JARINGAN CO-AUTHORSHIP DAN POTENSI KOLABORASI
PENELITIAN INDONESIA DENGAN ANALISIS JARINGAN
SOSIAL
IRENE MUFLIKH NADHIROH
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul “Jaringan Co-Authorship
dan Potensi Kolaborasi Penelitian Indonesia dengan Analisis Jaringan Sosial”
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, November 2015
Irene Muflikh Nadhiroh G151120181
RINGKASAN
IRENE MUFLIKH NADHIROH. Jaringan Co-Authorship dan Potensi Kolaborasi Riset Indonesia dengan Analisis Jaringan Sosial. Supervised by MUHAMMAD NUR AIDI and BAGUS SARTONO.
Penelitian ini menggunakan data publikasi Indonesia yang dipublikasikan pada jurnal internasional bidang Kimia. Tujuan penelitian ini adalah melakukan observasi terhadap jaringan co-authorship yang terbentuk antar penulis Indonesia. Bidang kimia dipilih karena jumlah artikel Indonesia pada bidang ini adalah yang paling banyak dibandingkan bidang lainnya, hal ini mengindikasikan intensitas riset yang cukup besar dibidang ini.
Saintometrika pada aplikasinya dapat digunakan untuk merencanakan alokasi anggaran yang lebih efektif. Dengan mempelajari jaringan antar penulis serta potensi jaringan yang diukur berdasarkan kesamaan bidang area, banyak informasi yang didapatkan, termasuk bagaimana produktivitas riset dan jaringan professional antar peneliti bisa ditingkatkan. Jaringan co-authorship merupakan salah satu indikator terjadinya kolaborasi riset, dimana kolaborasi riset merupakan salah satu strategi yang dapat digunakan untuk meningkatkan kuantitas dan kualitas publikasi ilmiah. Untuk melihat bentuk jaringan co-authorship digunakan Analisis Jaringan Sosial, dimana analisis ini menitikberatkan pada interaksi yang terjadi antar aktor yang terlibat.
Penelitian ini menunjukkan bahwa jaringan co-authorship antar penulis Indonesia di Jurnal Internasional bidang Kimia masih saling terpisah; hubungan yang terbentuk masih sangat sedikit; hubungan academia-industri belum cukup terlihat. Selain itu, hubungan antar penulis yang berasal dari institusi yang berbeda masih sedikit, mayoritas penulis yang memiliki lebih dari satu artikel merupakan hasil kolaborasi dengan rekan yang sama dan berasal dari institusi yang sama. Sedangkan potensi jaringan co-authorship berdasarkan kesamaan area penelitian cukup signifikan, terlihat dari potensi jaringan co-authorship yang terbentuk, menunjukkan jumlah jaringan kesamaan area penelitian yang belum menjadi hubungan co-authorship. Potensi jaringan juga bisa menunjukkan siapa penulis yang memiliki peran besar untuk mewujudkan potensi menjadi jaringan co-authorship.
SUMMARY
IRENE MUFLIKH NADHIROH. Co-Authorship Network and Potency of Reserch Collaboration using Social Network Analysis. Supervised by MUHAMMAD NUR AIDI and BAGUS SARTONO.
This research uses data from Indonesian publications listed in international journal in Chemistry. It aims at observing network established among Indonesian authors having article/paper in international journal. Chemistry field is selected since Indonesian articles in this field in international journal are abundant, indicating their advantage compared to others.
Scientometrics is used to make future budget allocation more effective. By understanding the map of authors network and potential network observed according to research area similarity, many information are obtained, including whose research productivity & professional network shall be boosted. Co-authorship network is an indicator of research collaboration, which one of strategy to increase quantity and quality of scientific publication. Social Network Analysis was used to mapping the co-authorship network. This analysis is focus on interaction between actors.
The research found that co-authorship network among Indonesian authors in international journal in Chemistry is not continuous; relations formed between authors are few; relation between academia-industry-government is not visible. Relations between authors from different institution also remain very low; most authors write more than 1 paper with their colleagues from the same institution. However, coauthorship potential according to research area similarity is fairly significant, proven from the established potential coauthorship network, showing
a significant amount of research area similarity which hasn’t yet become
coauthorship relations. Network potential also shows which actors play most significant role therein.
© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah, dan pengutipan tersebut tidak merugikan kepentingan IPB
JARINGAN CO-AUTHORSHIP DAN POTENSI KOLABORASI
PENELITIAN INDONESIA DENGAN ANALISIS SOCIAL
NETWORKS
IRENE MUFLIKH NADHIROH
Tesis
sebagai salah satu syarat untuk melaksanakan penelitian dalam rangka penulisan tesis untuk memperoleh gelar Magister Sains pada Program Studi Statistika
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
Judul Tesis : Jaringan Co-Authorship dan Potensi Kolaborasi Penelitian Indonesia dengan Analisis Jaringan Sosial
Nama : Irene Muflikh Nadhiroh NIM : G151120181
Disetujui oleh
Komisi Pembimbing
Dr Ir Muhammad Nur Aidi, MS Ketua
Dr Bagus Sartono, M.Si Anggota
Diketahui oleh
Ketua Program Studi Statistika
Dr Kusman Sadik, M. Si
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah subhanahu wa ta’ala atas segala rahmat, nikmat serta karunia-Nya sehingga penulis dipermudah dalam
menyelesaikan proposal penelitian dengan judul “Jaringan Co-Authorship dan Potensi Kolaborasi Penelitian Indonesia dengan Analisis Jaringan Sosial”. Penelitian dilakukan dalam rangka penulisan tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada program studi Statistika.
Penulis mengucapkan terima kasih kepada Dr Ir Muhammad Nur Aidi sebagai ketua komisi pembimbing dan Dr Bagus Sartono sebagai anggota komisi pembimbing yang telah memberikan bimbingan dan arahan dalam proses penelitian ini. Terima kasih penulis haturkan kepada orang tua, suami, serta anakku tercinta atas do’a, dukungan dan pengertiannya. Terima kasih juga penulis sampaikan kepada seluruh staf Program Studi Statistika, teman-teman (S2 dan S3) Statistika IPB, rekan-rekan kerja di Pusat Penelitian Perkembangan Ilmu Pengetahuan dan Teknologi, LIPI atas bantuan, kebersamaan, dukungan dan sumbang sarannya. Terima kasih tak lupa penulis sampaikan kepada semua pihak yang tidak dapat penulis sebutkan satu per satu yang telah membantu dalam penyusunan proposal penelitian ini.
Penulis menyadari bahwa karya ilmiah ini masih banyak kekurangan, oleh karena itu kritik, saran, dan masukan sangat penulis harapkan. Semoga karya ilmiah ini dapat bermanfaat.
Bogor, November 2015
DAFTAR ISI
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
TINJAUAN PUSTAKA 2
Analisis Co-Authorship Networks 2
Analisis Jaringan Sosial (Social Networks Analysis/SNA) 3
Geodesic Distance 4
Degree Centrality (DC) 5
Closeness Centrality (CC) 5
Betweenness Centrality (BC) 6
Analisis Procrustes 6
METODE PENELITIAN 7
Data 7
Metode Analisis 7
HASIL DAN PEMBAHASAN 9
Pola Co-Authorship Networks Indonesia di bidang Kimia 9 Potensi Kolaborasi Penelitian Indonesia di bidang Kimia
berdasarkan Area Penelitian 15
Perbandingan Jaringan Authorship dan Potensi Jaringan Co-Authorship Pulikasi Internasional Indonesia berdasarkan Statistik Deskriptive Jaringan dan Ukuran Centrality 19 Perbandingan Jaringan Authorsip dan Potensi Jaringan Co-Authorship Publikasi Internasional Indonesia dengan Analisis
Procrustes 23
KESIMPULAN DAN SARAN 23
Kesimpulan 23
Saran 24
DAFTAR GAMBAR
Gambar 1. Geodesic Distances dan diameter grafik ... 5
Gambar 2. Sebaran Asal Penulis pada bidang Kimia ... 9
Gambar 3. Jumlah penulis dalam satu artikel ... 10
Gambar 4. Sebaran asal institusi ... 10
Gambar 5. Jaringan Sosial antar penulis Indonesia pada publikasi internasional bidang Kimia ... 11
Gambar 6. Jaringan Sosial antar penulis Indonesia pada publikasi internasional bidang Kimia dengan jumlah artikel lebih dari 1 ... 13
Gambar 7. Jaringan Sosial antar institusi Indonesia pada publikasi internasional bidang Kimia ... 14
Gambar 8. Jaringan Sosial antar penulis Indonesia pada publikasi internasional bidang Kimia berdasarkan area penelitian ... 16
Gambar 9. Jaringan Sosial antar penulis Indonesia pada publikasi internasional bidang Kimia dengan jumlah artikel lebih dari 1 berdasarkan area penelitian ... 17
Gambar 10. Jaringan Sosial antar institusi Indonesia pada publikasi internasional bidang Kimia berdasarkan area penelitian ... 18
DAFTAR TABEL Tabel 1. Centrality penulis Indonesia pada publikasi internasional bidang Kimia ... 12
Tabel 2. Centrality penulis Indonesia pada publikasi internasional bidang Kimia dengan jumlah artikel lebih dari 1 ... 13
Tabel 3. Centrality institusi Indonesia pada publikasi internasional bidang Kimia ... 14
Tabel 4. Centrality penulis Indonesia pada publikasi internasional bidang Kimia berdasarkan area penelitian ... 16
Tabel 5. Centrality penulis Indonesia pada publikasi internasional bidang Kimia dengan jumlah artikel lebih dari 1 berdasarkan area penelitian ... 17
Tabel 6. Centrality institusi Indonesia pada publikasi internasional bidang Kimia berdasarkan area penelitian ... 18
Tabel 7. Deskripsi jaringan co-authorship dan jaringan potensi kolaborasi penelitian pada penulis dan institusi bidang Kimia... 20
Tabel 8. Ukuran centrality seluruh penulis ... 21
Tabel 9. Ukuran centrality penulis dengan lebih dari satu artikel... 22
1 PENDAHULUAN
Latar Belakang
Ilmu pengetahuan dan teknologi (IPTEK) merupakan kunci untuk dapat bertahan dalam persaingan di era globalisasi. Oleh sebab itu saat ini Indonesia terus berusaha meningkatkan daya saing dengan meningkatkan kemampuan IPTEK nasional. Publikasi internasional merupakan salah satu proxy pengukuran produktivitas kegiatan ilmiah. Setiap peneliti didorong untuk terus melakukan publikasi ilmiah sebagai ukuran kinerja dalam melakukan penelitian. Nguyen & Pham (2011) menyebutkan bahwa berdasarkan data bibliometrik dari Institute of Scienctific Information (ISI Thomson Reuters) menunjukkan bahwa Indonesia menyumbang hanya 5% dari total publikasi internasional yang berasal dari ASEAN. Selain itu Indonesia bersama Filipina merupakan dua Negara dengan laju pertumbuhan paling kecil dibanding Negara ASEAN lainnya yaitu hanya 8% per tahun. Hal tersebut sangatlah kecil dibandingkan dengan potensi sumber daya manusia yang dimiliki oleh Indonesia, dimana Indonesia merupakan Negara dengan jumlah penduduk paling banyak di ASEAN, yaitu 249,865,631 jiwa (worldbank.org) meliputi lebih dari 40% jumlah penduduk di ASEAN. Jika dibandingkan dengan jumlah penduduk di Singapura yang hanya sebanyak 5,399,200 akan tetapi jumlah publikasi Internasional mencakup 45% dari total publikasi yang dihasilkan oleh Negara ASEAN. Oleh sebab diperlukan sistem pengelolaan IPTEK yang baik, salah satunya adalah dengan mengimplementasikan Scientometrics sebagai cabang ilmu dalam melakukan pengukuran dan analisis terhadap IPTEK dalam proses pembuatan kebijakan IPTEK nasional.
Definisi kolaborasi penelitian adalah pekerjaan bersama dari beberapa peneliti dalam menghasilkan tujuan untuk menghasilkan pengetahuan yang baru (Katz & Martin, 1997). Kolaborasi penelitian merupakan salah satu cara efektif dalam meningkatkan kualitas penelitian (Melin & Persson, 1996), meningkatkan produktivitas penelitian (Katz & Martin, 1997; Lee & Bozeman, 2005) memiliki dampak penelitian yang lebih luas (Gazni & Didegah, 2011; Sooryamoorthy, 2009). Oleh sebab itu dalam usaha meningkatkan jumlah publikasi penelitian berskala internasional sangatlah penting untuk mengetahui peta kolaborasi penelitian yang telah terjadi saat ini. Dalam memahami kolaborasi penelitian, co-authorship merupakan besaran yang bisa digunakan, karena co-authorship merupakan output dari kolaborasi penelitian.
Analisis social network (ASN) merupakan salah satu alat yang bisa digunakan dalam studi co-authorship. ASN sendiri berawal pada premis bahwa hubungan antara aktor sosial dapat digambarkan pada sebuah grafik (Liu et al.2005). Analisis sosial network telah banyak dilakukan pada berbagai bidang ilmu (Wasserman & Faust 1994; Scott 2000; Watts 2001; Barabasi 2002; Otte & Rousseau 2002). Nascimento mengukur aktifitas penulis dengan menggunakan rata-rata jarak dari panjang path pada grafik yang dihasilkan. Newman (2001) mengaplikasikan teknik analisis jaringan modern pada studi co-authorship.
2 persentase kesamaan antara dua jaringan sosial yang dihasilkan. Dalam hal ini dua jaringan sosial yang akan dibandingkan adalah jaringan co-authorship dan potensi jaringan co-authorship berdasarkan area penelitian yang menjadi proxy dari potensi kolaborasi penelitian.
Pentingnya mengevaluasi kinerja para pelaku ilmiah diperlukan untuk membangun skenario kebijakan yang tepat untuk Indonesia. Beberapa penelitian menyinggung co-authorship network di Indonesia terkait dengan penelitiannya yang membandingkan produktivitas dan pola network yang terjadi pada beberapa wilayah di dunia seperti yang dilakukan oleh Maier & Van Dijk (2006) dan Leydesdorff et al. (2013). Berdasarkan data bibliometrika publikasi internasional penulis Indonesia di Institute of Scientific Information (ISI Thomson Reuters), bidang Kimia memiliki jumlah publikasi paling banyak dalam lima tahun terakhir. Hal ini mengindikasikan tingginya intensitas penelitian bidang Kimia di Indonesia, oleh sebab itu dalam penelitian ini dipilih bidang Kimia sebagai contoh kasus.
Tujuan Penelitian
Penelitian ini bertujuan untuk mengetahui perbedaan antara jaringan co-authorship penulis Indonesia berdasarkan data publikasi internasional pada bidang Kimia dengan potensi kolaborasi penelitian antar penulis Indonesia.
TINJAUAN PUSTAKA
Analisis Co-Authorship Networks
Dalam jaringan co-authorship, simpul dihasilkan oleh penulis dari studi tertentu dan hubungan antar penulis yang tergambarkan dari satu atau dua tulisan ilmiah yang dihasilkan bersama. Co-authorship dapat menggambarkan keterikatan sosial yang lebih baik antar peneliti dibandingkan sitasi. Seorang peneliti dapat mensitasi tulisan peneliti lainnya tanpa harus berinteraksi dengan peneliti tersebut. (liu et.al 2005), sedangkan biasanya dua atau lebih peneliti yang menghasilkan tulisan ilmiah bersama harus melalui proses interaksi seperti diskusi. Co-authorship merupakan output dari kolaborasi penelitian. Co-authorship merupakan indikator penting untuk melihat produktivitas riset, karena data mengenai co-publication lebih mudah dicari.
3 Salah satu analisis jaringan co-authorship yang paling popular adalah penelitian oleh Grossman dalam membuat Erdős Number. Paul Erdős merupakan seorang ilmuan matematika berasal dari Hungaria yang sangat fenomenal, beliau menghabiskan sebagian besar hidupnya dengan berpindah-pindah bersama kopernya untuk hidup menumpang dengan rekan sejawatnya yang bersedia untuk menulis artikel ilmiah bersama dan memberikan ruang untuknya tidur. Seumur hidupnya Paul Erdős menghasilkan 1525 artikel ilmiah, sangat besar jika dibandingkan dengan ilmuan matematika lainnya. Dalam Erdős number, Paul Erdős sendiri memiliki nilai 0, sedangkan orang yang berkolaborasi langsung dengannya memiliki nilai 1, orang yang berkolaborasi dengan orang yang memiliki Erdős number sama dengan 1 akan memiliki Erdős number sama dengan 2. Berdasarkan (Castro & Grossman 1999) terdapat 500 orang dengan Erdős number sama dengan 1 dan hampir 5000 orang dengan Erdős number sama dengan 2.
Analisis co-authorship sendiri semakin berkembang pesat dengan berkembangnya digital library. Tomasini (2007) melakukan analisis mengenai evolusi co-authorship networks dengan Genetic Programming. Beberapa penelitian juga telah dilakukan untuk melihat network co-authorship seperti yang dilakukan oleh Mena-Chalco et al. pada tahun 2013 mengenai co-authorship networks di Brazil, Liu et al. (2005) menggunakan dataset dari beberapa perpustakaan digital untuk melihat network co-authorship dibeberapa bidang keilmuan. Hou et al. (2005) melihat struktur jaringan kolaborasi para penulis pada jurnal Scientometrics sejak tahun 1978 hingga 2004 berdasarkan co-authorship.
Analisis Jaringan Sosial (Social Networks Analysis/SNA)
Wasserman dan Faust (1994) menjelaskan bahwa SNA merupakan metode untuk menganalisis struktur sosial mengenai berbagai elemen yang terdapat pada lingkungan sosial yang saling berhubungan. Berbeda dengan analisis sosial lainnya, SNA menitikberatkan analisisnya pada interaksi antar aktor. Sebelum menggunakan SNA diperlukan untuk membangun network/grafik yang terdiri atas node merepresentasikan aktor dan edge merepresentasikan interaksi aktor. Grafik tersebut biasa disebut sebagai sosiogram, sedangkan matriks yang menggambarkan hubungan antar aktor disebut sebagai sosiomatriks. Terdapat dua level penjabaran suatu network, yaitu Global Graph Properties (GGP) dan Single Actor Properties (SAP). Global Graph Properties menjelaskan karakteristik jaringan sosial sebagai sebuah kesatuan. Sedangkan Single Actor Properties (SAP) menitikberatkan pada peranan aktor yang ada dalam jaringan sosial tersebut.
Terdapat dua jenis hubungan yang bisa dijelaskan dalam SNA, yaitu
4 X: sosiomatriks pertemanan A, B dan C. Jika diketahui bahwa A berteman dengan B (A B) , B berteman dengan C (B C), C berteman dengan A (CA), dan C berteman dengan B (CB). Jika adanya hubungan bersifat dikotom maka elemen dari matriks X ( ), dimana i= A,B,C dan j= A,B,C adalah:
2. Nondirectional Relations : jenis hubungan dimana hubungan para aktor saling simetris. Contoh hubungan ini adalah hubungan bertetangga sebelah rumah. Jika A bertetangga sebelah rumah dengan B maka sudah pasti B bertetangga sebelah rumah pula dengan A. Jenis hubungan ini akan dinotasikan dengan garis (tanpa panah) pada sosiogram. Dalam bentuk notasi matris, hubungan ini dapat digambarkan sebagai berikut:
X: sosiomatriks hubungan bertetangga sebelah rumah A, B dan C. Jika diketahui bahwa A bertetangga sebelah rumah dengan B (A-B dan B-A) , B bertetangga sebelah rumah dengan C (B-C dan C-D). Jika adanya hubungan bersifat dikotom maka elemen dari matriks X ( ), dimana i= A,B,C dan j= A,B,C adalah:
Dalam SNA, hubungan antar aktor bisa bernilai dikotom dan memiliki nilai. Hubungan bersifat dikotom maka jika relasi tersebut ada maka bernilai 1 dan jika tidak ada hubungan maka akan bernilai 0. Relasi juga bisa bernilai sehingga setiap hubungan antar aktor memiliki nilai yang berbeda, hal ini bisa bernilai kekuatan hubungan antar aktor, intensitas hubungan atau frekuensi hubungan.
Geodesic Distance
Ukuran yang paling fundamental dalam sosiogram adalah geodesic distance. Geodesic distance diadopsi dari Graph Theory.Geodesic distance dinotasikan sebagai yang artinya adalah geodesic distance antara aktor yang dilambangkan dengan node, dan . Geodesic distance adalah jalur terpendek (shortest path) antara dua aktor, diformulasikan sebagai:
dimana merupakan elemen dari matriks hubungan (X); i,h,j merupakan indeks dari aktor-aktor dalam network; dan h adalah aktor perantara dalam hubungan antara aktor i dan j di sebuah network.
Jika suatu aktor terisolasi atau unreachable atau tidak memiliki hubungan sama sekali dengan aktor lainnya, maka geodesic distance dari aktor tersebut invinite atau tidak dapat didefinisikan.
5 antara dan terdapat 2 alur, yaitu - - dan - - - . Akan tetapi jalur terpendek antara dan adalah - - sehingga =2.
Gambar 1. Geodesic Distances dan diameter grafik
Degree Centrality (DC)
Centrality dalam SNA merupakan salah satu ukuran untuk melihat posisi suatu aktor/grup dalam suatu sociogram. Actor Degree Centrality merupakan banyaknya relasi langsung yang dimiliki oleh seorang aktor. Freeman (1979) menetapkan bahwa adalah actor-level degree centrality index, dimana:
Closeness Centrality (CC)
Ukuran sentralitas yang lain adalah closeness. Closeness mengukur kedekatan antar aktor/node. Ide awal dari ukuran ini adalah seorang aktor disebut sebagai sentral dari sebuah network jika bisa berinteraksi dengan aktor lainnya dengan lebih mudah dan cepat. Terkait dengan alur informasi, seorang sentral yang memiliki kedekatan dengan aktor lain maka akan lebih produktif karena dapat mengakses informasi secara lebih cepat. Terkait dengan problem solving, seorang sentral yang memiliki kedekatan dengan aktor lain akan memiliki jalur komunikasi yang lebih pendek sehingga proses penyelesaian masalah akan lebih efisien. Karena itu closeness lebih menekankan aspek pertimbangan ekonomi. Closeness menggunakan geodesic untuk mengukur sentralitas seorang aktor.
Actor closeness centrality index dirumuskan sebagai berikut:
6 Betweenness Centrality (BC)
Interaksi antar 2 atau lebih aktor terkadang bergantung pada aktor lain yang berada dalam network. Aktor yang menjadi perantara antara 2 atau lebih aktor seringkali dianggap memiliki peran yang lebih besar dalam alur informasi karena memegang kontrol atas interaksi antara aktor tersebut. Betweenness seorang aktor merupakan banyaknya kehadiran seorang aktor dalam geodesic (shortest path) setiap pasangan aktor lainnya dibandingkan dengan banyaknya jumlah geodesic pasangan aktor tersebut dalam network. Individu dengan nilai betweenness tertinggi dianggap sebagai aktor yang paling memegang control atas alur informasi dalam network. Ukuran actor betwenness centrality index dirumuskan sebagai berikut:
Metode Procrustes merupakan analisis statistik yang bertujuan membandingkan dua konfigurasi titik yang mewakili n unit pengamatan yang sama (Digby, 1987). Metode yang digunakan dalam analisis ini adalah dengan mentransformasi salah satu konfigurasi sehingga sedekat mungkin dengan konfigurasi lainnya. Landasan dari analisis ini adalah sebuah konfigurasi titik tidak akan berubah walaupun telah dilakukan transformasi pada konfigurasi tersebut.
Terdapat tiga proses transformasi dalam analisis procrustes, yaitu: translasi, rotasi sumbu koordinat dan penskalaan. Translasi adalah perpindahan paralel dari setiap titik pengamatan ke suatu titik asal yang baru untuk mendapatkan sumbu baru yang sejajar dengan sumbu aslinya. Translasi dapat ditulis sebagai:
dimana, adalah matriks data, adalah matriks translasi dan matriks data hasil translasi. Rotasi adalah perputaran titik melalui sumbu koordinat. Rotasi pada metode procrustes ini dinyatakan sebagai:
dimana, adalah matriks data, adalah matriks rotasi dan matriks data hasil rotasi. Sedangkan penskalaan dilakukan jika kedua konfigurasi memiliki skala yang berbeda (Digby, 1987).
7
Berdasarkan Bachtiar dan Siswadi (2012), translasi yang optimal dapat dicapai dengan menempatkan centroid kedua matriks konfigurasi pada titik asalnya. Maka matriks yang telah dilakukan translasi dinotasikan sebagai dan . Kemudian analisis Procrustes melakukan rotasi pada terhadap dengan melakukan post multiplying matriks terhadap matriks orthogonal Q. Tujuannya adalah untuk meminimalkan Telah dibuktikan pula bahwa rotasi optimal akan dicapai dengan menggunakan , dimana merupakan penguraian nilai singular (Singular Value Decomposition) dari matriks dan . Kemudian penskalaan dilakukan dengan mengkalikan dengan suatu scalar Skalar akan dipilih yang akan meminimalkan . Dengan melakukan transformasi optimal diatas maka Procrustes Distanceterendah yang dapat dicapai adalah
Ukuran kebaikan suai yang digunakan berdasarkan analisis Procrustes adalah
Nilai ukuran kebaikan suai tersebut antara 0 dan 1, jika bernilai 1 artinya kedua konfigurasi tersebut memiliki ukuran dan bentuk yang sama.
METODE PENELITIAN
Data
Data yang digunakan dalam penelitian ini adalah data publikasi internasional Indonesia yang didapatkan dari Thomson Reuters (www.webofknowledge.com). Data yang diambil adalah data publikasi jurnal internasional bagi penulis yang berasal dari Indonesia dalam kurun waktu lima tahun terakhir (2009-2014). Data yang dikumpulkan berdasarkan data yang masuk hingga tanggal 23 Juni 2014 yaitu sebanyak 8217 artikel. Data berisi penulis, asal penulis, judul artikel, area penelitian, Web of Science Category, tipe dokumen hingga sitasi.
Metode Analisis
Penelitian ini meliputi proses entri data, proses penyiapan data dan proses pengolahan data. Proses entri data dilakukan dengan mengentri data dari
(www.webofknowledge.com) telah dilakukan sejak bulan Juni-Agustus 2014.
8 akan tetapi masih ada beberapa penulis dengan nama penulis yang berbeda padahal mereka adalah orang yang sama. Hal ini disebabkan karena alamat yang berbeda atau asal institusi yang berbeda. Selain itu penulisan nama institusi masih belum ada keseragaman sehingga perlu dilakukan proses re-coding untuk memberikan nama institusi yang tepat pada setiap penulis.
Area penelitian yang digunakan dalam penelitian ini adalah area penelitian yang didapatkan dari data research area setiap artikel yang didapatkan dari Thomson Reuters. Area penelitian setiap artikel ditentukan oleh penulis berdasarkan cakupan area penelitian yang dimiliki oleh artikel tersebut.
Dalam proses pengolahan data, terdapat beberapa langkah yang perlu dilakukan, yaitu:
1. melakukan eksplorasi data untuk melihat pola co-authorship di Indonesia 2. mengidentifikasi adanya co-authorship. Jika dua orang penulis memiliki judul
artikel yang sama (menulis bersama dalam 1 artikel) maka adanya hubungan co-authorship antara kedua penulis tersebut
3. membuat matriks co-authorship, jika terjadi co-authorship antara 2 penulis maka diberikan kode 1 sedangkan jika tidak terjadi diberikan kode 0
4. membangun jaringan dan menghitung berbagai jenis centrality.
Kemudian dilakukan proses pembangunan jaringan berdasarkan area penelitian para penulis, tahapannya adalah:
1. melakukan eksplorasi data berdasarkan area penelitian,
2. mengidentifikasi adanya hubungan antar penulis berdasarkan area penelitian yang sama. Jika dua orang penulis memiliki artikel dengan area penelitian yang sama maka diidentifikasikan telah terjadi hubungan berdasarkan area penelitian pada kedua penulis tersebut.
3. membuat matriks hubungan berdasarkan area penelitian, jika terjadi hubungan berdasarkan area penelitian antara 2 penulis maka diberikan kode 1 sedangkan jika tidak terjadi diberikan kode 0
4. membangun jaringan sosial dan menghitung berbagai jenis centrality. Pengolahan data untuk dilakukan dengan menggunakan software NetDraw.
Proses selanjutnya adalah membandingkan kedua jaringan sosial yang telah dibangun (berdasarkan co-authorship dan area penelitian) dengan Analisis Procrustes. Misalkan matriks sociogram pertama X berukuran (nxn) dan matriks sociogram kedua Y berukuran (nxn)
1. Hitung masing-masing matriks yang terkoreksi dengan nilai tengah:
dan Y
Dimana: /n ; /n ; 2. Melakukan penguraian nilai singular:
3. Menentukan nilai eigen dan vector eigen matriks ( )’( ), sehingga didapatkan matriks eigen L dan matriks vector eigen A.
4. Menghitung matriks
5. Menentukan matriks
6. Melakukan proses penyesuaian penskalaan, yaitu: Menghitung
9 Menghitung
7. Menghitung
HASIL DAN PEMBAHASAN
Pola Co-Authorship Networks Indonesia di bidang Kimia
Berdasarkan data yang tersedia di Web of Knowledge, terdapat 450 artikel dari penulis yang berasal dari Indonesia yang terdaftar pada bidang Kimia. Dari artikel tersebut terdaftar 2289 penulis yang berasal dari berbagai Negara. Pada gambar 1 terlihat bahwa sebanyak 812 penulis atau sebesar 35% penulis berasal dari Indonesia, sedangkan 65% lainnya merupakan penulis yang berasal dari Negara lain. Jepang adalah Negara asal penulis yang paling banyak yang ikut terdaftar pada artikel bidang Kimia, yaitu sebanyak 474 penulis (20.7%).
Gambar 2. Sebaran Asal Penulis pada publikasi ilmiah internasional Indonesia pada bidang Kimia
10 Gambar 3. Sebaran jumlah penulis dalam satu artikel pada publikasi ilmiah
internasional Indonesia pada bidang Kimia
Dari 450 artikel bidang Kimia, terdapat 70 kategori area penelitian yang dikategorikan oleh Thomson Reuters dan disebut sebagai Web of Knowledge Category. Mayoritas artikel dikategorikan sebagai Chemistry Multidisciplinary yaitu sebanyak 91 artikel (20.22%). Dari 812 penulis Indonesia yang terdaftar terdapat 376 penulis yang menulis artikel dengan orang Indonesia lainnya, sedangkan yang lain berkolaborasi dengan dengan penulis yang berasal dari luar Indonesia. Dari 376 penulis Indonesia yang saling berkolaborasi ini berasal dari berbagai institusi. Terlihat pada Gambar 4, mayoritas penulis berasal dari perguruan tinggi di Indonesia, yaitu ITB, UGM, UI, IPB dan lainnya.
11 Jaringan sosial antar penulis Indonesia yang terbentuk dari data publikasi Internasional bidang Kimia ini dapat dilihat pada Gambar 5. Terlihat bahwa terdapat beberapa grup dalam jaringan sosial tersebut, selain itu grup penulis yang terbentuk terlihat saling terpisah satu dengan lainnya.
Jaringan yang terbentuk untuk penulis Indonesia berdasarkan tulisan pada jurnal internasional di bidang Kimia pada dasarnya terlihat ada beberapa penulis yang memiliki peranan besar dalam jaringan yang terjadi. Seorang penulis yang memiliki peran besar jika dia memiliki ukuran centrality yang baik. Adanya penulis dengan centrality yang baik biasanya akan membentuk sub-group pada jaringan yang ada. Tabel 1 menunjukkan bahwa berdasarkan nilai CC pada dasarnya antar penulis memiliki nilai kedekatan yang tidak jauh berbeda. Ismadji, S (Ismadji, Suryadi) dan Soetaredjo, FE (Soetaredjo, Felycia Edi) memiliki nilai DC yang besar yaitu 14, diikuti oleh Ayucitra, A (Ayucitra, Aning) dengan DC sama dengan 12. Hal ini menunjukkan bahwa Ismadji, S (Ismadji, Suryadi) dan Soetaredjo, FE (Soetaredjo, Felycia Edi) memiliki hubungan langsung dengan penulis lainnya paling banyak dibandingkan penulis lain dalam jaringan tersebut. Berdasarkan nilai BC terlihat bahwa terdapat satu orang penulis yang memiliki nilai BC jauh lebih besar dibandingkan penulis lainnya, yaitu Wijaya, K (Wijaya, Karna) dengan nilai BC sebesar 116. Nilai tersebut sangat besar jika dibandingkan penulis dengan peringkat kedua berdasarkan nilai BC yaitu Narsito (Narsito) dengan nilai 67. Hal tersebut menunjukkan bahwa Wijaya, K (Wijaya, Karna) paling banyak berada diantara hubungan 2 penulis atau paling banyak menjadi penghubung antara dua penulis lainnya.
Gambar 5. Jaringan Sosial antar penulis Indonesia pada publikasi internasional bidang Kimia
12 lebih dari satu artikel biasanya yang memiliki peranan untuk menjadi penghubung antara penulis yang berbeda.
Tabel 1. Centrality penulis Indonesia pada publikasi internasional bidang Kimia
No Nama Penulis Nama Institusi DC CC BC
1 Suryadi Ismadji Widya Mandala Surabaya
Catholic Univ 14
3 Aning Ayucitra Widya Mandala Surabaya
Catholic Univ 12 135004 13 Indonesia yang telah dibahas sebelumnya. Dari 80 penulis tersebut terdapat dua penulis yang tidak memiliki hubungan dengan 78 penulis lainnya dikarenakan mereka menulis lebih dari satu artikel dengan penulis lain yang hanya memiliki satu artikel. Gambar 6 menunjukkan bahwa hubungan yang terjadi antar penulis dengan artikel lebih dari satu tidaklah saling berhubungan dengan baik. Jaringan yang terbentuk terdiri dari sub-group yang terdiri dari sedikit orang, dan antar sub-group tidaklah saling berhubungan. Banyak dari penulis yang memiliki artikel lebih dari satu tetapi pada setiap artikel hanya berkolaborasi dengan penulis yang sama. Hanya terdapat enam grup penulis yang terdiri dari empat sampai enam penulis yang saling berhubungan dalam proses menulis lebih dari satu artikel.
13 Gambar 6. Jaringan Sosial antar penulis Indonesia pada publikasi internasional
bidang Kimia dengan jumlah artikel lebih dari 1
Tabel 2. Centrality penulis Indonesia pada publikasi internasional bidang Kimia dengan jumlah artikel lebih dari 1
No Nama Penulis Nama Institusi DC CC BC
1 Aning Ayucitra Widya Mandala Surabaya
Catholic Univ 5
*)
6080*) 0.667
2 Suryadi Ismadji Widya Mandala Surabaya
Catholic Univ 5
14 Gambar 7. Jaringan Sosial antar institusi Indonesia pada publikasi internasional
bidang Kimia
Tabel 3. Centrality institusi Indonesia pada publikasi internasional bidang Kimia
No Nama Institusi DC CC BC
1 UGM 12*) 2104*) 195*)
2 ITB 7 2116 131
3 LIPI 7 2104 124.5
4 UI 5 2110 78.5
5 IPB 4 2115 96
6 Malang State Univ 3 2140 27
7 Padjajaran State Univ 3 2137 52
8 Sebelas Maret Univ 3 2120 27
9 Pancasila Univ 3 2120 27
10 Christian Univ 2 3660 0
11 Indonesia Univ Educ 2 2116 67
12 Islamic Univ Indonesia 2 2122 0
13 BPPT 2 2123 0
14 Bengkulu Univ 2 2162 27
*)
nilai centrality paling baik
15 besar dalam jaringan. Selain itu terdapat 12 institusi yang tidak saling berhubungan sama sekali dengan institusi lainnya.
Universitas Gajah Mada (UGM) merupakan institusi yang sangat menonjol dalam jaringan institusi tersebut. Pada Tabel 3 menunjukkan bahwa UGM memiliki nilai DC dan BC paling besar serta nilai CC paling kecil diantara institusi lainnya dalam jaringan. Hal ini menunjukkan bahwa UGM selain menjadi institusi yang paling banyak memiliki hubungan langsung dengan institusi lainnya, juga sebagai institusi yang paling banyak berada diposisi antara dua institusi dan menjadi institusi yang memiliki jarak paling dekat dengan institusi lainnya. Selain itu LIPI sebagai salah satu lembaga penelitian utama di Indonesia memiliki peranan yang cukup penting dalam jaringan tersebut. Selain itu walaupun ITB memiliki nilai DC yang lebih besar dibandingkan LIPI, akan tetapi LIPI memiliki nilai CC dan BC yang lebih baik dibandingkan ITB. LIPI juga selalu menduduki peringkat 3 besar dalam ketiga nilai centrality yang ada.
Potensi Kolaborasi Penelitian Indonesia di bidang Kimia berdasarkan Area Penelitian
Jaringan potensi kolaborasi berdasarkan area penelitian (Gambar 8) terlihat jauh berbeda dengan Gambar 5. Potensi jaringan sosial antar penulis berdasarkan area penelitian menunjukkan terdapat beberapa grup besar yang terdiri dari banyak penulis dalam jaringan tersebut walaupun antar grup besar tersebut masih belum terdapat hubungan. Jaringan sosial antar penulis dengan berdasarkan hubungan area penelitian yang sama memiliki jumlah hubungan antar penulis yang lebih banyak dibandingkan dengan jaringan sosial antar penulis berdasarkan co-authorship.
Hasil analisis centrality pada jaringan penulis berdasarkan area penelitian juga berbeda dengan hasil centrality pada jaringan co-authorship yang telah dijelaskan sebelumnya. Pada Tabel 4, terlihat bahwa pelaku utama jaringan adalah Narsito (Narsito). Narsito (Narsito) memiliki nilai DC yang paling besar yaitu 160, dengan nilai CC paling kecil yaitu 30155 dan nilai BC paling besar yaitu 17964,037.
16 Gambar 8. Jaringan Sosial antar penulis Indonesia pada publikasi internasional
bidang Kimia berdasarkan area penelitian
Tabel 4. Centrality penulis Indonesia pada publikasi internasional bidang Kimia berdasarkan area penelitian
No Nama Penulis Nama Institusi DC CC BC
1 Narsito UGM 160*) 30155*) 17964.037*)
2 Dwi Siswanta UGM 142 30226 4352.119
3 Carolus
B.Rasrendra ITB 138 30254 3679
4 Is Fatimah Islamic Univ Indonesia 137 30230 1515.181
5 Karna Wijaya UGM 137 30230 1515.181
6 Salprima S.Yudha Bengkulu Univ 132 30235 1847.998
7 Gunawan
Indrayanto Airlangga Univ 50 30344 7143.5
8 Bambang
Kuswandi Jember Univ 44 30350 5184.5
*)
nilai centrality paling baik
17 Gambar 9. Jaringan Sosial antar penulis Indonesia pada publikasi internasional
bidang Kimia dengan jumlah artikel lebih dari 1 berdasarkan area penelitian
Tabel 5. Centrality penulis Indonesia pada publikasi internasional bidang Kimia dengan jumlah artikel lebih dari 1 berdasarkan area penelitian
No Nama Penulis Nama Institusi DC CC BC
1 Narsito UGM 40*) 1305*) 973.667*)
2 Is Fatimah Islamic Univ Indonesia 36 1324 99.667
3 Karna Wijaya UGM 36 1324 99.667
4 Dwi Siswanta UGM 33 1327 67
5 A.Patriati BATAN 33 1332 30
6 Gunawan
Indrayanto Airlangga Univ 16 1339 568.5
7 Bambang
Kuswandi Jember Univ 8 1347 172.5
8 Felycia Edi Soetaredjo
Widya Mandala
Surabaya Catholic Univ 14 1350 132
*)
nilai centrality paling baik
18 Gambar 10. Jaringan Sosial antar institusi Indonesia pada publikasi internasional
bidang Kimia berdasarkan area penelitian
Tabel 6. Centrality institusi Indonesia pada publikasi internasional bidang Kimia berdasarkan area penelitian
No Nama Institusi DC CC BC
1 UI 48*) 254*) 189.186
2 ITB 46 258 238.573*)
3 UGM 45 257 131.296
4 Syiah Kuala Univ 41 263 64.677
5 Sebelas Maret Univ 41 261 103.024
6 Padjajaran State Univ 40 262 71.264
7 LIPI 40 264 80.333
8 IPB 39 263 63.914
9 Riau Univ 35 269 15.276
10 BATAN 35 269 25.586
11 Jember Univ 14 292 115.829
*)
nilai centrality paling baik
19 Technol berada pada area penelitian Chemistry, Applied; Energy & Fuels; Engineering, Chemical.
Tiga universitas negeri menjadi tokoh sentral dalam jaringan antar institusi berdasarkan area penelitian yaitu UI, ITB dan UGM. Ketiga universitas tersebut memiliki nilai centrality yang paling baik dibandingkan institusi lainnya. Hanya dua lembaga litbang pemerintah yang masuk dalam jajaran 10 besar, yaitu LIPI dan BATAN. Universitas Jember memiliki nilai BC yang cukup baik (berada pada peringkat 4) padahal berdasarkan nilai DC dan CC-nya tidak masuk dalam jajaran 10 besar. Hal ini menunjukkan dalam bidang Kimia, ketiga institusi ini memiliki potensi terbesar dalam membangun potensi co-authorship di Indonesia di bidang Kimia.
Perbandingan Jaringan Co-Authorship dan Potensi Jaringan Co-Authorship Publikasi Internasional Indonesia
Berdasarkan Statistik Deskriptive Jaringan dan Ukuran Centrality
Jaringan co-authorship pada seluruh penulis Indonesia bidang Kimia dibangun oleh sebanyak 367 penulis. Dari sejumlah penulis tersebut terdapat 1106 hubungan co-authorship. Sedangkan dari sebanyak 80 penulis dengan artikel lebih dari satu terdapat 168 hubungan co-authorship. Jumlah hubungan co-authorship tersebut masih sangat rendah. Hal ini juga ditunjukkan dengan nilai ND yang rendah. Ini menunjukkan bahwa perbandingan hubungan yang terjadi dibandingkan dengan kemungkinan hubungan yang dapat terjadi masihlah kecil. Sedangkan untuk jaringan co-authorship pada tingkat institusi juga demikian, dari 62 institusi yang terdapat dalam jaringan hanya terjadi 106 hubungan co-authorship. Nilai ND pada jaringan co-authorship antar institusi pun masih kecil yaitu 0.056.
Sedangkan dari jaringan yang dibentuk berdasarkan area penelitian terlihat bahwa nilai ND adalah 0.272 untuk jaringan seluruh penulis, 0.422 untuk jaringan pada penulis lebih dari satu artikel dan 0.686 pada jaringan sosial antar institusi. Hal ini juga sejalan dengan jumlah interaksi/edge jauh lebih banyak dibandingkan dengan jumlah interaksi/edge pada jaringan co-authorship. Dapat disimpulkan bahwa jaringan berdasarkan kesamaan area penelitian memiliki jumlah hubungan antar penulis yang lebih banyak dibandingkan dengan jaringan co-authorship,
20 Rata-rata CC dan BC pada kedua jaringan juga terlihat cukup mencolok. Nilai rata-rata CC seluruh penulis pada jaringan co-authorship mencapai 2.61 kali lebih besar dibandingkan rata-rata CC pada jaringan berdasarkan area penelitian. Sedangkan pada jaringan tingkat institusi, rata-rata CC jaringan co-authorship mencapai hampir 10 kali lebih besar dibandingkan pada jaringan berdasarkan area penelitian. Hal ini mengindikasikan bahwa antar penulis dan institusi pada jaringan berdasarkan area penelitian memiliki jarak yang lebih dekat dibandingkan pada jaringan co-authorship. Pada statistik BC juga menunjukan hasil yang konsisten dengan ukuran centrality lainnya, terutama pada tingkatan penulis. Rata-rata BC seluruh penulis dan penulis dengan lebih dari satu artikel pada jaringan co-authorship sangatlah kecil yaitu 1.689 dan 0.185. Akan tetapi rata-rata BC pada jaringan berdasarkan area penelitian sangat besar yaitu 172.359 dan 31.79.
Tabel 7. Deskripsi jaringan co-authorship dan jaringan potensi kolaborasi penelitian pada penulis dan institusi bidang Kimia
Tabel 8 menunjukkan perbedaaan ukuran centrality pada masing-masing penulis. Perbedaan angka centrality pada kedua jenis jaringan sangatlah mencolok. Pada jaringan co-authorship, (Ismadji, Suryadi) memiliki nilai DC sebesar 14 sedangkan berdasarkan jaringan berdasarkan area penelitian memiliki nilai DC sebesar 40. Angka tersebut menunjukkan bahwa pada jaringan co-authorship yang telah terjadi (Ismadji, Suryadi) memiliki hubungan langsung dengan 14 penulis lainnya, akan tetapi sesungguhnya berdasarkan kesamaan area penelitian, potensi jaringan co-authorship (Ismadji, Suryadi) adalah memiliki hubungan langsung dengan 40 penulis lainnya. Hal ini menunjukkan bahwa
Ukuran Jaringan
Ukuran Jaringan
Jaringan co-authorship Jaringan berdasarkan area penelitian
Seluruh
Rata-rata CC 138863.08 6283.92 2779.28 53195.78 2257.16 284.68
Standar Deviasi CC 1878.81 129.75 760.41 44134.02 1886.92 19.83
Nilai minimum CC 133510 6080 2104 30155 1305 254
Rata-rata BC 1.69 0.18 13.82 172.36 31.79 19.35
Standar Deviasi BC 8.72 0.64 36.88 1107.59 126.02 46.24
Nilai maksimum BC 116 4 195 17964.04 973.67 238.57
21 potensi kolaborasi riset yang bisa dibangun masih sangat besar. Selain itu perbedaan nilai CC pada jaringan co-authorship jauh lebih besar dibandingkan dengan nilai CC pada jaringan berdasarkan area penelitian, artinya aktor pada jaringan berdasarkan area penelitian lebih memiliki kedekatan dibandingkan dengan pada jaringan co-authorship. Demikian pula berdasarkan nilai BC, aktor pada jaringan berdasarkan area penelitian memiliki nilai BC yang lebih baik, artinya mereka memiliki posisi yang strategis dan ini menunjukkan bahwa mereka lebih saling terkoneksi satu dengan lainnya dibandingkan pada jaringan co-authorship. Pada nilai DC penulis dengan lebih satu artikel pada jaringan berdasarkan area penelitian, (Narsito) masih menjadi aktor sentral konsisten dengan peran sentral yang terjadi pada jaringan berdasarkan area penelitian pada seluruh penulis. Nilai DC (Narsito) sangat besar yaitu 160, artinya (Narsito) memiliki hubungan kesamaan area penelitian dengan hampir setengah penulis yang terdapat dalam jaringan. Padahal berdasarkan nilai DC dari (Narsito) pada jaringan co-authorship adalah 6. Hal ini menunjukkan bahwa (Narsito) sesungguhnya memiliki potensi besar dalam membangun kolaborasi riset bidang Kimia di Indonesia.
Tabel 8. Ukuran centrality seluruh penulis
Nama Penulis Asal Institusi
Jaringan co-authorship Jaringan berdasarkan area penelitian
No DC CC BC DC CC BC
1 Suryadi Ismadji Widya Mandala
Catholic Univ 14
Nilai centrality paling baik
22 DC yang tinggi pada jaringan berdasarkan area penelitian. Pada ukuran centrality ini juga terlihat bahwa pada jaringan berdasarkan area penelitian antar penulis lebih saling terhubung, terlihat dari nilai centrality yang lebih baik daripada jaringan co-authorship.
Tabel 9. Ukuran centrality penulis dengan lebih dari satu artikel
No Nama Penulis Asal Institusi
Jaringan
co-2 Suryadi Ismadji Widya Mandala
Catholic Univ 5 6080
Nilai centrality paling baik
Pada table 10, terlihat bahwa UGM memiliki nilai DC dan BC paling besar serta nilai CC paling kecil diantara institusi lainnya dalam jaringan co-authorship. Akan tetapi berdasarkan jaringan area penelitian UI merupakan institusi dengan nilai centrality paling baik.
Tabel 10. Ukuran centrality tingkat institusi
NO Nama Institusi
23
10 Christian Univ 2 3660 0 9 298 0
*)
Nilai centrality paling baik
Hasil Analisis Procrustes
Analisis Procrustes dilakukan untuk melihat kesamaan dan ketidaksamaan dua matriks yaitu matriks target dan matriks yang akan dilakukan transformasi. Pada penelitian ini matriks target adalah matriks hubungan berdasarkan area penelitian sebagai potensi jaringan co-authorship, sedangkan matriks yang akan dilakukan transformasi adalah matriks hubungan co-authorship. Analisis Procrustes akan memberikan derajat kesamaan antara dua matriks tersebut, hal ini juga menunjukkan potensi kolaborasi penelitian.
Analisis procrustes untuk matriks co-authorship dari semua penulis dibandingkan dengan matriks hubungan berdasarkan area penelitian menghasilkan derajat kesamaan (R2) sebesar 84,79%. Angka ini menunjukkan bahwa matriks co-authorship dan matriks hubungan berdasarkan area penelitian cukup dekat, tidak banyak berbeda. Padahal jika dilihat secara visual pada Gambar 5 dan Gambar 8 terlihat sangat berbeda.
Analisis procrustes untuk matriks co-authorship dari penulis Indonesia dengan artikel ilmiah di jurnal internasional yang lebih dari satu dibandingkan dengan matriks hubungannya berdasarkan area penelitian pada penulis-penulis tersebut menghasilkan derajat kesamaan (R2) = 64,02%. Angka menunjukkan bahwa kedua matriks tersebut cukup jauh berbeda. Hal ini juga tergambar pada hasil analisis jaringan sosial untuk kedua matriks tersebut pada Gambar 6 dan Gambar 9. Pada Gambar 6 terlihat bahwa antar penulis dengan jumlah artikel lebih dari satu tersebut saling terpisah menjadi kelompok-kelompok kecil, sedangkan pada Gambar 9, jaringan penulis tersebut mengelompok menjadi satu kelompok besar dan beberapa penulis terpisah menjadi kelompok kecil. Hal ini menguatkan argumentasi sebelumnya bahwa, penulis Indonesia di jurnal internasional, walaupun telah memiliki lebih dari satu artikel yang dapat diterbitkan di jurnal internasional, jaringan co-authorship penulis tersebut tidak luas atau dengan kata lain, penulis itu hanya banyak menulis dengan orang yang sama.
Hubungan antar institusi pada co-authorship maupun berdasarkan area penelitian dituliskan pada matriks co-authorship institusi dan matriks hubungan berdasarkan area penelitian. Analisis Procrustes pada kedua matriks tersebut menunjukkan bahwa derajat kesamaan pada kedua matriks tersebut adalah 67,51%. Angka ini menunjukkan bahwa kedua matriks tersebut cukup jauh berbeda. Hal ini juga tergambar pada hasil analisis jaringan sosial pada Gambar 7 dan Gambar 10. Analisis jaringan sosial berdasarkan matriks co-authorship institusi menunjukkan bahwa terdapat satu kelompok besar yang terbentuk, akan tetapi semua anggota kelompok saling berhubungan satu dengan lainnya. Sedangkan pada gambar 10 yang merupakan hasil jaringan sosial dari matriks hubungan antar institusi berdasarkan area penelitian menunjukkan terbentuknya satu kelompok besar dimana antar anggotanya saling berhubungan.
24 Perbandingan hasil pemetaan jaringan co-authorship penulis Indonesia serta potensi kolaborasi penelitian berdasarkan kesamaan area penelitian pada jurnal Internasional di bidang Kimia menunjukkan bahwa keduanya cukup berbeda. Hasil deskripsi jaringan sosial pada kedua jaringan tersebut menunjukkan bahwa terdapat perbedaan mencolok antar keduanya. Masih sangat kecil jaringan co-auhorship yang terjadi antar penulis pada artikel internasional pada bidang Kimia di Indonesia. Sedangkan potensi yang terlihat pada jaringan berdasarkan kesamaan area penelitian antar penulis sangat besar. Hal ini mengindikasikan bahwa masih diperlukan upaya strategis agar potensi kolaborasi penelitian tersebut dapat terwujud dan diharapkan dapat meningkatkan produktivitas penelitian di Indonesia, terutama pada bidang Kimia. Penulis Indonesia memiliki kecenderungan juga menulis dengan rekan yang sama, mayoritas berasal dari asal institusi yang sama. Ini mengindikasikan bahwa peningkatan jumlah tulisan pada jurnal internasional tidak berimplikasi pada perluasan jaringan co-authorship yang dibentuk oleh penulis. Pada tingkat institusi juga terlihat bahwa masih ada potensi yang harus didorong agar bisa menjadi jaringan antar institusi yang lebih kuat dan produktif. Ketiga universitas besar di Indonesia memiliki peranan yang besar untuk mendorong potensi kolaborasi penelitian tersebut bisa terwujud.
Saran
Penelitian ini menggunakan analisis Jaringan Sosial dengan data biner, artinya hubungan antar aktor dinotasikan secara biner dan kurang bisa menunjukkan tingkat perbedaan keeratan hubungan antar aktor, baik berdasarkan intensitas dan frekuensi hubunngan maupun jumlah artikel yang dimiliki. Pada dasarnya analisis Jaringan Sosial telah berkembang dengan hubungan yang tidak dinotasikan secara biner dan diboboti dengan ukuran tertentu yang bisa merepresentasikan tingkat keeratan hubungan antar aktor. Metode tersebut lebih baik dalam menggambarkan jaringan antar aktor karena memberikan lebih banyak informasi yang terkendung dalam hubungan dan interaksi aktor. Oleh sebab itu, akan lebih baik jika pada penelitian selanjutnya dilakukan analisis jaringan sosial dengan metode terboboti agar bisa memberikan gambaran yang lebih baik.
25 DAFTAR PUSTAKA
Barabasi AL. 2002. Linked-the new science of networks. Cambridge, MA: Perseus Publishing.
Castro RD, Grossman JA. 1999. Famous Trails to Paul Erdős. The Mathematical Intelligencer.
Digby PGN, Kempton RA. 1987. Multivariate analysis of ecological communities. Chapman & Hall. New York.
Egghe, L., Rousseau, R., & Van Hooydonk, G. (2000). Methods for Accrediting publications to authors or countries: Consequences for evaluation studies. Journal of the American Society for Information Science and Technology, 51(2), 145-157.
Freeman LC. 1979. Centrality in Social Networks Conceptual Clarification. Social Networks, 1: 215-239.
He B, Ding Y, Ni C. 2011. Mining enriched contextual information of scientific collaboration: A meso perspective. Journal of the American Society for Information Science and Technology. 62(5):831–845.
Hey T, Tansley S, Tolle K. (eds). 2009. The fourth paradigm. Microsoft Research. Hou H, Kretschmer H, Liu Z. 2005. The Structure of Scientific Collaboration
Network in Scientometrics. Scientometrics. 75(2):189-202.
Leydesdorff L, Wagner C, Park HW, Adams J. 2013. International Collaboration in Science: The Global Map and the Network. El Profesional de la Informacion.
Liu, Xiaoming, Bollen J, Nelson ML, Van de Sompel H. 2005.Co-Authorship Networks in Digital Library Research Community. Information Processing and Management. 41:1462-1480.
Maier G, van Dijk J. 2006. Co-authorship in Regional Science: A Network
Approach. SRE-Disc sre-disc-2006_08, Institute for Multilevel Governance
and Development, Department of Socioeconomics, Vienna University of Economics and Business.
Martins WS, Goncalves MA, Laender AHF, Ziviani N. 2010. Assessing the quality of scientific conferences based on bibliographic citations. Scientometrics. 83:133–155.
McCain KW. 2011. Visualizing collaboration: Central authors and strong ties in evolutionary game theory. Proceedings of the American Society for Information Science and Technology. 48(1):1–4.
Newman MEJ. 2001a. Scientific collaboration networks. I. Network construction and fundamental results.Physical Review E. 64:016131+.
Newman MEJ. 2001b. Scientific collaboration networks. II. Shortest paths, weighted networks, and centrality.Physical Review E. 64:016132+.
Newman MEJ. 2001c. The structure of scientific collaboration networks. Proceedings of the National Academy of Sciences of the United States of America. 98 (2):404–409.
Nguyen TV, Pham, LY. Scientific output and its relationship to knowledge economy: an analysis of ASEAN countries. Scientometrics. 89:107-117. Otte E, Rousseau R. 2002. Social network analysis: A powerful strategy, also for
26 Persson O, Beckmann M. 1995. Locating the network of interacting authors in
scientific specialties. Scientometrics. 33(3):351–366.
Scott J. 2000. Social Network Analysis: A handbook. London: Sage Publications. Siswadi, Bactiar T, Maharsi R. 2012. Procrustes Analysis and the Goodness-of-fit
of Biplot: Some Thoughts and Findings. Applied Mathematical Sciences. 6(72): 3579-3590.
Siswadi, Muslim A, Bachtiar T. Variabel Selection using Principal Component and Procrustes Analyses and its Aplication in Educational Data. Jurnal of Asian Scientific Research. 2(12):856-865.
Snijders TAB. 1981a. The Degree variance: An index of graph heterogeneity. Social Networks. 3:163-174.
Snijders TAB. 1981b. Maximum value and null moments of the degree variance.TW report 229. Departement of Mathematics, University of Groningen.
T. Bakhtiar, Siswadi. Orthogonal Procrustes analysis: Its Transformation ordering and minimal distance. International Journal of Applied Mathematics and Statistics. 20 (2011):16-24.
Uddin S, Hossain L, Abbasi A, Rasmussen K. 2012. Trend and efficiency analysis of co-authorship network.Scientometrics. 90:687–699.
Wasserman S, Faust K. 1994. Social Network Analysis: Methods and Applications. Cambridge University Press, Cambridge, New York.
27 RIWAYAT HIDUP
Penulis dilahirkan di Padang, 3 Oktober 1986, sebagai anak pertama dari Irianto Oetomo dan Fine Analisa Maharani. Pendidikan menengah atas ditempuh di SMA LABSCHOOL RAWAMANGUN JAKARTA dan lulus pada tahun 2004. Pada tahun yang sama penulis diterima di Institut Pertanian Bogor program studi Statistika dan lulus pada tahun 2009. Selanjutnya penulis bekerja di PT. Starcom Worldwide Indonesia selama 10 bulan sebagai Junior Research Analyst. Kemudian, penulis bekerja sebagai peneliti kebijakan dan pengembangan indikator ilmu pengetahuan dan teknologi di Pusat Penelitian Perkembangan Ilmu Pengetahuan dan Teknologi, Lembaga Ilmu Pengetahuan Indonesia hingga saat ini.
