengetahuan biomedical, yaitu diagnostic imaging and imaging technique dan technique and system.
Vos (2001) meneliti literatur penelitian dalam bidang kesehatan, terutama yang berhubungan dengan obat-obatan. Literatur yang digunakan berasal dari bank data kesehatan MEDLINE (CD-ROM) selama periode waktu 1978-1990. Pasangan kata kunci dari literatur tersebut dianalis dengan menggunakan Jaccard indeks dan proximity indeks. Matrik yang dihasilkan dianalisis dengan menggunakan skala multidimensional. Menurut Vos (2001:2) teknik multivariat dapat menangani dan memetakan lebih banyak variabel dan hubungan. Oleh karena itu, sangat bermanfaat dalam mendeteksi perkembangan suatu bidang ilmu.
Hasil pemetaan yang diperoleh dari analisis skala multi dimensional tersebut disimpulkan bahwa penelitian mengenai efek samping dari reaksi obat memberikan kontribusi yang relatif sedikit terhadap bidang kesehatan.
Steinberg (2001) mengumpulkan literatur mengenai arsitektur komputer dari pangkalan data Inspec dari tahun 1981-1993. Untuk memperoleh matrik similarity digunakan inclusion indeks. Sedangkan untuk memetakan perkembangan pengetahuan bidang arsitektur komputer digunakan ALSCAL, skala multi dimensional. Matrik yang digunakan untuk mengolah data tersebut ke dalam ALSCAL digunakan matrik dissimilarity. Hasil pemetaan disimpulkan bahwa perkembangan pengetahuan dalam bidang arsitektur komputer sangat pesat dan solid.
5. Pemetaan
Spasser (1997:78) mengatakan bahwa peta adalah alat relasi (relational tools) yang menyediakan informasi antar hubungan entitas yang dipetakan. Peta tidak hanya merupakan alat yang praktis untuk menyampaikan informasi mengenai aktivitas ilmiah, tetapi juga sebagai dasar untuk mengkaji dan memahami aktivitas ilmiah dengan menggambarkannya sebagai suatu sistem yang tersusun.
Beberapa jenis peta yang dikembangkan dalam pemetaan ilmu pengetahuan dalam bidang bibliometrika, antara lain: peta jurnal intercitation, journal co-citation, document co-citation, author co-citation, co-word (deskriptor), dan co-classification.
Pemetaan co-word dilakukan melalui analisis kemunculan istilah yang dipakai bersama oleh suatu pasangan dokumen dengan melihat kata-kata yang dipakai secara bersama oleh suatu dokumen.
2.7. Kesimpulan
Dokumen sebagai media tempat menyimpan informasi memberikan sumbangan yang sangat berarti bagi perkembangan ilmu dan teknologi. Namun, dengan semakin banyaknya penelitian yang dilakukan oleh peneliti maka semakin banyak pula dokumen yang tersedia. Dikuatirkan bila dokumen tersebut tidak diorganisasikan dengan baik maka kemungkinan akan tumpang tindihnya antara satu penelitian dengan penelitian lain bisa terjadi. Untuk itu diperlukan suatu pendekatan-pendekatan yang memungkinkan dokumen tersebut mudah diakses dan memberikan informasi mengenai perkembangan dari suatu disiplin ilmu.
Salah satu teknik yang dapat mengungkapkan perkembangan dari suatu disiplin ilmu, yaitu analisis co-words. Analisis ini didasarkan pada kemunculan berpasangan dari dua atau lebih kata kunci atau kata-kata yang terdapat dalam teks yang digunakan untuk mengindeks artikel atau dokumen lainnya. Untuk menganalisis struktur perkembangan penelitian dan teknologi yang menggunakan analisis co-words membutuhkan alat matematika dan perangkat lunak untuk merepresentasikan struktur yang akan dianalisa. Dengan demikian, hasil dari analisis co-words tersebut dapat direpresentasikan secara visual. Kopsca dan Schiebel (1998:13) mengusulkan bahwa struktur co-occurences dari kata kunci lebih jelas direpresentasikan dalam dua dimensi.
Metoda analisa data multivariat (MDA) secara deskriptif adalah metoda yang kaya dengan tampilan graafisnya. Ada dua jenis metoda MDA yang biasanya menyajikan data bibliometrik untuk tujuan deskriptif, yaitu hierarchical cluster analysis (HCA) dan multidimensional scaling (MDS). Analisis cluster merupakan tekni statistik yang digunakan untuk mengidentifikasi kelompok, atau cluster yang mirip dalam ruang multidimensi. Sedangkan skala multidimensional berhubungan dengan pembuatan grafik (map) untuk menggambarkan sebuah objek dengan objek yang lain, berdasarkan kemiripan objek-objek tersebut.
Gambar di bawah ini secara sederhana memperlihatkan proses pemetaan yang dilakukan dengan menggunakan MDA.
Tidak ada komentar:
Posting Komentar