PENGEMBANGAN VISUALISASI CO-AUTHORSHIP

PENELITI IPB

AYUNI ARFINA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2018

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan

Visualisasi Co-Authorship Peneliti IPB adalah benar karya saya dengan arahan dari

komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan

tinggi mana pun. 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 skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Agustus 2018

Ayuni Arfina

NIM G64140008

ABSTRAK

AYUNI ARFINA. Pengembangan Visualisasi Co-Authorship Peneliti IPB.

Dibimbing oleh HUSNUL KHOTIMAH.

IPB merupakan salah satu universitas yang memiliki jumlah peneliti dan

publikasi penelitian yang banyak di Indonesia. Publikasi menjadi salah satu faktor

penilaian bagi suatu universitas. Salah satu lembaga kredibel yang menjadi tujuan

publikasi peneliti adalah Scopus. Sampai tahun 2017, terdapat 3701 publikasi

dengan afiliasi IPB di Scopus dalam bentuk tabular. Data tersebut sangat berguna

jika dilakukan analisis co-authorship untuk melihat relasi antarpeneliti. Oleh karena

itu, dibutuhkan suatu metode penyajian data untuk mempermudah proses analisis

relasi antarpeneliti. Penelitian ini telah menghasilkan sistem informasi untuk

visualisasi co-authorship peneliti IPB dengan metode Chi. Visualisasi co-

authorship peneliti IPB berupa graf, dengan node merepresentasikan peneliti dan

edge merepresentasikan hubungan peneliti berdasarkan kerja sama publikasi yang

telah dilakukan. Ukuran node menunjukkan jumlah publikasi, warna node

menunjukkan afiliasi, dan warna edge menunjukkan banyaknya publikasi yang

dilakukan bersama. Sistem informasi yang telah dihasilkan dapat melakukan

pencarian nama peneliti, select node untuk melihat informasi dari peneliti, filter

graf berdasarkan afiliasi, dan melakukan zoom in atau zoom out pada graf.

Kata kunci: co-authorship, IPB, peneliti, sistem informasi, visualisasi

ABSTRACT

AYUNI ARFINA. Development Co-Authorship Visualization of IPB Researcher.

Supervised by HUSNUL KHOTIMAH.

IPB is one of the universities that has produced many researchers and

publications in Indonesia. Publication becomes one of the assessment factors for a

university. One of the credible institutions that became the publication goal of the

researcher is Scopus. Until 2017, there are 3701 publications with affiliation from

IPB in Scopus in tabular form. The data will be very useful if it is analyzed about

co-authorship to see the relationship of each researcher. Therefore it takes a method

of presenting data to analyzed it. This research produced information system for

visualization of co-authorship of IPB researchers with Chi’s method. The

visualization of co-authorship of IPB researchers is in the form of graphs, with

nodes representing researchers and edges representing the relationship of

researchers based on the publication cooperation that has been done. The size of

node shows the number of publications, the color of node indicates affiliation, and

the color of edge indicates the number of publications carried out together. The

information system that has been developed can search the researcher's name, select

node to view the information from the researcher, filter graph based on affiliate,

and zoom in or zoom out on the graph.

Keywords: co-authorship, IPB, information systems, researchers, visualization

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

PENGEMBANGAN VISUALISASI CO-AUTHORSHIP

PENELITI IPB

AYUNI ARFINA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2018

Penguji:

1 Firman Ardiansyah, SKom MSi

2 Auzi Asfarian, SKomp MKom

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas

segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang

dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2017 ini ialah

Visualisasi Informasi, dengan judul Pengembangan Visualisasi Co-Authorship

Peneliti IPB.

Penyelesaian skripsi ini tentunya tak terlepas dari doa, bantuan, dan dukungan

dari berbagai pihak, oleh karena itu penulis mengucapakan terima kasih kepada:

1 Orangtua tercinta, saudara, serta seluruh keluarga atas doa dan kasih

sayangnya,

2 Ibu Husnul Khotimah, SKomp MKom selaku pembimbing yang selalu

memberi arahan dan masukan dalam menyelesaikan penelitian ini,

3 Seluruh dosen Ilmu Komputer IPB yang telah mengajarkan dan memberikan

ilmunya kepada penulis selama masa studi,

4 Seluruh staf tata usaha dan pegawai Departemen Ilmu Komputer IPB yang

telah membantu penulis dalam hal administrasi selama masa studi,

5 Teman-teman satu bimbingan Fahrendi, Sutrisno, dan Nur Hadi,

6 Seluruh mahasiswa Ilmu Komputer angkatan 51 dan seluruh teman-teman

penulis atas kebersamaan, dukungan, bantuan, serta doanya selama menjalani

masa studi di IPB.

Demikian ucapan terima kasih penulis sampaikan. Semoga segala doa,

bantuan, dan dukungan dibalaskan oleh Allah subhanahu wa ta’ala. Semoga karya

ilmiah ini bermanfaat.

Bogor, Agustus 2018

Ayuni Arfina

DAFTAR ISI

DAFTAR TABEL x

DAFTAR GAMBAR x

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Co-authorship Network 2

Gephi Tool 3

METODE 3

Pengumpulan Data 3

Data Transformation 3

Visualization Transformation 4

Visualization Mapping Transformation 4

Lingkungan Pengembangan 5

HASIL DAN PEMBAHASAN 6

Pengumpulan Data 6

Data Transformation 6

Visualization Transformation 9

Visualization Mapping Transformation 10

SIMPULAN DAN SARAN 18

Simpulan 18

Saran 18

DAFTAR PUSTAKA 19

RIWAYAT HIDUP 20

DAFTAR TABEL

1 Beberapa atribut hasil pengumpulan data 6

2 Hasil pemisahan nama antarpeneliti 7 3 Hasil pemisahan nama dan afiliasi 8 4 Afiliasi kategori IPB 8 5 Hasil data transformation (analytical abstraction) 9 6 Data peneliti yang direpresentasikan sebagai nodes 9

7 Contoh edgeslist 10

DAFTAR GAMBAR

1 Metode Penelitian 4 2 Kode menghitung jumlah publikasi 10 3 Ilustrasi graf 11 4 Graf co-authorship peneliti IPB 12

5 Graf menggunakan layout ForceAtlas2 13 6 Graf hasil partition and rangking 13 7 Antarmuka web sebelum user melakukan teknik interaksi 14

8 Antarmuka web ketika memilih salah satu peneliti 14 9 Antarmuka web ketika melakukan pencarian 15

10 Antarmuka web ketika drag and drop node 15

11 Antarmuka web ketika drag and drop graf 16

12 Antarmuka web ketika dilakukan zoom out 16 13 Filter berdasarkan afiliasi pada halaman utama 17

14 Antarmuka web ketika dilakukan filter by degree dan afiliasi 17 15 Antarmuka web ketika mengarahkan kursor ke suatu node 18

PENDAHULUAN

Latar Belakang

Institut Pertanian Bogor (IPB) merupakan salah satu universitas yang

memiliki kualitas penelitian dan publikasi terbaik di Indonesia. Publikasi

merupakan salah satu faktor penilaian bagi suatu universitas. Berdasarkan

klasifikasi dan pemeringkatan perguruan tinggi Indonesia dalam bidang kualitas

penelitian dan publikasi oleh Kementrian Riset, Teknologi, dan Pendidikan Tinggi

Republik Indonesia (Ristekdikti) 2015, IPB berada pada urutan kedua setelah ITB.

Setiap tahunnya, peneliti di IPB didorong untuk menghasilkan publikasi, baik

dalam bentuk jurnal, prosiding, makalah, buku, dan lain sebagainya. Berdasarkan

data dari Scopus, IPB sudah memiliki 3701 hasil penelitian sejak tahun 1974 hingga

2017.

Setiap peneliti tentu melakukan kolaborasi dengan peneliti lain dalam

melakukan penelitian, dan seringkali setiap peneliti melakukan lebih dari satu

penelitian dengan berkolaborasi dengan peneliti yang sama ataupun dengan peneliti

yang berbeda. Selama ini informasi data peneliti hanya disajikan dalam bentuk teks

dan tabular sehingga membuat data menjadi sulit untuk dianalisis karena

membutuhkan waktu yang lebih lama untuk memahami keseluruhan dalam bentuk

teks (Uchida et al. 2009). Jumlah peneliti yang cukup banyak di IPB juga menjadi

salah satu faktor data dalam bentuk tabular sulit untuk dianalisis. Salah satu hal

yang penting untuk dianalisis terkait peneliti adalah co-authorship-nya. Analisis

terkait co-authorship digunakan untuk melihat relasi dari setiap peneliti. Analisis

akan lebih mudah dilakukan apabila data disajikan dalam bentuk lain yang lebih

efektif. Oleh karena itu dibutuhkan suatu metode penyajian data untuk

menyampaikan informasi secara efektif agar data lebih mudah untuk dianalisis.

Salah satu caranya yaitu visusalisasi. Visualisasi dapat memberikan kemampuan

untuk memahami data lebih cepat dalam jumlah yang besar, dibandingkan dengan

penyajian data dalam bentuk teks ataupun gambar statis (Mazza 2009). Visualisasi

tersebut dapat digunakan untuk melihat relasi dari setiap peneliti IPB.

Penelitian mengenai sistem visualisasi yang pernah dilakukan, antara lain

penelitian Samad (2016) , penelitian Gayatri (2017) dan Umadevi (2013).

Keunggulan dari penelitian Samad (2016) dan penelitian Gayatri (2017) yaitu

menghasilkan visualisasi graf yang disajikan dalam sebuah web. Penelitian Samad

(2016) dan penelitian Gayatri (2017) bertujuan untuk memberikan informasi data

keterhubungan karakteristik varietas kedelai dan atribut tahun varietas kedelai.

Keunggulan dari penelitian Umadevi (2013) yaitu menghasilkan graf yang

menunjukkan hubungan antarpeneliti dengan ukuran pusat yang berbeda

berdasarkan hasil dari beberapa analisis yaitu degree centrality, betweenness,

closeness, dan, eigenvector centrality. Pada penelitian Umadevi (2013) node

menunjukkan peneliti, dan edge menunjukkan hubungan dari dua peneliti yang

berkolaborasi. Hasil penelitian pada penelitian ini berupa sistem informasi yang

menampilkan visualisasi co-authorship network peneliti IPB dalam bentuk graf

dengan nodes menunjukkan informasi mengenai peneliti dan edges menunjukkan

hubungan dua peneliti yang pernah berkolaborasi.

2

Perumusan Masalah

Berdasarkan latar belakang, rumusan masalah dari penelitian ini adalah:

1 Bagaimana bentuk visualisasi co-authorship peneliti IPB menggunakan

metode Chi berdasarkan data dari Scopus ?

2 Bagaimana membuat sistem informasi untuk menunjukkan visualisasi co-

authorship peneliti IPB sehingga data lebih mudah untuk dianalisisis ?

Tujuan Penelitian

Penelitian ini bertujuan untuk menampilkan visualisasi co-authorship

network peneliti IPB dan memberikan informasi mengenai peneliti.

Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat memberikan informasi mengenai

jejaring kolaborasi peneliti IPB melalui publikasi yang terdapat di Scopus dengan

afiliasi IPB dan memudahkan proses analisis terkait produktivitas peneliti.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah:

1 Data yang digunakan merupakan data Scopus dengan afiliasi dari IPB yang

diunduh pada tanggal 29 Desember 2017.

2 Pengguna hanya dapat melakukan eksplorasi visual.

3 Pengguna dapat melakukan pencarian berdasarkan nama peneliti.

4 Pengguna dapat melakukan filter berdasarkan afiliasi IPB dan Non IPB.

5 Web visualisasi hanya dapat diakses melalui web browser Mozilla Firefox.

TINJAUAN PUSTAKA

Co-authorship Network

Co-authorship network merupakan jejaring yang digunakan untuk

mengekspresikan adanya hubungan co-authorship antar penulis makalah ilmiah.

Hubungan co-authorship adalah hubungan seorang penulis dengan penulis lain

yang bekerja sama di masa lalu. Data publikasi peneliti biasanya mencerminkan

kepentingan penelitian dan hubungan sosialnya (Yang et al. 2009). Dua peneliti

terhubung jika mereka telah melakukan sebuah penelitian bersama. Di dalam co-

authorship network, nodes menunjukkan informasi peneliti dan edge yang

menghubungkan antar dua nodes menunjukkan informasi penelitian yang telah

dilakukan bersama oleh kedua peneliti tersebut.

Co-authorship network adalah sebuah kelas penting dari jaringan sosial.

Analisis dari jaringan ini menunjukkan fitur komunitas akademis yang membantu

dalam memahami kolaborasi karya ilmiah dan mengidentifikasi peneliti yang

terkemuka. Analisis terstruktur dari publikasi ilmiah dan visualisasi yang

mensintesis hasilnya dapat membantu semua stakeholders yang tertarik dalam

3

proses ilmiah untuk lebih memperhatikan konten dan koneksi sehingga dapat

berfungsi sebagai pendukung keputusan (Reinhardt et al. 2011).

Gephi Tool

Gephi merupakan perangkat lunak berbasis open-source untuk visualisasi dan

analisis network (Bastian et al. 2009). Gephi membantu analisis data untuk

menunjukkan pola dan tren, memperhatikan outliers dan menunjukkan data secara

intuitif. Gephi menggunakan mesin render 3D untuk menampilkan grafik yang

besar secara real-time dan untuk mempercepat eksplorasi. Gephi menggabungkan

fungsi built-in dan arsitektur yang fleksibel untuk mengeksplor, menganalisa,

spatialize, filter, cluster, memanipulasi, dan mengekspor semua jenis networks.

Gephi didasarkan pada paradigma visualisasi dan manipulasi yang memungkinkan

pengguna menemukan network dan properti data. Selain itu, Gephi dirancang untuk

mengikuti rantai studi kasus, dari file data hingga peta printable yang bagus. Gephi

adalah perangkat lunak yang bisa didapatkan dengan gratis yang didistribusikan di

bawah GPL 3 (General Public License).

Gephi menyediakan berbagai macam algoritme layout. Algoritme ini yang

akan mengatur bentuk visualisasi graf, salah satu algoritmenya yaitu ForceAtlas 2.

ForceAtlas2 adalah gaya layout berarah: menyimulasikan sistem fisik untuk

spatialize jaringan. Node saling tolak seperti partikel bermuatan, sementara ujung-

ujungnya menarik simpulnya, seperti mata air. Kekuatan ini menciptakan gerakan

yang konvergen ke keadaan seimbang. Konfigurasi akhir ini diharapkan dapat

membantu interpretasi data (Jacomy et al. 2014).

METODE

Metode yang digunakan dalam penelitian ini merupakan kerangka metode

yang digunakan oleh Chi (1999). Tahapan penelitian ini yaitu pengumpulan data,

data transformation, visualization transformation, visual mapping transfomation,

dan evaluasi heuristik. Alur tahapan penelitian ini dapat dilihat pada Gambar 1.

Pengumpulan Data

Tahap pengumpulan data merupakan tahapan awal dalam penelitian. Tahapan

ini merupakan proses pengumpulan data yang dibutuhkan dalam penelitian. Data

yang didapat digunakan dan diproses pada tahapan-tahapan selanjutnya. Data yang

digunakan pada penelitian ini merupakan data penelitian afilasi IPB dari lembaga

Scopus, data tersebut diunduh pada tanggal 29 Desember 2017.

Data Transformation

Data transformation merupakan tahap pengolahan data dengan menggunakan

ekstraksi data, yaitu memilih atribut relevan dari data yang sudah berhasil

dikumpulkan (Chi 1999). Tahap ini melakukan praproses data yaitu memilih

informasi-informasi yang dibutuhkan serta menambah beberapa atribut yang

dibutuhkan seperti ID peneliti, ID judul publikasi, dan kategori. Tahapan ini akan

menghasilkan data yang disebut analytical abstraction. Data yang telah terkumpul

4

pada tahapan sebelumnya dilakukan beberapa praproses menggunakan bahasa

perograman R dan perangkat lunak Rstudio.

Visualization Transformation

Visualization transformation merupakan tahap pengolahan visualisasi

informasi yang mengambil nilai dari analytical abstraction dan mengambil

beberapa hal utama yang akan menjadi bentuk visualization abstraction.

Visualization abstraction merupakan tahap agar informasi siap dipetakan dan dapat

divisualisasikan di layar menggunakan minimal satu teknik visualisasi (Chi 1999).

Data yang telah dilakukan praproses sebelumnya diproses lagi menjadi tabel node

dan tabel edge yang akan digunakan sebagai data visualisasi. Data tersebut diproses

menggunakan bahasa pemrograman R dan perangkat lunak Rstudio.

Visualization Mapping Transformation

Visualization mapping transformation adalah tahap pengambilan seluruh

informasi dan menampilkannya dalam bentuk grafis kepada pengguna (Chi 1999).

Tahap ini merupakan tahap pembuatan graf dengan menggunakan perangkat lunak

Gephi versi 0.9.2. Tahap visualization mapping transformation juga melakukan

Gambar 1 Metode penelitian

5

penetapan struktur visual sesuai dengan struktur data yang akan divisualisasikan.

Menurut Mazza (2009) terdapat tiga struktur yang harus ditetapkan, yaitu substrat

spasial, elemen grafis, dan sifat grafis.

Struktur substrat spasial menetapkan dimensi ruang fisik dari representasi

visual yang dibuat. Substrat spasial dapat didefinisikan dalam bentuk sumbu,

seperti sumbu-x dan sumbu-y pada koordinat Kartesian. Setiap sumbu dapat

berbeda tipe, tergantu dari tie data yang ingin dipetakan didalamnya (kuantitatif dan

kualitatif).

Elemen grafis merupakan semua hal yang muncul dalam ruang fisik. Elemen

visual yang muncul pada visualisasi ini yaitu node berbentuk lingkaran yanng

merepresentasika peneliti dan edge berbentuk garis yang merepresentasikan

hubungan kerja sama yang pernah dilakukan antarpeneliti.

Sifat grafis merupakan sifat-sifat yang dapat ditangkap oleh retina mata.

Sifat-sifat grafis yang diterapkan pada penelitian ini antara lain, ukuran node yang

merepresentasikan banyaknya publikasi yang telah dilakukan peneliti, warna node

yang merepresntasikan afiliasi peneliti yaitu IPB atau non-IPB, dan warna edge

yang merepresentasikan banyaknya hubungan kerja sama yang pernah dilakukan

antarpeneliti.

Tahap visualization mapping transformation akan menghasilkan view. View

merupakan produk akhir dari tahap visual mapping. Pengguna dapat melihat dan

menafsirkan gambar yang ditampilkan oleh sistem (Chi 1999). Visualisasi tersebut

berupa graf yang interaktif dalam sebuah web, sehingga pengguna dapat melakukan

eksplorasi lebih jauh mengenai informasi peneliti dan hubungannya dengan peneliti

lain. Penelitian ini mengimplementasikan 5 dari 7 kategori teknik interaksi (Yi et

al. 2017), yaitu select, explore, reconfigure, abstract, filter, connect dan encode.

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk

penelitian ini adalah sebagai berikut:

Perangkat keras menggunakan laptop dengan spesifikasi:

● Prosesor Intel i3-7200U up to 3.1 GHz

● RAM 6 GB

● 500GB HDD

Perangkat lunak yang digunakan yaitu:

● Sistem operasi Windows 10

● Gephi versi 0.9.2

● Rstudio versi 1.1.383

● Visual Studio Code

● Bahasa pemrograman R

● Sigma.js

6

HASIL DAN PEMBAHASAN

Pengumpulan Data

Data yang digunakan merupakan data publikasi ilmiah yang terindeks Scopus

dengan author berafiliasi dengan IPB yang didapat dari Scopus. Data tersebut

diunduh pada tanggal 29 Desember 2017 dengan 3701 judul publikasi. Beberapa

data yang didapat dari Scopus (https://www.Scopus.com/results/authorLookup.uri,

diunduh pada: 2017 Des 29) yaitu tabel data penelitian dan author. Tabel data

penelitian terdiri atas beberapa atribut yaitu authors, title, year, source title, volume,

issue, art no., page start, page end, page count, cited by, DOI, link, affiliation,

authors with affiliation, document type, source, dan EID. Tabel author terdiri atas

empat atribut yaitu Author Name, Auth-ID, Number, Subject Area, dan Orc_ID.

Contoh data yang diunduh dapat dilihat pada Tabel 1 dengan hanya beberapa atribut

yang diperlihatkan.

Data Transformation

Data Transformation pada penelitian ini dilakukan dengan menggunakan

bahasa pemrograman R dan perangkat lunak RStudio. Tahapan ini melakukan

beberapa proses untuk mentransformasi data yang didapat. Beberapa proses yang

dilakukan pada tahapan ini yaitu menghapus beberapa atribut yang tidak

dibutuhkan, kemudian memisahkan nama author yang terdapat pada atribut

Author.with.Affiliation pada data sebelumnya di mana pada data tersebut setiap

barisnya terdapat beberapa nama author berdasarkan judul penelitian, kemudian

Tabel 1 Beberapa atribut hasil pengumpulan data

Authors Title Cited.by Authors.with.affiliations Document.Type Source EID

Suseno

S.H., Tajul

A.Y.,

Nadiah

W.A., Noor

A.F.

Improved of

color

properties on

sardinella

lemuru oil

during

adsorbent

refining

using

magnesol xl

1

Suseno, S.H., Faculty of

Fisheries and Marine

Sciences, Department of

Aquatic Product

Technology, Bogor

Agricultural University,

Bogor, Indonesia; Tajul,

A.Y., School of

Industrial Technology,

Food Technology

Division, Universiti

Sains Malaysia, 11800

Penang, Malaysia;

Nadiah, W.A., School

of Industrial

Technology, Bioprocess

Division, Universiti

Sains Malaysia, 11800

Penang, Malaysia;

Noor, A.F., School of

Industrial Technology,

Food Technology

Division, Universiti

Sains Malaysia, 11800

Penang, Malaysia

Article Scopus 2-s2.0-

84870491706

7

memisahkan author dengan affiliation-nya menjadi dua atribut berbeda, lalu

menambah beberapa atribut yang dibutuhkan yaitu kategori yang terdiri atas IPB

dan Non IPB, ID Author dan ID title.

Tahap pertama yang dilakukan pada data transformation yaitu menghapus

data yang tidak lengkap dan duplikat. Dari 3701 judul publikasi terdapat 1 data

tidak memiliki judul dan nama peneliti dan 2 data merupakan data duplikat

berdasarkan judul dan nama penelitinya, sehingga didapat data bersih sebanyak

3698 judul publikasi. Tahap kedua yaitu menambah atribut ID title yang akan

digunakan pada proses visualisasi selanjutnya.

Tahap ketiga yaitu memisahkan nama peneliti pada atribut Author with

affiliation. Dilihat dari pola atribut Author with affiliation sebagian besar data

menggunakan tanda titik koma (;) untuk memisahkan nama peneliti satu dengan

peneliti lainnya. Oleh karena itu, pemisahan dilakukan ketika bertemu tanda titik

koma (;). Contoh hasil dari pemisahan nama antarpeneliti ini dapat dilihat pada

Tabel 2. Terdapat 17000 baris setelah memisah nama antarpeneliti dan 5 di

antaranya tidak dapat digunakan karena tidak ada nama peneliti yang tertera, hanya

afiliasinya saja.

Setelah memisahkan nama antarpeneliti, tahap keempat adalah memisahkan

nama peneliti dan afiliasinya menjadi 2 atribut berbeda. Dilihat dari pola datanya,

terdapat dua pola yang memisahkan nama peneliti dengan afiliasi nya. Pola pertama

yaitu ketika nama peneliti terdiri lebih dari satu suku kata, sebagian besar datanya

dipisah oleh tanda titik dan koma (.,), dan pola kedua ketika nama peneliti hanya

terdiri dari satu suku kata, sebagian besar datanya hanya dipisah oleh tanda koma

(,). Oleh karena itu terdapat 2 proses berdasarkan polanya. Proses untuk pola

pertama yang dilakukan dahulu yaitu mengubah tanda (.,) menjadi tanda (//) karena

dalam bahasa pemrograman R tidak bisa membaca tanda (.,) sebagai sub kata,

kemudian ketika data bertemu dengan tanda (//) maka kata selanjutnya dipisah

menjadi atribut baru yaitu atribut afiliasi. Pada data dengan nama peneliti yang

hanya memiliki satu suku kata, maka atribut afiliasi nya akan kosong, kemudian

data tersebut yang berjumlah 1060 data disalin secara manual menjadi satu file csv

baru, setelah itu baru dilakukan proses untuk pola kedua. Apabila data bertemu

Tabel 2 Hasil pemisahan nama antarpeneliti

author_affiliation ID_title title

Abematsu, M., Department of Orthopaedic Surgery,

Graduate School of Medical and Dental Sciences,

Kagoshima University, Kagoshima, Japan 1

"Deer" friends: Feeding

associations between colobine

monkeys and deer

Furukawa, Y., Division of Cellular and Molecular

Toxicology, Biological Safety Research Center,

National Institute of Health Sciences, Tokyo, Japan 1

"Deer" friends: Feeding

associations between colobine

monkeys and deer

Sukartiningsih, Department of Forestry, Mulawarman

University, Samarinda 75123, Indonesia

118

Acidification of tropical forest soils

derived from serpentine and

sedimentary rocks in East

Kalimantan, Indonesia

Uemura, M., Graduate School of Agriculture, Kyoto

University, Kyoto 606-8502, Japan

118

Acidification of tropical forest soils

derived from serpentine and

sedimentary rocks in East

Kalimantan, Indonesia

Hammerschmidt, K., Cognitive Ethology Laboratory,

German Primate Center, Göttingen, Germany

119

Acoustic structure of male loud-

calls support molecular phylogeny

of Sumatran and Javanese leaf

monkeys (genus Presbytis)

8

dengan tanda koma (,) yang pertama maka pisah kata selanjutnya menjadi atribut

baru yaitu atribut afiliasi, kemudian data-data tersebut di copy lagi secara manual

ke file sebelumnya. Terdapat 23 peneliti yang tidak mencantumkan afiliasinya,

sehingga afiliasi 23 peneliti tersebut dibuat menjadi NA. Contoh hasil dari

pemisahan nama dengan afiliasinya dapat dilihat pada Tabel 3.

Tahap kelima yaitu menambah atribut kategori. Atribut kategori didapat dari

atribut afiliasi, beberapa kata dikategorikan sebagai IPB dan lainnya dikategorikan

sebagai Non IPB. Kata yang dikategorikan sebagai IPB dapat dilihat pada Tabel 4.

Setelah itu dilakukan tahap ke enam yaitu menambah atribut ID peneliti. Atribut ID

peneliti didapat dengan memberi nomor unik secara berurutan berdasarkan data

unik dari nama peneliti dan kategorinya, di mana ID peneliti yang berbeda

menandakan peneliti yang berbeda pula. Namun, dikarenakan setiap peneliti tidak

menuliskan afiliasinya dengan format yang sama pada paper yang ditulis, ada

kemungkinan peneliti yang sama akan dianggap berbeda karena kategori yang

berasal dari afiliasinya berbeda. Ada 8315 ID peneliti yang menandakan terdapat

8315 peneliti dengan 3168 diantaranya merupakan peneliti IPB dan 5147

merupakan peneliti non-IPB. Hasil dari tahapan data transformation ini disebut

Analytical abstraction. Analytical abstraction merupakan hasil dari pengolahan

data yang belum dipetakan, namun sudah memiliki informasi yang diekstraksi dari

data mentah (Chi 1999). Hasil dari tahapan ini dapat dilihat pada Tabel 5.

Tabel 4 Afiliasi kategori IPB

No Afiliasi Jumlah

1 Bogor Agri 8243

2 Bogor Agricultural 8010

3 Bogor Agr. Univ 1

4 Pertanian Bogor 567

5 Bogor AgriculturalUniversity 3

6 IPB 3047

7 Bogor Agriculture 191

8 Bogor, Agricultural University, 2

9 Bogor Agric. Univ 30

10 Institute Pertanian, Bogor 2

11 Inst. Pertanian, Bogor 4

12 Bogor University 7

13 Institut Pertanian, Bogor 10

14 Bogor Institute 1

Tabel 3 Hasil pemisahan nama dan afiliasi

Author Affiliation

Alatas, H Physics of Magnetism and Photonics Laboratory, Department of Physics,

Institut Teknologi Bandung, Jl. Ganesha 10, Bandung 40132, Indonesia,

Department of Physics, Institut Pertanian Bogor, Kampus IPB Darmaga, Jl.

Meranti, Gd// Bogor 16680, Indonesia

Alatas, H Department of Physics, Institut Teknologi Bandung, Jl. Ganesha 10, Bandung,

Indonesia, Lab. Fisika Teori Dan Komputasi, Department of Physics, Institut

Pertanian Bogor, Jl. Pajajaran, Bogor, Indonesia

Murdiyarso, D Center for International Forestry Research (CIFOR), Bogor, Indonesia,

Department of Geophysics and Meteorology, Bogor Agricultural University,

Bogor, Indonesia

Murdiyarso, D Center for International Forestry Research, Situ Gede, Bogor Barat, Indonesia

9

Visualization Transformation

Tahap Visualization Transformation melakukan transformasi data dari data

analytical abstraction menjadi data yang siap digunakan untuk dilakukan

visualisasi. Visualisasi pada penelitian ini akan dilakukan menggunakan perangkat

lunak Gephi, data yang dibutuhkan merupakan data berupa tabel node dan edge

dengan format GEXF, GDF, GML, GraphML, PajekNET, GraphViz DOT, CSV,

UCINET DL, Tulip TPL, Netdraw VNA, atau Spreadsheet. Penelitian ini

menggunakan data berformat CSV. Hasil dari tahapan ini yaitu data yang disebut

sebagai visualization abstraction. Tahapan ini melakukan transformasi dari data

analytical abstraction menjadi tabel node dan tabel edge. Tabel node memiliki 5

atribut yaitu ID, nama, afliasi, kategori, dan jumlah publikasi. Jumlah publikasi

didapat dengan menghitung jumlah setiap ID author yang muncul pada data

analytical abstraction menggunakan bahasa pemrograman R. Jumlah publikasi

digunakan sebagai representasi dari ukuran node. Semakin besar jumlah publikasi

peneliti maka ukuran node peneliti tersebut akan semakin besar. Tabel node dapat

dilihat pada Tabel 6.

Tabel 6 Data peneliti yang direpresentasikan sebagai nodes

ID Label Affiliation Kategori Jumlah_publikasi

16 ABDULLAH, A Department of Aquatic Product

Technology, Bogor Agricultural University,

Bogor, Indonesia

IPB 4

976 CARLSSON, H.-E Department of Neuroscience, Comparative

Medicine, Uppsala University, 75123

Uppsala, Sweden

NON-

IPB

2

5599 REHBEIN, H Department of Safety and Quality of Milk

and Fish Products, Max Rubner-Institute,

Palmaille 9, Hamburg, Germany

NON-

IPB

4

Tabel 5 Hasil data transformation (analytical abstraction)

ID_Author Author Affiliation Kategori ID_title Title

1 Šimůnek, J

Dep. of

Environmental

Sciences, Univ. of

California,

Riverside, CA

92521, United

States

NON-IPB 34

A hysteretic model

of hydraulic

properties for dual-

porosity soils

4 Aang Soenandi, I

Post Graduate

Program of Agro-

industrial

Technology, Bogor

Agricultural

University, Bogor,

Indonesia, Faculty

of Engineering and

Computer Science,

Krida Wacana

Christian

University, Jakarta,

Indonesia

IPB 2761

Real-time

optimization using

gradient adaptive

selection and

classification from

infrared sensors

measurement for

esterification oleic

acid with glycerol

10

Tabel edge berisi atribut source, target, dan jumlah publikasi. Source dan

target merupakan ID author yang pernah melakukan hubungan kerja sama dalam

data penelitian tersebut. Atribut jumlah publikasi merupakan jumlah judul

penelitian yang pernah dilakukan bersama antarpeneliti. Atribut jumlah pulikasi

didapatkan dengan membuat matriks peneliti, kemudian dari matriks peneliti dibuat

edgelist. Matriks peneliti didapat dengan menggunakan bahasa pemrograman R.

Kode untuk matriks peneliti dapat dilihat pada Gambar 2. Pada Gambar 2 kode

meghitung jumlah publikasi antarpeneliti, dengan mengecek hubungan setiap

peneliti, apabila terdapat judul penelitian yang sama, jumlah publikasi akan

bertambah 1, default jumlah publikasi dibuat 0, kemudian dibuat edgelist dari

matriks yang dihasilkan menggunakan package igraph. Atribut jumlah publikasi

bersama digunakan untuk representasi dari warna edge, yaitu gradasi warna dari

hitam ke merah, semakin merah warna edge maka menunjukkan bahwa jumlah

hubungan kerja sama antarpeneliti semakin besar. Tabel edge dapat dilihat pada

Tabel 7.

Visualization Mapping Transformation

Tahap visualization mapping transformation merupakan representasi data

visualization abstraction ke dalam bentuk visualisasi. Tahap ini menentukan

struktur visual yang sesuai dengan data keterhubungan antarpeneliti yang akan

Gambar 2 Kode untuk menghitung jumlah publikasi antarpeneliti

n <- nrow(data) sum <- matrix(0, l, l) for (i in 1:(n-1)) { for (j in (i+1):n) { if (data$ID_title[i] == data$ID_title[j]){ sum[data$ID_author[i], data$ID_author[j]] = sum[data$ID_author[i],

data$ID_author[j]] + 1 } else { sum[data$ID_author[i], data$ID_author[j]] } } } library(igraph) g <- graph.adjacency(sum, weighted = TRUE) df <- get.data.frame(g)

Tabel 7 Contoh edgeslist

Source Target Number of Publication

1 5613 1

16 5599 4

100 6728 1

441 904 8

227 2001 1

1044 6394 3

1044 6657 1

11

divisualisasikan. Terdapat tiga struktur visual (Mazza 2009) yang ditetapkan pada

tahap ini, yaitu substrat visual, elemen grafis, dan sifat grafis.

Berdasarkan data keterhubungan antarpeneliti yang akan divisualisasikan,

struktur subtrat spasial yang diterapkan adalah tampilan 2-dimensi dengan sumbu-

x dan sumbu-y bertipe nominal, karena data tersebut divisualisasikan berdasarkan

keterhubungan antarpeneliti, sehingga node yang memiliki keterhubungan akan

cenderung berdekatan. Persebaran data pada sumbu bertipe nominal tidak memiliki

susunan bermakna tertentu namun tetap memungkinkan data terlihat secara

keseluruhan.

Struktur elemen grafis merupakan perancangan bentuk fisik elemen-elemen

grafis yang merepresentasikan data. Pada penelitian ini, graf digunakan sebagai

model visualisasi yang merepresentasikan data keterhubungan antarpeneliti.

Ilustrasi elemen-elemen grafis utama yang digunakan yaitu node dan edge dari graf

terdapat pada Gambar 3. Variabel-variabel yang direpresentasikan oleh elemen

grafis, yaitu node yang merepresentasikan peneliti dan edge yang

merepresentasikan hubungan kerja sama yang pernah dilakukan antarpeneliti.

Sifat grafis menentukan sifat-sifat grafis yang diimplementasikan pada

elemen grafis. Sifat-sifat grafis yang diimplementasikan pada visualisasi dalam

penelitian ini, yaitu:

1 Ukuran node merepresentasikan banyaknya jumlah publikasi yang telah

dilakukan peneliti, semakin banyak jumlah publikasi seorang peneliti semakin

besar ukuran node-nya. Pada penelitian ini, jumlah publikasi paling sedikit yang

pernah dilakukan peneliti yaitu 1 publikasi dan jumlah publikasi paling banyak

yang pernah dilakukan oleh peneliti yaitu 59 publikasi.

2 Warna node merepresentasikan afiliasi peneliti. Node berwarna merah

merepresantasikan peneliti non-IPB dan warna biru merepresentasikan peneliti

IPB.

3 Warna edge merepresentasikan banyaknya hubungan kerja sama yang pernah

dilakukan antarpeneliti. Warna yang digunakan merupakan gradasi dari warna

hitam-hijau-merah yang menunjukkan bahwa semakin merah warna edge maka

semakin banyak hubungan kerja sama antarpeneliti tersebut. Jumlah hubungan

kerja sama antarpeneliti paling sedikit pada penelitian ini adalah 1, dan paling

banyak yaitu 18 kali.

Visualisasi dalam penelitian ini dilakukan menggunakan perangkat lunak

Gephi versi 0.9.2, perangkat lunak sumber terbuka untuk mengeksplorasi dan

memanipulasi network (Bastian et al. 2009). Tahapan representasi informasi dalam

bentuk visualisasi pada Gephi dilakukan dengan beberapa proses, yaitu graf, layout,

partition dan rangking, dan labeling.

Gambar 3 Ilustrasi graf.

Gambar 3 Ilustrasi graf

12

Graf

Proses pembuatan graf ini menggunakan data visualization abstraction. Data

node dan edge yang disimpan dalam format CSV diimpor ke dalam data laboratory

Gephi. Proses ini menghasilkan graf dalam bentuk yang masih tidak beraturan dan

sulit dibaca karena letak node yang memiliki keterhubungan cenderung tidak

berdekatan sehingga node menumpuk tidak beraturan seperti Gambar 4. Graf

tersebut memiliki 8315 nodes dan 48537 edges.

Layout

Layout yang digunakan dalam proses ini yaitu ForceAtlas2. ForceAtlas2

dipilih karena layout ini memiliki algoritme yang mampu menangani network

dalam ukuran besar dengan kualitas yang bagus. Kompleksitas algoritme

ForceAtlas2 didapat dari fungsi approximate repulsion yaitu meminimumkan

waktu yang dilakukan dalam memproses layouting graf. Approximate replusion ini

menerapkan algoritme Barnes Hut (Jacomy et al. 2014). Algoritme Barnes Hut

menghitung langsung gaya-gaya pada N buah partikel menggunakan struktur data

tree berhirarki dan mempercepat kompleksitas sehingga berorde O(N*log(N)).

Hasil graf setelah menggunakan layout ForceAtlas2 lebih terlihat rapi dibanding

sebelumnya. Gambar 5 merupakan hasil graf setelah menggunakan layouting.

Gambar 5 menujukkah bahwa graf yang dihasilkan sudah tidak saling menimpa,

setiap node sudah memiliki tempatnya masing-masing, namun karena graf tersebut

memilik node dan edge yang cukup banyak, nodes terlihat sangat rapat.

Partition & Rangking

Partition dilakukan untuk membedakan peneliti berdasarkan afiliasinya.

Node berwarna merah menunjukkan peneliti yang berafiliasi non-IPB, dan node

berwarna biru menunjukkan peneliti yang berafiliasi IPB. Rangking dilakukan

untuk merepresentasikan jumlah publikasi yang dilakukan setiap peneliti. Semakin

besar ukuran node menunjukkan bahwa semakin besar pula jumlah publikasi yang

dilakukan oleh peneliti tersebut. Hasil dari partition & rangking dapat dilihat pada

Gambar 6.

Gambar 4 Graf co-authorship peneliti IPB

ambar 3 Graf Co-authorship Peneliti IPB

Gambar 4 Graf co-authorship peneliti IPB

ambar 3 Graf Co-authorship Peneliti IPB

13

Labelling

Labelling merupakan proses pemberian label pada node. Label node pada

penelitian ini menggunakan nama dari author. Setelah melakukan proses visualisasi

pada perangkat lunak Gephi, proses dilanjutkan dengan menampilkan visualisasi

pada web menggunakan plugin SigmaExporter. SigmaExporter merupakan salah

satu plugin yang tersedia pada perangkat lunak Gephi untuk menampilkan

visualisasi ke dalam web yang interaktif menggunakan HTML5. SigmaExporter

menggunakan library sigma.js yang berbasis open-source.

Dalam penelitian ini digunakan 5 dari 7 kategori teknik interaksi dalam

visualsasi informasi (Yi et al. 2007), yaitu select, explore, abstract, filter, dan

connect. Antarmuka web sebelum dilakukan teknik interaksi apat dilihat pada

Gambar 7. Teknik interaksi select yang diterapkan pada penelitian ini yaitu

pengguna dapat mengklik node pada graf untuk melihat informasi tentang peneliti

Gambar 6 Graf hasil partition and rangking

Gambar 5 Graf menggunakan layout ForceAtlas2

Gambar 5 Graf Menggunakan layout ForceAtlas2

14

yang diinginkan, setelah node di klik maka akan muncul box informasi di bagian

kanan sistem. Informasi yang ditampilkan pada box tersebut yaitu nama peneliti,

jumlah publikasi yang pernah dilakukan, dan nama-nama peneliti yang pernah

melakukan hubungan kerja sama dengan peneliti tersebut. Gambar 8 merupakan

contoh antarmuka web setelah node Astawan, M di klik. Pengguna juga dapat

mencari peneliti berdasarkan nama peneliti pada kolom search. Setelah user

mengetik nama peneliti yang ingin dicari lalu menekan tombol enter, akan muncul

box informasi mengenai peneliti tersebut dibagian kanan sistem. Apabila terdapat

nama belakang yang sama dari peneliti yang dicari, akan muncul beberapa nama

tersebut di bagian bawah kolom search, informasi yang disajikan merupakan

informasi dari peneliti pada list pertama, untuk melihat informasi dari list

dibawahnya cukup klik nama peneliti tersebut. Nama peneliti pada node akan

muncul ketika kursor diarahkan pada nama peneliti yang terdapat pada box

informasi peneliti. Gambar 9 merupakan contoh antarmuka web setelah dilakukan

pencarian dengan nama Sitanggang.

Gambar 7 Antarmuka web sebelum user melakukan teknik interaksi

Gambar 8 Antarmuka web ketika memilih salah satu peneliti

15

Teknik interaksi explore yang diterapkan pada penelitian ini yaitu sistem

memungkinkan pengguna untuk melakukan drag and drop node yang diinginkan,

dan drag and drop graf ditempat yang diinginkan, sehingga pengguna dapat

memisahkan atau mengelompokkan peneliti-peneliti yang dinginkan. Drag and

drop node hanya dapat dilakukan pada halaman filter by degree. Halaman filter by

degree dapat diakses dengan mengklik tulisan nya yang terdapat di bawah kolom

search. Contoh antarmuka web setelah dilakukan drag and drop node dapat dilihat

pada Gambar 10 dan contoh antarmuka web setelah dilakukan drag and drop graf

dapat dilihat pada Gambar 11.

Gambar 10 Antarmuka web ketika drag and drop node

Gambar 9 Antarmuka web ketika melakukan pencarian

16

Teknik interaksi abstract yang diterapkan pada penelitian ini yaitu pengguna

memungkinkan untuk melihat lebih detail visualisasi yang disajikan, pengguna

dapat melakukan zoom in, zoom out dan mengembalikan graf ke ukuran semula.

Zoom in atau zoom out dapat dilakukan dengan mengklik panel yang terdapat pada

bagian bawah tengah sistem atau bisa juga dengan menggerakkan kedua jari pada

kursor. Antarmuka web setelah dilakukan zoom out dapat dilihat pada Gambar 12.

Teknik interaksi filter yang diterapkan pada penelitian ini yaitu pengguna

dapat memilih graf yang ditampilkan berdasarkan afiliasi peneliti yaitu IPB atau

non IPB, kemudian pengguna juga dapat memilih berdasarkan minimal jumlah

degree dari setiap node yang artinya pengguna dapat melihat informasi hubungan

sosial peneliti satu dengan peneliti lainnya. Filter berdasarkan minimal jumlah

degree dapat dilakukan dengan mengklik tulisan filter by degree yang terdapat di

bawah kolom search, kemudian akan masuk ke halaman baru, pada halaman

tersebut terdapat input slider dengan range 0-299 yang artinya peneliti yang pernah

bekerja sama dengan 299 peneliti lainnya merupakan jumlah hubungan kerja sama

yang paling banyak dalam penelitian ini. User dapat menggabungkan filter afiliasi

Gambar 11 Antarmuka web ketika drag and drop graf

Gambar 12 Antarmuka web ketika dilakukan zoom out

17

dengan minimal degree pada halaman ini, namun tidak ada box informasi pada

halaman ini. Contoh filter berdasarkan afiliasi IPB pada halaman utama dapat

dilihat pada Gambar 13, filter berdasarkan afiliasi pada halaman utama memberi

informasi nama-nama peneliti pada box informasi di bagian kanan sistem. Contoh

filter berdasarkan afiliasi IPB dan jumlah minimal degree 42 dapat dilihat pada

Gambar 14.

Teknik interaksi connect yang diterapkan pada penelitian ini yaitu ketika

pengguna mengarahkan kursornya ke arah suatu node maka sistem akan menyoroti

node tersebut beserta nodes yang yang terhubung dengannya. Nodes yang

terhubung merupakan nodes peneliti yang pernah melakukan hubungan kerja sama

dengan node peneliti tersebut. Teknik interaksi connect hanya berfungsi pada

halaman utama, tidak berfungsi pada halaman filter by degree. Contoh antarmuka

web ketika kursor diarahkan ke node Darusman, L.K dapat dilihat pada Gambar 15.

Gambar 14 Antarmuka web ketika dilakukan filter by degree dan afiliasi

Gambar 13 Filter berdasarkan afiliasi pada halaman utama

18

SIMPULAN DAN SARAN

Simpulan

Visualisasi yang dihasilkan sudah dapat merepresentasikan informasi co-

authorship peneliti IPB. Visualisasi yang dihasilkan berupa graf dengan node yang

merepresentasikan informasi peneliti dan edge yang merepresentasikan hubungan

kerja sama yang pernah dilakukan antarpeneliti, terdapat 8315 peneliti dan 48537

hubungan kerja sama peneliti. Hasil penelitian ini berupa sistem informasi yang

menampilkan visualisasi co-authorship peneliti IPB yang sudah menerapkan 5

komponen teknik interaksi visualisasi yaitu select, explore, abstract, filter, dan

connect yang membantu pengguna dalam mendapatkan informasi dari visualisasi

yang disajikan.

Saran

Penelitian selanjutnya dapat memberikan informasi mengenai edge atau paper

yang pernah dilakukan bersama antarpeneliti, kemudian menerapkan teknik

interaksi reconfigure yang dapat membandingkan peneliti satu dengan peneliti

lainnya dengan menyajikan informasi yang lebih banyak, serta untuk data yang

digunakan cek kembali peneliti dengan nama yang sama namun kategorinya

berbeda karena penulisan afiliasi yanng berbeda pada paper memungkinkan

peneliti dengan nama yang sama merupakan satu orang yang sama namun dianggap

berbeda karena kategorinya yang didapat dari afiliasi yang ditulis pada beberapa

paper berbeda.

Gambar 15 Antarmuka web ketika mengarahkan kursor ke suatu node

19

DAFTAR PUSTAKA

Bastian M, Heyman S, Jacomy M. 2009. Gephi: an open source software for

exploring and and manipulating networks. Di dalam: Internationl AAAI

Conference on Weblogs and Social Media; 2009 Jul 07.

Chi E. 1999. A framework for information visualization spreadsheet [disertasi].

Minneapolis (US): University of Minnesota.

Gephi tool [Internet]. Tersedia pada: https://gephi.org/ .

Gayatri IN, 2017. Visualisasi Dinamis Keterhubungan Antarvarietas Kedelai

Indonesia Menggunakan Mazza Refference Model [skripsi]. Bogor(ID) : Institut

Pertanian Bogor.

Jacomy M, Venturini T, Heymann S, Bastian M. 2014. ForceAtlas2, a Continuous

Graph Layout Algorithm for Handy Network Visualization Designed for

the Gephi Software. PLoS ONE. 9(6): e98679.

https://doi.org/10.1371/journal.pone.0098679

Mazza R. 2009. Introduction to Information Visualization. Ed ke–1. Guildford

(GB): Springer London.

Reinhardt W, Meier C, Drachsler H, Sloep P. 2011. Analyzing 5 years of EC-TEL

proceedings. Di dalam: Hutchison D, Kanade T, Kittler J, Kleinberg JM, Mattern

F, Mitchell JC, Naor M, Rangan PC, Steffen B, Terzopoulus D et al. Di dalam :

Proceedings of the 6th European conference on Technology enhanced

learning: towards ubiquitous learning; 2011; Springer Verlag Berlin.

Hlm 531-536.

[Ristekdikti] Riset, Teknologi, dan Pendidikan Tinggi. 2015. Klasifikasi dan

Pemeringkatan Perguruan Tinggi Indonesia [Internet]. [diunduh 2017 Des 27].

Tersedia pada:

http://pemeringkatan.ristekdikti.go.id/assets/document/klasifikasi20151.pdf

Samad. 2016. Visualisasi Keterhubungan Antarvarietas Kedelai menggunakan

Metode Chi [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Uchida Y, Yoshikawa T, Furuhashi T, Hirao E, Iguchi H. 2009. Extraction of

important keywords in free text of questionnaire data and visualization of

relationship among sentences. Di dalam: FUZZ–IEEE International Conference

2009; 2009 Agu 20–24; Jeju, Korea Selatan. Jeju (KR): IEEE. hlm 1604–1608.

Umadevi V. 2013. Centrality Measure Analysis on Co-Authorship Network.

Journal of Global Research in Computer Science. 4(1):67-70.

Yang Y, Yeung A, Man C, Weal MJ, Davis H. The Researcher Social Network: A

Social Network Based of Metadata of Scientific Publications

At Proceedings of WebSci'09: Society On-Line [Internet]. 18 - 20 Mar 2009.

[diunduh 2017 Jan 8]. Tersedia pada:

https://eprints.soton.ac.uk/267156/1/websci09_submission_116.pdf

Yi JS, Kang Y, Stasko JT, Jacko JA. 2007. Toward a deeper understanding of the

role of interaction in information visualization. IEEE Transaction on

Visulization and Computer Graphics. 13(6):1224-1231.

20

RIWAYAT HIDUP

Penulis lahir di Stabat, sebuah kota kecil di kabupaten Langkat, Sumatera

Utara, pada tanggal 10 Juni 1996. Penulis adalah putri ke-2 dari 2 bersaudara dari

pasangan Ibu Mazdiah dan Bapak Joni Arifin. Penulis merupakan lulusan dari

Sekolah Dasar Negeri 050657 Stabat (2002-2008), Sekolah Menengah Pertama

Negeri 1 Stabat (2008-2011), dan Sekolah Menengah Atas Negeri 1 Stabat (2011-

2014). Pada tahun 2014, penulis melanjutkan pendidikan perguruan tinggi di

Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam,

Institut Pertanian Bogor.

Penulis aktif di beberapa organisasi dan kepanitian selama masa perkuliahan.

Penulis merupakan anggota divisi kajian strategis di Lembaga dakwah Kampus

(LDK) Al-Hurriyyah dan mengikuti kegiatan sosial Sanggar Juara (2014-2015),

penullis juga menjadi panitia Masa Pengenalan Fakultas (MPF) sebagai sekretaris

1 (2015), penulis juga merupakan anggota departemen Communication &

Information Agent (CIA) Badan Eksekutif Mahasiswa (BEM) Fakultas (2016), dan

menjasi sekretaris departemen Communication & Information Agent (CIA) Badan

Eksekutif Mahasiswa (BEM) Fakultas (2017). Selain itu penulis jua berpengalaman

menjadi asisten praktikum mata kuliah Rangkaian Digital (2016). Penulis telah

melaksanakan Praktik Kerja Lapang di PT. Infomedia Nusantara. Bidang yang

dikerjakan adalah Sistem Informasi sebagai front-end developer.