9  Analisis Jaringan Bibliometrik

Co-authorship, keyword co-occurrence, dan kolaborasi institusi

Tujuan Pembelajaran
  1. Memahami konsep analisis jaringan dalam bibliometrika
  2. Membangun matriks jaringan dengan biblioNetwork()
  3. Membuat visualisasi jaringan co-authorship
  4. Menganalisis jaringan co-occurrence kata kunci
  5. Menginterpretasikan metrik jaringan (degree, density, centrality)

9.1 Alur Seleksi Literatur (PRISMA)

Sebelum melakukan analisis jaringan, artikel yang akan dianalisis harus melalui proses seleksi sistematis mengikuti panduan PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

(Untuk memvisualisasikan alur seleksi ini, Anda dapat menggunakan PRISMA 2020 Shiny App)

9.2 Konsep Dasar Analisis Jaringan

Dalam bibliometrika, jaringan (network/graph) terdiri dari:

  • Node (simpul): Entitas yang dianalisis (penulis, kata kunci, institusi, dokumen)
  • Edge (sisi): Hubungan antar entitas (co-authorship, co-occurrence, co-citation)
  • Bobot (weight): Kekuatan hubungan (berapa kali dua entitas muncul bersama)
Jenis Node Edge Berarti Parameter biblioNetwork
Co-authorship Penulis 2 penulis menulis bersama analysis="collaboration", network="authors"
Keyword Co-occurrence Kata Kunci 2 kata kunci muncul dalam artikel yang sama analysis="co-occurrences", network="author_keywords"
Co-citation Dokumen 2 dokumen disitasi bersama analysis="co-citation", network="references"
Bibliographic Coupling Dokumen 2 dokumen berbagi referensi yang sama analysis="coupling", network="references"
Institution Collaboration Institusi 2 institusi berkolaborasi analysis="collaboration", network="universities"

9.3 Setup & Data

9.4 Jaringan Co-Authorship

Jaringan co-authorship menunjukkan siapa berkolaborasi dengan siapa dalam penulisan artikel.

9.4.1 Membangun Matriks Jaringan

9.4.2 Konversi ke Objek igraph dan Analisis Metrik

9.4.3 Visualisasi Jaringan Co-Authorship

9.5 Jaringan Co-Occurrence Kata Kunci

Jaringan kata kunci menunjukkan tema-tema yang sering muncul bersamaan.

9.5.1 Membangun Matriks Kata Kunci

9.5.2 Visualisasi Jaringan Kata Kunci

9.6 Statistik Jaringan — Interpretasi

9.7 Ringkasan: Cara Membaca Jaringan

Elemen Makna
Ukuran node Semakin besar = degree lebih tinggi = semakin sentral dalam jaringan
Ketebalan edge Semakin tebal = semakin sering berkolaborasi (jumlah paper bersama)
Warna node Warna sama = satu komunitas/klaster (kelompok yang sering berkolaborasi)
Posisi node Di tengah = lebih sentral; di pinggir = lebih perifer
Isolated node Node tanpa koneksi = tidak berkolaborasi; biasanya disembunyikan dalam visualisasi final

9.7.1 Latihan Modul 07

Betweenness centrality mengukur seberapa sering sebuah node berada di jalur terpendek antara dua node lainnya. Kata kunci dengan betweenness tinggi adalah jembatan antar tema — menghubungkan cluster-cluster yang berbeda. Ini sering menjadi kata kunci yang paling interdisipliner atau crosscutting.