Ukuran noktah Noktah besar seperti goetzel, ron z. dan ozminskowski, ronald j. menunjukkan penulis dengan tingkat kolaborasi tinggi atau jumlah publikasi besar. Noktah kecil menandakan penulis dengan kontribusi atau keterhubungan lebih terbatas.
Panjang lengan Lengan (garis penghubung) yang pendek menandakan hubungan kolaborasi yang erat dan sering terjadi, sedangkan lengan panjang menunjukkan kolaborasi yang jarang atau lemah antar penulis.
Ketebalan lengan Lengan tebal berarti intensitas kolaborasi tinggi (banyak publikasi bersama), sementara lengan tipis menunjukkan hubungan yang lebih lemah atau hanya sesekali bekerja sama.
Warna klaster Warna membedakan kelompok kolaborasi.
Klaster biru: kelompok penulis yang berkolaborasi di sekitar goetzel, ron z. dengan fokus tertentu.
Klaster merah: kelompok lain yang memiliki hubungan internal kuat namun lebih sedikit koneksi ke pusat.
Klaster hijau: jaringan kolaborasi yang terhubung dengan ozminskowski, ronald j.
Klaster kuning: jembatan penghubung antara dua pusat kolaborasi besar, berperan sebagai intermediary authors.
Tiga Jenis Visualisasi VOSviewer
Jenis Visualisasi
Makna Utama
Interpretasi dalam konteks kolaborasi
Network Visualization
Menunjukkan struktur hubungan antar penulis
Node besar = penulis utama; garis = kekuatan kolaborasi; warna = kelompok kolaborasi
Overlay Visualization
Menampilkan dimensi waktu atau tren
Warna gradasi (biru → kuning) menunjukkan evolusi kolaborasi dari lama ke baru
Density Visualization
Menunjukkan kepadatan kolaborasi
Area terang = pusat kolaborasi aktif; area gelap = kolaborasi jarang terjadi
Kesimpulan Analitis
Goetzel, Ron Z. dan Ozminskowski, Ronald J. adalah hub utama dalam jaringan kolaborasi.
Klaster warna menunjukkan komunitas penelitian yang berbeda namun saling terhubung melalui penulis penghubung.
Kombinasi ukuran node dan ketebalan edge memperlihatkan hierarki kolaborasi, dari inti (core authors) hingga periferi (supporting authors).
Visualisasi ini membantu mengidentifikasi struktur sosial ilmiah, potensi kolaborasi baru, dan arah perkembangan riset.
Dalam digitalisasi, format file dibagi menjadi beberapa kategori utama: gambar (image) dan video. Setiap format memiliki kelebihan, kekurangan, serta standar penggunaannya. Pemilihan format sangat bergantung pada tujuan: apakah untuk web, arsip, editing profesional, atau distribusi massal.
Format File Gambar (Image)
Format JPG/JPEG
Kompresi lossy, ukuran kecil, cocok untuk foto.
Kelebihan: hemat ruang, dukungan luas. Kekurangan: detail tajam bisa hilang.
Standar web & fotografi umum.
Format PNG
Lossless, mendukung transparansi.
Kelebihan: kualitas tinggi, transparansi alpha. Kekurangan: ukuran lebih besar.
Standar web grafis, ikon, desain UI.
Format GIF
Animasi sederhana, 256 warna.
Kelebihan: animasi ringan, lossless. Kekurangan: terbatas warna, tidak cocok foto.
Standar animasi web, meme.
Format BMP
Tidak terkompresi, raw bitmap.
Kelebihan: kualitas tinggi. Kekurangan: ukuran sangat besar.
Editing grafis mentah.
Format TIFF
Lossless, multi-layer.
Kelebihan: kualitas cetak profesional. Kekurangan: file besar.
Standar industri percetakan & fotografi.
Format File Video
| Format MP4 | Kompresi efisien, kualitas baik. | Kelebihan: ukuran kecil, kompatibilitas luas. Kekurangan: kompresi bisa turunkan kualitas. | Standar YouTube, media sosial. |
| Format AVI | File besar, kualitas tinggi. | Kelebihan: fleksibel, banyak codec. Kekurangan: boros ruang. | Kamera digital, handycam. |
| Format MKV | Container fleksibel. | Kelebihan: bisa simpan video, audio, subtitle. Kekurangan: tidak semua perangkat mendukung. | Distribusi film online. |
| Format WMV | Format Windows. | Kelebihan: kompatibel di Windows. Kekurangan: kurang universal. | Standar Windows lama. |
| Format FLV | Flash Video. | Kelebihan: populer di awal YouTube. Kekurangan: sudah usang. | Streaming lama. |
| Format WEBM | Codec VP8/VP9, audio Opus. | Kelebihan: open-source, efisien. Kekurangan: belum semua situs mendukung. | Standar HTML5 video. |
| Format GIFV | Alternatif GIF. | Kelebihan: hemat ukuran, looping. Kekurangan: tanpa suara. | Meme & konten ringan.
Kesimpulan
Untuk gambar: gunakan JPG untuk foto umum, PNG untuk grafis dengan transparansi, TIFF untuk cetak profesional.
Untuk video: gunakan MP4 sebagai standar distribusi, MKV untuk film dengan subtitle, WEBM untuk web modern.
Standar industri:TIFF di percetakan, MP4 di distribusi digital, PNG di desain web.
Standar digitalisasi naskah kuno dan buku langka di Indonesia maupun dunia umumnya menekankan pada resolusi tinggi, format file lossless (TIFF/RAW), serta kerapatan piksel minimal 300–600 dpi untuk teks, dan hingga 1200 dpi untuk detail halus. Internasional menggunakan pedoman dari UNESCO, IFLA, dan FADGI, sementara di Indonesia Perpusnas melalui portal Khastara mendorong penggunaan TIFF dengan resolusi tinggi untuk arsip permanen.
Standar Internasional Digitalisasi Naskah Kuno
UNESCO Guidelines
Resolusi minimum: 300 dpi untuk teks umum, 600–1200 dpi untuk manuskrip detail.
Format: TIFF (lossless) sebagai master file, JPEG/PNG untuk akses publik.
Warna: gunakan 24-bit true color untuk menjaga keaslian tinta dan kertas.
FADGI (Federal Agencies Digital Guidelines Initiative, AS)
Standar kualitas berbintang (1–4 stars).
600 dpi untuk teks, 400 ppi untuk foto, 8-bit grayscale atau 24-bit RGB.
Penting: dokumentasi teknis dan metadata harus lengkap.
Standar di Indonesia
Perpusnas RI – Khastara
Format master: TIFF atau RAW dengan resolusi tinggi.
Resolusi: minimum 300 dpi, dianjurkan 600 dpi untuk teks rapuh.
Metadata: mengikuti standar Dublin Core dan interoperabilitas internasional.
Distribusi publik: JPEG/PNG/PDF untuk akses daring.
Perbandingan Format & Standar
| Format TIFF | Lossless, multi-layer. | Cocok untuk arsip permanen. | File besar, butuh storage besar. |
| Format RAW | Data asli kamera/scanner. | Preservasi maksimal. | Butuh software khusus. |
| Format JPEG | Lossy, ukuran kecil. | Distribusi online. | Detail bisa hilang. |
| Format PNG | Lossless, transparansi. | Akses publik, web. | Ukuran lebih besar dari JPEG. |
| Format PDF/A | Standar arsip dokumen. | Cocok untuk teks + gambar. | Tidak fleksibel untuk editing. |
Kesimpulan Praktis
Gunakan TIFF/RAW 600–1200 dpi untuk master file naskah kuno.
Sediakan JPEG/PNG/PDF untuk akses publik.
Standar UNESCO/FADGI/IFLA agar koleksi bisa diintegrasikan global.
Perpusnas Khastara menjadi rujukan utama untuk digitalisasi manuskrip.
Standar Internasional
UNESCO Guidelines for the Preservation of Digital Heritage Dokumen UNESCO yang menekankan pentingnya resolusi tinggi, format lossless (TIFF), serta interoperabilitas metadata untuk koleksi warisan budaya.
FADGI (Federal Agencies Digital Guidelines Initiative, AS) Standar teknis yang digunakan oleh lembaga arsip dan perpustakaan federal AS. Menetapkan resolusi minimum (300–600 dpi), kedalaman warna (8-bit grayscale, 24-bit RGB), dan format master (TIFF).
IFLA Principles for Digitization of Rare Materials Pedoman dari International Federation of Library Associations yang menekankan interoperabilitas metadata (MARC, Dublin Core) dan penggunaan format standar untuk preservasi jangka panjang.
Europeana Technical Guidelines Digunakan oleh jaringan perpustakaan dan museum Eropa. Menetapkan standar resolusi, format file, serta metadata agar koleksi dapat diintegrasikan lintas negara.
Standar di Indonesia
Perpusnas RI – Khastara Portal koleksi digital naskah kuno Indonesia. Perpusnas menganjurkan penggunaan TIFF/RAW sebagai master file dengan resolusi minimum 300 dpi, idealnya 600 dpi untuk teks rapuh.
Arsip Nasional Republik Indonesia (ANRI) ANRI memiliki pedoman digitalisasi arsip yang menekankan resolusi tinggi, format lossless, serta metadata berbasis ISAD(G) dan Dublin Core.
Kebijakan GLAM di Universitas Padjadjaran (Unpad) Unpad menjadi salah satu institusi yang menerapkan integrasi GLAM dengan standar metadata internasional, termasuk interoperabilitas API untuk koleksi digital.
Ringkasan Praktis
Resolusi: 300–600 dpi (teks), hingga 1200 dpi (detail halus).
Terdapat aneka jenis format file yang digunakan dalam analisis bibliometrika dengan VOSviewer, masing-masing memiliki penggunaan yang berbeda, berikut penjelasannya yang mungkin bermanfaat:
Format File VOSviewer
Format
Kepanjangan & Asal-usul
Penggunaan Utama
Kelebihan
Kekurangan
CSV
Comma-Separated Values → format tabular sederhana, berasal dari sistem database & spreadsheet
Digunakan untuk menyimpan data bibliometrik (judul, penulis, kata kunci, sitasi) dari Scopus/WoS; fleksibel untuk analisis co-authorship, co-citation, keyword co-occurrence
Fleksibel, mudah diolah dengan Excel/R/Python, mendukung semua jenis analisis
Rawan error jika struktur kolom tidak konsisten; perlu penataan manual
RIS
Research Information Systems format → dikembangkan oleh RIS Inc. sebagai standar pertukaran bibliografi
Digunakan oleh reference manager (EndNote, Zotero, Mendeley) untuk metadata publikasi (judul, penulis, jurnal, DOI, dll); cocok untuk bibliographic coupling & co-citation
Format standar bibliografi, kompatibel lintas aplikasi, mudah dipertukarkan
Metadata kadang tidak lengkap; kurang fleksibel untuk custom data
XLS/XLSX
Excel Spreadsheet → format milik Microsoft untuk data tabular
Digunakan untuk data hasil olahan manual peneliti; cocok untuk custom networks (misalnya daftar kata kunci atau hubungan antar entitas)
Mudah diedit, familiar bagi banyak pengguna, mendukung customisasi
Lebih berat dibanding CSV; perlu konsistensi format tabel
TXT
Plain Text File → format dasar komputer sejak awal sistem operasi
Digunakan untuk input sederhana seperti daftar kata kunci atau publikasi; biasanya dari database yang hanya menyediakan teks
Ringkas, ringan, mudah dibuat
Tidak mendukung struktur tabular kompleks; terbatas untuk analisis sederhana
Scopus/WoS/PubMed Export
Format khusus tiap database: .csv (Scopus), .txt (WoS), .nbib (PubMed)
Digunakan untuk analisis lengkap: citation, co-authorship, keyword co-occurrence; langsung dikenali VOSviewer
Data kaya, terstruktur, langsung kompatibel
Format berbeda tiap database; keterbatasan akses (WoS berbayar, PubMed terbatas sitasi)
JSON VOSviewer
JavaScript Object Notation → format ringan untuk data terstruktur, populer di web
Digunakan untuk menyimpan peta & jaringan hasil analisis; bisa dibagikan online atau diintegrasikan dengan aplikasi web
Mendukung visualisasi interaktif, mudah dibagikan
Lebih teknis; tidak semua pengguna terbiasa mengolah JSON
Penjelasan Penggunaan Lebih Rinci
CSV → paling umum digunakan karena fleksibel; misalnya ekspor data sitasi dari Scopus lalu dianalisis untuk melihat jaringan co-authorship.
RIS → biasanya digunakan jika data berasal dari reference manager; misalnya daftar artikel dari Zotero untuk analisis co-citation.
XLS/XLSX → dipakai jika peneliti ingin membuat data custom; misalnya jaringan kata kunci yang disusun manual.
TXT → dipakai untuk input sederhana; misalnya daftar kata kunci dari database kecil.
Ekspor Scopus/WoS/PubMed → pilihan terbaik untuk analisis standar karena langsung dikenali VOSviewer tanpa perlu konversi.
JSON → lebih ke penyimpanan hasil analisis, bukan input; berguna untuk berbagi peta bibliometrik secara interaktif.
Langkah-Langkah Alur Kerja
Ekspor Data dari Scopus
Masuk ke Scopus → lakukan pencarian artikel sesuai topik.
Pilih Export → format CSV → sertakan metadata (judul, penulis, afiliasi, kata kunci, sitasi).
Hasil: file scopus_export.csv.
Preprocessing di Excel
Buka file CSV di Excel.
Bersihkan data: hapus duplikasi, periksa konsistensi nama penulis, normalisasi kata kunci.
Simpan kembali sebagai cleaned_data.csv.
Import ke VOSviewer
Buka VOSviewer → pilih Create Map Based on Bibliographic Data.
Pilih file cleaned_data.csv.
Tentukan jenis analisis: misalnya Co-authorship (penulis), Co-occurrence (kata kunci), atau Citation Analysis.
VOSviewer akan menghasilkan peta jaringan interaktif.
Analisis Jaringan
Gunakan fitur clustering untuk melihat kelompok penulis atau topik.
Atur visualisasi (warna, ukuran node, label).
Interpretasi: misalnya, terlihat kelompok riset dominan dalam bidang tertentu.
Ekspor Hasil ke JSON
Simpan hasil peta dalam format JSON.
File ini bisa dibagikan atau diunggah ke web untuk visualisasi interaktif.
Contoh: network_map.json.
Manfaat Alur Kerja
CSV dari Scopus → kaya metadata, fleksibel untuk analisis.
Excel preprocessing → memastikan data bersih & konsisten.
VOSviewer → menghasilkan peta visual interaktif.
JSON output → mudah dibagikan & dipublikasikan online.
Interpretasi bagan VOSviewer untuk analisis Co-occurrence berfokus pada pemahaman visualisasi node (noktah), edge (lengan), warna, serta tiga mode visualisasi utama: network visualization, overlay visualization, dan density visualization. Node mewakili kata kunci / subyek, edge mewakili hubungan keterkaitan antar kata kunci / subyek, warna menunjukkan kelompok subyek / klaster atau tren, dan setiap mode visualisasi memberi perspektif berbeda terhadap data.
Elemen Visualisasi Utama
Warna klaster: Setiap warna merepresentasikan cluster topik penelitian. Misalnya, kata kunci dengan warna biru bisa mewakili tema kesehatan, sementara hijau bisa mewakili teknologi. Warna membantu membedakan kelompok topik yang saling berhubungan.
Ukuran noktah Node besar berarti kata kunci sering muncul (frekuensi tinggi). Node kecil berarti kata kunci jarang muncul. Ini menunjukkan dominasi topik dalam literatur.
Panjang lengan Panjang garis antar node menunjukkan kedekatan hubungan. Semakin pendek garis, semakin erat keterkaitan antar kata kunci.
Ketebalan lengan Garis tebal berarti hubungan antar kata kunci sangat kuat (sering muncul bersama). Garis tipis berarti hubungan lemah.
Node besar = kata kunci dominan / sering muncul; Warna = cluster / kelompok subyek / kata kunci / topik; Garis / lengan = kedekatan hubungan, semakin pendek garis, semakin erat keterkaitan. Semakin tebal garis / lengan, keterkaitan antar kata kunci sangat kuat / sering muncul bersama
Area kuning terang = topik padat/sering diteliti; area gelap = topik masih jarang diteliti
Bagan Vosviewer
Interpretasi Co-Occurrence
Bagan Vosviewer tersebut, dihasilkan dari data yang diekspor dalam format csv dari Scopus pada 23 Januari 2026, subyek “Digital Preservation”. Data dianalisis dan dibuatkan visualisasinya dengan Vosviewer, Create a map based on bibliographic data, Read data from bibliographic database files, sumber Scopus, Type op analysis – Co-occurrence, Unit of analysis – All keywords, Counting method – Full counting. Minimum number of Occurrence of a keyword 2, Number of keyword 53.
Warna pada peta menunjukkan kelompok atau klaster tematik yang terbentuk dari keterkaitan kata kunci.
Kuning menandai inti tema “digital preservation” sebagai pusat gravitasi konseptual.
Merah menggambarkan klaster institusional dan teknis seperti digitization, libraries, dan curation.
Hijau merepresentasikan dimensi pelestarian budaya dan lingkungan seperti heritage conservation dan climate change.
Biru menyoroti konteks geografis dan kesadaran publik (South Africa, awareness).
Ungu muda menunjukkan pendekatan metodologis seperti systematic review dan strategic planning.
Biru muda di kanan atas menandai entitas organisasi seperti digital preservation alliance. Setiap warna menandakan subtema yang saling berhubungan namun memiliki fokus riset berbeda.
Besar Kecilnya Noktah
Ukuran noktah (node) menunjukkan frekuensi kemunculan atau bobot keterhubungan suatu kata kunci dalam dataset. Noktah besar seperti digital preservation menandakan topik paling dominan dan sering muncul bersama kata lain. Noktah menengah seperti digital storage atau digitization menunjukkan subtema penting namun tidak seintens pusatnya. Noktah kecil seperti textures atau metaverse menandakan topik baru atau spesifik yang masih jarang dibahas, sering kali menjadi indikasi novelty atau peluang riset baru.
Panjang Pendek dan Tebal Tipisnya Lengan
Lengan (edge) menggambarkan kekuatan dan jarak hubungan antar kata kunci.
Lengan pendek dan tebal menandakan hubungan kuat dan sering muncul bersama, misalnya antara digital preservation dan digital repository.
Lengan panjang dan tipis menunjukkan hubungan lemah atau jarang terjadi, seperti antara digital preservation dan systematic review. Kepadatan dan arah lengan membantu memahami struktur jaringan pengetahuan, di mana klaster yang saling terhubung rapat menunjukkan bidang riset yang sudah mapan, sedangkan yang renggang menandakan area eksploratif.
Visualisasi Network
Visualisasi network menampilkan peta keterhubungan konseptual antar kata kunci. Node besar di tengah berfungsi sebagai pusat integrasi, sementara node di tepi menunjukkan subtema yang lebih spesifik. Keterhubungan antar klaster memperlihatkan bagaimana riset digital preservation menjembatani isu teknis (digitization), budaya (heritage), dan kebijakan (strategic planning). Struktur ini menunjukkan bahwa bidang digital preservation bersifat interdisipliner, menggabungkan teknologi informasi, manajemen arsip, dan pelestarian budaya.
Visualisasi Overlay
Overlay visualization menampilkan dimensi temporal atau evolusi riset, biasanya dengan gradasi warna dari biru (lama) ke kuning (baru). Jika diterapkan, area kuning menandakan topik yang sedang naik daun seperti metaverse atau digital curation. Warna kuning menunjukkan “emerging topics”.
Visualisasi Density
Density visualization menunjukkan kepadatan penelitian: area dengan warna lebih terang menandakan konsentrasi tinggi publikasi dan keterhubungan antar topik. Dalam konteks ini, pusat digital preservation akan tampak paling padat dan terang, menandakan dominasi literatur dan intensitas kolaborasi akademik di topik-topik tersebut.
Scopus AI adalah fitur layanan berbasis AI dari Scopus yang mulai disediakan pada tahun 2024. Fungsi utamanya untuk membantu peneliti melakukan pencarian literatur secara lebih cerdas, lebih cepat, dan terstruktur. Manfaat terbesarnya adalah mempercepat proses eksplorasi dalam suatu topik riset tertentu, dan kemudian menyajikan ringkasan hasil pencarian dalam bentuk poin-poin, serta menampilkan studi landmark yang relevan. Untuk mahasiswa doktoral, Scopus AI sangat berguna dalam tahap awal systematic literature review(SLR) karena membantu menemukan tren, gap / novelty penelitian, dan arah topik riset dengan lebih efisien.
Bisa dikatakan bahwa Scopus AI adalah asisten penelitian berbasis AI yang terintegrasi dengan basis data Scopus – yang merupakan kumpulan jutaan artikel ilmiah terindeks dan tervalidasi (peer-reviewed). Berbeda dengan ChatGPT umum, Scopus AI hanya merujuk pada sumber-sumber terpercaya dari Scopus sehingga hasilnya dapat dipertanggungjawabkan, dapat ditelusuri dan sedikit risiko halusinasi.
Fitur utama Scopus AI:
Memahami pertanyaan dalam bahasa alami (bisa menggunakan bahasa Indonesia atau Inggris). Meringkas topik menjadi tinjauan terstruktur disertai konsep kunci. Menampilkan peta literatur (gambaran hubungan antarkonsep). Menyediakan daftar pustaka inti dengan tautan langsung ke artikel asli. Skor kepercayaan (confidence score) untuk setiap pernyataan. Fitur “Emerging Topics” untuk mendeteksi tren penelitian baru
Manfaat Utama Scopus AI
Efisiensi pencarian: Mengurangi waktu eksplorasi literatur dengan query sederhana. Ringkasan otomatis: Memberikan gambaran cepat tentang tren penelitian. Identifikasi gap: Membantu menemukan area yang belum banyak diteliti. Akses studi landmark: Menyediakan referensi kunci untuk memperkuat kerangka teori. Integrasi dengan SLR: Mempercepat tahap awal systematic review.
Kecepatan – Mengurangi waktu survei awal dari beberapa minggu menjadi hitungan menit. Kualitas sumber – Hanya menggunakan literatur tervalidasi (jurnal, prosiding, buku terindeks Scopus). Transparansi – Setiap klaim disertai referensi yang dapat diverifikasi. Deteksi celah penelitian – Menyoroti area yang belum banyak diteliti. Tidak perlu kata kunci rumit – Cukup tanyakan dalam kalimat biasa seperti “What are the recent advances in…”
Manfaat untuk Systematic Literature Review (SLR)
Bagi mahasiswa doktoral, SLR adalah fondasi untuk menentukan topik riset. Scopus AI membantu di beberapa tahap penting:
Formulasi pertanyaan riset: Dengan pencarian berbasis bahasa alami, mahasiswa dapat menguji berbagai formulasi pertanyaan. Pencarian literatur komprehensif: AI memperluas cakupan pencarian tanpa melewatkan artikel relevan. Seleksi awal studi: Ringkasan hasil memudahkan identifikasi artikel yang layak ditinjau lebih lanjut. Pemetaan tren penelitian: Membantu melihat arah perkembangan bidang tertentu. Identifikasi novelty: Gap yang ditemukan bisa menjadi dasar novelty untuk disertasi.
Mahasiswa doktoral (S3) menghadapi tantangan: harus menemukan topik orisinal, signifikan, dan layak diteliti dalam 3–5 tahun. SLR adalah metode standar untuk memetakan bukti yang ada, namun SLR tradisional memakan waktu sangat lama (bisa 6–12 bulan hanya untuk tahap awal). Scopus AI tidak menggantikan SLR, tetapi mempercepat fase-fase awal secara drastis.
Berikut manfaat spesifik untuk mahasiswa doktoral:
1. Eksplorasi Awal Domain Penelitian (Scoping Review)
Dengan satu pertanyaan, Scopus AI menghasilkan ringkasan bidang, tren, dan tokoh penting.
Contoh: “Systematic literature review on digital transformation in public sector governance in Southeast Asia 2020–2025”
Manfaat: Mahasiswa langsung mendapat peta wilayah penelitian tanpa harus membaca 200 abstrak dulu.
2. Identifikasi Celah Penelitian (Research Gap) secara Cepat
Fitur Emerging Topics menyaring artikel 2 tahun terakhir dan mengelompokkan topik yang sedang naik daun.
AI juga menyebutkan “what is not yet known” dalam ringkasannya.
Manfaat: Calon topik disertasi bisa ditemukan dari area yang masih minim eksplorasi, bukan hanya mengulang penelitian lama.
3. Menyusun Kerangka Pustaka Awal untuk SLR
Dalam SLR yang benar, kita tetap perlu protokol PRISMA, screening ganda, ekstraksi data manual, dll. Tapi Scopus AI bisa digunakan untuk membangun draft awal:
Daftar kata kunci dan sinonim
Klasifikasi konsep utama
Peta hubungan antartema
Manfaat: Menghemat waktu 60–70% pada fase formulasi pertanyaan dan identifikasi sumber.
4. Menentukan Kelayakan Topik (Feasibility Check)
Sebelum memutuskan topik, mahasiswa bisa bertanya ke Scopus AI: “What are the main methodological approaches used in studying X?” atau “Is there enough empirical evidence from developing countries on Y?”
AI akan menunjukkan apakah topik tersebut terlalu luas, terlalu sempit, atau sudah jenuh.
Manfaat: Mencegah pemilihan topik yang tidak feasible di tengah jalan studi doktoral.
5. Mendukung Bagian “Background” dan “Related Work” dalam Proposal Disertasi
Hasil dari Scopus AI dapat menjadi kerangka awal untuk penulisan bab tinjauan pustaka.
Karena setiap klaim punya referensi, mahasiswa bisa langsung mengunduh artikel-artikel kunci untuk dibaca lebih dalam.
Manfaat: Proposal menjadi lebih berbasis bukti dan argumentatif.
Peringatan Penting (Batas Penggunaan)
Scopus AI TIDAK bisa menggantikan systematic literature review formal. SLR sejati harus memenuhi kriteria:
Protokol yang dapat direproduksi (bisa diulang oleh peneliti lain)
Proses screening ganda dengan kriteria inklusi/eksplisit
Penilaian kualitas dan bias studi secara manual
Ekstraksi data dan sintesis naratif atau meta-analisis
Scopus AI hanya untuk tahap eksplorasi dan pemetaan awal. Setelah topik ditentukan, mahasiswa doktoral tetap harus melakukan SLR penuh dengan metode standar (misalnya PRISMA). Namun dengan bantuan Scopus AI, proses SLR bisa lebih terarah dan efisien.
Catatan Penting
Scopus AI bukan pengganti penuh proses SLR; tetap diperlukan seleksi manual, analisis kritis, dan sintesis.
Mahasiswa doktoral harus menggunakan Scopus AI sebagai alat bantu eksplorasi awal, lalu melanjutkan dengan metode SLR standar (misalnya PRISMA).
Karena berbasis langganan, akses Scopus AI bergantung pada institusi atau individu.
Perbandingan Scopus AI vs Pencarian Manual
Aspek
Scopus AI
Manual
Input query
Bahasa alami
Kata kunci spesifik
Output
Ringkasan + highlight
Daftar artikel mentah
Efisiensi
Cepat, terstruktur
Lambat, repetitif
Identifikasi gap
Didukung AI
Bergantung analisis manual
Akses landmark
Disediakan otomatis
Harus dicari sendiri
Kesimpulan untuk Mahasiswa Doktoral
Tahap
Tanpa Scopus AI
Dengan Scopus AI
Memetakan bidang penelitian
2–4 minggu
1–2 jam
Menemukan research gap
1–2 bulan
1–2 hari
Menyusun daftar pustaka awal
100–200 abstrak dibaca manual
AI beri 15–30 artikel inti
Cek kelayakan topik
Tebakan atau konsultasi berulang
Bisa diuji dengan cepat sendiri
Rekomendasi: Gunakan Scopus AI sebagai pilot atau pemandu awal, lalu lanjutkan dengan SLR (Systematic Literature Review) tradisional untuk validasi dan kedalaman analisis.
