Jurnal

ORCID Open Researcher and Contributor ID

~ masyono

ORCID adalah sistem identitas global untuk peneliti yang menyediakan unique, persistent identifier (ORCID iD) agar karya ilmiah dan kontribusi akademik dapat dihubungkan secara jelas dengan individu yang membuatnya. Dengan ORCID, peneliti tidak akan tertukar dengan orang lain yang memiliki nama serupa, dan profil mereka dapat terhubung otomatis ke publikasi, pendanaan, afiliasi, maupun data penelitian.

Apa itu ORCID?

  • Open Researcher and Contributor ID → singkatan dari ORCID, organisasi nirlaba global yang menyediakan identitas digital unik bagi peneliti.
  • ORCID iD → nomor identitas unik (misalnya: 0000-0002-1825-0097) yang gratis untuk didaftarkan oleh peneliti.
  • Tujuan utama → memastikan atribusi karya ilmiah yang jelas, mengurangi kesalahan administrasi, dan meningkatkan visibilitas penelitian lintas disiplin dan negara.

Fungsi Utama ORCID

  • Identitas peneliti → membedakan peneliti dengan nama serupa.
  • Integrasi publikasi → jurnal, penerbit, dan repositori dapat otomatis menghubungkan karya ke ORCID iD.
  • Manajemen karier → melacak afiliasi, pendanaan, dan kolaborasi sepanjang karier akademik.
  • Interoperabilitas sistem → terhubung dengan lebih dari 5.000 sistem riset global.

Perbandingan ORCID dengan Identitas Lain

Sistem Fokus Utama Kelebihan
ORCID Identitas peneliti global Gratis, unik, interoperabel, kontrol privasi oleh peneliti
Scopus Author ID Publikasi di Scopus Otomatis dibuat, tapi terbatas pada database Scopus
ResearcherID (Web of Science) Publikasi WoS Terintegrasi dengan WoS, tapi tidak universal
Google Scholar Profil sitasi Mudah dibuat, tapi tidak standar global

Catatan Penting

  • Privasi & kontrol → peneliti sendiri yang menentukan informasi apa yang ditampilkan publik.
  • Kewajiban → banyak penerbit internasional kini mewajibkan ORCID iD saat submit artikel.
  • Strategis → ORCID menjadi bagian penting dari infrastruktur riset global untuk meningkatkan transparansi dan kredibilitas akademik.

Untuk memperoleh ORCID iD, prosedurnya cukup sederhana dan gratis. Berikut langkah-langkah resmi yang bisa Anda ikuti:

Prosedur Mendaftar ORCID

  1. Akses situs ORCID
    • Buka laman resmi: https://orcid.org.
    • Klik tombol “Register” di pojok kanan atas.
  2. Isi formulir pendaftaran
    • Masukkan nama lengkap sesuai publikasi akademik.
    • Tambahkan email aktif (disarankan lebih dari satu untuk keamanan).
    • Buat password yang kuat.
  3. Pilih pengaturan privasi
    • ORCID memberi opsi: Public, Limited, atau Private.
    • Anda bisa mengatur visibilitas setiap data (misalnya afiliasi, publikasi).
  4. Verifikasi email
    • ORCID akan mengirim tautan konfirmasi ke email Anda.
    • Klik tautan tersebut untuk mengaktifkan akun.
  5. Dapatkan ORCID iD
    • Setelah verifikasi, Anda akan memperoleh nomor unik 16 digit (contoh: 0000-0002-1825-0097).
    • Nomor ini menjadi identitas permanen Anda sebagai peneliti.
  6. Lengkapi profil
    • Tambahkan afiliasi (misalnya Universitas Gadjah Mada).
    • Unggah publikasi, grant, atau aktivitas riset.
    • Hubungkan dengan sistem lain (Scopus, Web of Science, CrossRef, dll.).

Tips Penting

  • Gunakan email institusi agar lebih kredibel.
  • Pastikan nama konsisten dengan publikasi agar integrasi otomatis berjalan lancar.
  • Atur privasi sesuai kebutuhan: misalnya publikasi Public, data pribadi Limited.
  • Banyak jurnal internasional kini mewajibkan ORCID iD saat submit artikel.

 

APC Article Processing Charge

~ masyono

APC adalah singkatan dari Article Processing Charge, yaitu biaya yang dibebankan oleh penerbit jurnal kepada penulis untuk mempublikasikan artikel dalam model Open Access.

Fungsi APC

  • Menutup biaya publikasi: mencakup peer review, editing, typesetting, hosting online, dan pemeliharaan sistem.
  • Mendukung akses terbuka: artikel dapat diakses gratis oleh pembaca di seluruh dunia tanpa paywall.
  • Membiayai layanan tambahan: seperti DOI, indexing di database (Scopus, Web of Science), dan preservasi digital.

Kisaran Biaya APC

  • Jurnal internasional biasanya mengenakan APC antara $500 – $5,000 USD, tergantung penerbit dan reputasi jurnal.
  • Penerbit besar seperti Springer, Elsevier, atau Nature sering menetapkan APC lebih tinggi dibanding penerbit independen atau universitas.
  • Beberapa jurnal menawarkan waiver atau diskon bagi penulis dari negara berkembang atau dengan keterbatasan dana.

Perbedaan dengan Subscription Model

  • Pada model Subscription, pembaca atau institusi membayar untuk mengakses artikel.
  • Pada model Open Access dengan APC, penulis membayar agar artikelnya bebas diakses oleh semua orang.

Tabel Perbandingan Model Subscription vs Open Access

Aspek Subscription Open Access
Siapa membayar Institusi pembaca (melalui langganan) Penulis atau institusi penulis (APC)
Biaya penulis Umumnya gratis $30 – $12,000+ tergantung penerbit
Akses pembaca Terbatas pada pelanggan Gratis, global, segera tersedia
Hak cipta Biasanya dialihkan ke penerbit Penulis sering mempertahankan hak (CC BY)
Potensi sitasi Lebih rendah (akses terbatas) Lebih tinggi (akses terbuka)
Kepatuhan funder Sering tidak memenuhi mandat OA Memenuhi mandat OA (Plan S, NIH, dll.)
Embargo 6–24 bulan untuk self-archiving Tidak ada embargo

Analisis Singkat

  • Subscription model: lebih murah bagi penulis, tetapi akses terbatas bagi pembaca. Cocok jika institusi sudah berlangganan.
  • Open Access model: lebih mahal bagi penulis (APC tinggi), tetapi meningkatkan visibilitas, sitasi, dan kepatuhan terhadap mandat funder.
  • Penerbit besar (Nature, Elsevier, Springer): APC tinggi karena reputasi, indeksasi luas, dan brand prestige.
  • Penerbit lebih murah (MDPI, PLOS, Frontiers): APC lebih terjangkau, tetap memenuhi standar peer review, tetapi brand prestige lebih rendah dibanding penerbit besar.

Interpretasi Bagan Vosviewer untuk Analisis Kolaborasi

~ masyono

Oleh: Maryono

Interpretasi Elemen Visual

  • 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 VisualisasiMakna UtamaInterpretasi dalam konteks kolaborasi
Network VisualizationMenunjukkan struktur hubungan antar penulisNode besar = penulis utama; garis = kekuatan kolaborasi; warna = kelompok kolaborasi
Overlay VisualizationMenampilkan dimensi waktu atau trenWarna gradasi (biru → kuning) menunjukkan evolusi kolaborasi dari lama ke baru
Density VisualizationMenunjukkan kepadatan kolaborasiArea 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.

Aneka Jenis Format File Dalam Analisis Vosviewer

~ masyono

Oleh: Maryono

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 UtamaKelebihanKekurangan
CSVComma-Separated Values → format tabular sederhana, berasal dari sistem database & spreadsheetDigunakan untuk menyimpan data bibliometrik (judul, penulis, kata kunci, sitasi) dari Scopus/WoS; fleksibel untuk analisis co-authorship, co-citation, keyword co-occurrenceFleksibel, mudah diolah dengan Excel/R/Python, mendukung semua jenis analisisRawan error jika struktur kolom tidak konsisten; perlu penataan manual
RISResearch Information Systems format → dikembangkan oleh RIS Inc. sebagai standar pertukaran bibliografiDigunakan oleh reference manager (EndNote, Zotero, Mendeley) untuk metadata publikasi (judul, penulis, jurnal, DOI, dll); cocok untuk bibliographic coupling & co-citationFormat standar bibliografi, kompatibel lintas aplikasi, mudah dipertukarkanMetadata kadang tidak lengkap; kurang fleksibel untuk custom data
XLS/XLSXExcel Spreadsheet → format milik Microsoft untuk data tabularDigunakan 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 customisasiLebih berat dibanding CSV; perlu konsistensi format tabel
TXTPlain Text File → format dasar komputer sejak awal sistem operasiDigunakan untuk input sederhana seperti daftar kata kunci atau publikasi; biasanya dari database yang hanya menyediakan teksRingkas, ringan, mudah dibuatTidak mendukung struktur tabular kompleks; terbatas untuk analisis sederhana
Scopus/WoS/PubMed ExportFormat khusus tiap database: .csv (Scopus), .txt (WoS), .nbib (PubMed)Digunakan untuk analisis lengkap: citation, co-authorship, keyword co-occurrence; langsung dikenali VOSviewerData kaya, terstruktur, langsung kompatibelFormat berbeda tiap database; keterbatasan akses (WoS berbayar, PubMed terbatas sitasi)
JSON VOSviewerJavaScript Object Notation → format ringan untuk data terstruktur, populer di webDigunakan untuk menyimpan peta & jaringan hasil analisis; bisa dibagikan online atau diintegrasikan dengan aplikasi webMendukung visualisasi interaktif, mudah dibagikanLebih 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

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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 Analisis Co-Occurrence

~ masyono

Oleh: Maryono

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.

Tiga Mode Visualisasi

Jenis VisualisasiFungsi UtamaInterpretasi
Network VisualizationMenampilkan hubungan antar kata kunciNode 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
Overlay VisualizationMenunjukkan tren waktuWarna gradasi (biru → kuning) menunjukkan perkembangan topik dari lama ke baru
Density VisualizationMenunjukkan kepadatan topikArea 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.