pengembangan visualisasi co-authorship peneliti ipb · pencarian nama peneliti, select node untuk...
TRANSCRIPT
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.