Penerapan Metode Sociogram untuk Visualisasi Kolaborasi Peneliti pada Koleksi IPBana

PENERAPAN METODE SOCIOGRAM UNTUK VISUALISASI
KOLABORASI PENELITI PADA KOLEKSI IPBANA

BIMO SETYAWAN

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Metode
Sociogram untuk Visualisasi Kolaborasi Peneliti pada Koleksi IPBana 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 disertasi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Juli 2013
Bimo Setyawan
NIM G64090050

ABSTRAK
Bimo Setyawan. Penerapan Metode Sociogram untuk Visualisasi Kolaborasi
Peneliti pada Koleksi IPBana. Dibimbing oleh FIRMAN ARDIANSYAH dan
BADOLLAHI MUSTAFA.
Institut Pertanian Bogor (IPB) telah banyak melakukan penelitian. Jumlah
penelitian yang dilakukan oleh IPB setiap tahunnya cukup fluktuatif, namun
secara keseluruhan jumlah penelitian IPB mengalami peningkatan. Sebagian besar
penelitian tersebut melibatkan lebih dari satu orang peneliti baik peneliti IPB
maupun peneliti dari instansi lain di luar IPB. Hingga saat ini informasi mengenai
keterhubungan antarpeneliti tersebut hanya disajikan dalam bentuk tabel pada
website LPPM IPB. Penyajian dalam bentuk tabel dirasa kurang efektif sehingga
diperlukan adanya visualisasi informasi mengenai keterhubungan antarpeneliti
dalam penelitian IPB. Pada penelitian ini, dibuat sebuah visualisasi informasi
keterhubungan peneliti dalam penelitian IPB berbasis web menggunakan data
IPBana dan sistem kepegawaian IPB. Metode visualisasi yang digunakan dalam

penelitian ini ialah metode Sociogram. Keterhubungan antarpeneliti dimodelkan
dalam sebuah graf yang menghubungkan 2 buah entitas peneliti (node) melalui
sebuah penelitian (edge). Visualisasi tersebut dapat dilihat hingga 3 level
keterhubungan. Peneliti IPB dimodelkan dengan sebuah node berwarna biru,
sedangkan peneliti eksternal dimodelkan dengan sebuah node berwarna hijau.
Penelitian dimodelkan dengan sebuah edge berwarna merah. Ukuran node
berbanding lurus dengan jumlah penelitian, sedangkan ukuran edge berbanding
lurus dengan jumlah kolaborasi.
Kata kunci : Institut Pertanian Bogor, Sociogram, Visualisasi Informasi

ABSTRACT
Bimo Setyawan. Applying Sociogram Method for Visualization of Researcher
Colaboration on IPBana Collection. Supervised by FIRMAN ARDIANSYAH and
BADOLLAHI MUSTAFA.
Bogor Agricultural University (IPB) has been doing a lot of researches.
The amount of research conducted by IPB each year was fluctuated, but generally
increased. Most of these studies involved more than one researcher, IPB
researchers and researchers from other institutions outside the university. Until
now, information about collaboration between the researchers was presented only
in written form on the website of LPPM IPB. The presentation in written form is

not effective so that it is necessary to visualize the information of researchers’
linkage for the research collaboration in IPB. In this study, the visualization of
researchers’ linkage information was made in web-based, using the data from
IPBana collection and IPB staffing system. Visualization method utilized in this
study is Sociogram. The linkages between researchers were modeled in a graph
connecting 2 research entities (nodes) through a research (edge). Visualization can
be seen up to 3 levels of lingkages. IPB researchers were modeled by a blue node,
while the external researchers were modeled with a green node. Research was

modeled with a red edge. Node size was made proportional to the amount of
research, whereas the size of the edge is directly proportional to the amount of
collaboration.
Keywords : Bogor Agricultural University, Information Visualization, Sociogram

PENERAPAN METODE SOCIOGRAM UNTUK VISUALISASI
KOLABORASI PENELITI PADA KOLEKSI IPBANA

BIMO SETYAWAN

Skripsi

sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Penguji :
1 Dr Yani Nurhadryani

Judul Skripsi : Penerapan Metode Sociogram untuk Visualisasi Kolaborasi Peneliti
pada Koleksi IPBana
Nama
: Bimo Setyawan
NIM
: G64090050

Disetujui oleh

Drs Badollahi Mustafa, MLib
Pembimbing II

Firman Ardiansyah, SKom MSi
Pembimbing I

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

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 2012 ini ialah
visualisasi informasi, dengan judul Penerapan Metode Sociogram untuk

Visualisasi Kolaborasi Peneliti pada Koleksi IPBana.
Terima kasih penulis ucapkan kepada ayah, ibu, serta seluruh keluarga atas
segala doa dan kasih sayangnya. Ungkapan terimakasih juga disampaikan kepada
Bapak Firman Ardiansyah, SKom MSi dan Bapak Drs Badollahi Mustafa, MLib
selaku pembimbing, serta Ibu Dr Yani Nurhadryani dan Bapak Auzi Asfarian,
SKom yang telah bayak memberi saran. Disamping itu, penulis juga
mengucapkan terimakasih kepada Srividola Wulandari, Chusnul Arifin
Rasuandar, Fahri Amirullah, Nadya Elsanoviany Putri, Riandi Angga Permana,
dan teman-teman ilmu komputer angkatan 46 yang selalu memberikan semangat
dan dukungannya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013
Bimo Setyawan

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN

vii
vii
vii
1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Ruang Lingkup Penelitian

2

METODE

3

Tahapan Penelitian

3

Data

3

Data Transformation

4

Analytical Abstraction

4

Visualization Transformation

4

Visualization Abstraction

4

Visualization Mapping Transformation

5

View

5

Pengujian Sistem

5

Spesifikasi Perangkat Lunak dan Perangkat Keras

6

HASIL DAN PEMBAHASAN
Data

7
7

Data Transformation

10

Analytical Abstraction

11

Visualization Transformation

11

Visualization Abstraction

11

Visualization Mapping Transformation

12

View

15

Pengujian Sistem

16

LAMPIRAN
RIWAYAT HIDUP

19
23

DAFTAR TABEL
1
2
3
4

Data peneliti anggota sebelum dipisahkan dan setelah dipisahkan
Contoh data IPBana sebelum praproses dan setelah praproses
Contoh indeks nama peneliti dan penelitian
Contoh tabel kolaborasi peneliti berserta nomor penelitian dan subjek
penelitian
5 Warna yang merepresentasikan kerja tim (Kuno 2004)

9
9
11
12
14

DAFTAR GAMBAR
1
2
3
4

5
6
7
8
9
10

Tahapan penelitian
Perbandingan jumlah data lengkap dan data tak lengkap
Contoh metadata koleksi IPBana dalam aplikasi Winisis
Perbandingan jumlah penelitian yang dilakukan secara berkolaborasi
dengan penelitian yang dilakukan secara individu pada data tak
lengkap
Perbandingan jumlah penelitian yang dilakukan secara berkolaborasi
dengan penelitian yang dilakukan secara individu pada data lengkap
Visualisasi peneliti tanpa leveling
Perbedaan warna dapat diidentifikasi dengan mudah
Halaman web visualisasi peneliti
Visualisasi pola keterhubungan antar peneliti dalam sebuah subjek
penelitian
Visualisasi tanpa legenda

3
7
7

8
8
13
14
15
16
16

DAFTAR LAMPIRAN
1
2
3
4

Daftar atribut koleksi IPBana tahun 1965-2008
Contoh laporan penelitian “fg winarno” tahun 1973-1994
Hasil pengujian sistem berdasarkan skenario pengujian
Hasil heuristic evaluation pengujian sistem

19
20
21
22

PENDAHULUAN
Latar Belakang
IPBana adalah koleksi yang mencakup publikasi ilmiah IPB baik yang
ditulis oleh perorangan maupun atas nama institusi IPB. Koleksi IPBana terdiri
atas beberapa jenis karya yaitu buku (termasuk diktat, buku rujukan, prosiding),
makalah, artikel, laporan, dan laporan penelitian.
Koleksi IPBana terdiri atas beberapa atribut. Salah satunya ialah atribut
subjek penelitian. Subjek penelitian merupakan sebuah unit analisis yang menjadi
pusat perhatian dalam sebuah penelitian. Berdasarkan subjek penelitian dapat
dilakukan justifikasi mengenai titik ketertarikan seorang peneliti (Arikunto 2010).
Berdasarkan koleksi IPBana yang dihimpun dari perpustakaan LSI IPB,
terdapat 3323 karya sejak tahun 1965 hingga tahun 2008. Koleksi IPBana
hanyalah sebagian kecil dari data penelitian IPB yang terekam. Beberapa
penelitian tersebut melibatkan lebih dari 1 orang peneliti, baik peneliti IPB
maupun peneliti dari instansi lain di luar IPB.
Dalam koleksi IPBana terdapat 773 peneliti IPB, sedangkan berdasarkan
data yang dihimpun dari Sistem Kepegawaian IPB (Simpeg) terdapat 2199 dosen
tetap IPB. Berdasarkan data tersebut dapat dianalisis lebih lanjut informasi
mengenai dosen tetap IPB yang aktif melakukan penelitian. Penelitian dan
pengembangan merupakan salah satu fungsi dari tridharma perguruan tinggi. Oleh
karena itu, diperlukan informasi mengenai produktivitas penelitian yang dilakukan
oleh setiap peneliti.
Hingga saat ini informasi mengenai penelitian dan keterhubungan
antarpeneliti hanya disajikan dalam bentuk tabel. Penyajian informasi dalam
bentuk tabel kurang efektif karena seseorang cenderung tertarik pada struktur,
fitur, pola, tren, anomali, dan keterhubungan pada sekumpulan data. Visualisasi
mendukung hal tersebut dengan merepresentasikan data dalam beberapa bentuk
dengan interaksi yang berbeda (Grinstein dan Warad 2002). Oleh sebab itu,
dibutuhkan adanya visualisasi informasi mengenai keterhubungan antarpeneliti
dalam penelitian IPB. Selain itu, dengan visualisasi, produktivitas seorang peneliti
dapat terlihat dengan mudah.
Kolaborasi peneliti merupakan sebuah jejaring sosial. Berdasarkan Huang et
al. (2006), jejaring sosial merupakan kumpulan aktor seperti manusia, organisasi,
atau entitas sosial lainnya. Jejaring sosial dapat dimodelkan dengan menggunakan
Sociogram. Metode ini dapat memodelkan jejaring sosial dengan menggunakan
node dan edge. Node digunakan untuk memodelkan aktor, sedangkan edge
digunakan untuk memodelkan hubungan antaraktor. Keterhubungan antaraktor
mengindikasikan mereka memiliki hubungan sosial tertentu. Sociogram telah
banyak digunakan untuk membantu mengeksplorasi dan memahami jejaring sosial
(Huang et al. 2006).
Metode Sociogram dipilih karena dalam penelitian ini dibutuhkan
visualisasi keterhubungan antara 2 orang peneliti atau lebih yang dihubungkan
oleh sebuah penelitian. Sociogram dapat merepresentasikan hubungan antara 2
buah entitas yang terhubung dengan sebuah relasi.

2
Perumusan Masalah
Setiap peneliti yang terlibat di dalam sebuah penelitian dapat dibentuk
visualisasi yang menghubungkan antara peneliti satu dengan peneliti lainnya serta
keterhubungannya dengan subjek penelitian. Dengan demikian muncul pertanyaan
sebagai berikut:
1 Bagaimana visualisasi kolaborasi peneliti dalam domain IPB dan peneliti
lintas instansi?
2 Bagaimana visualisasi kolaborasi peneliti dalam sebuah subjek penelitian?
3 Bagaimana visualisasi keterhubungan peneliti dengan subjek penelitian?
4 Bagaimana visualisasi jumlah penelitian yang dilakukan oleh setiap peneliti?
5 Bagaimana visualisasi hubungan kedekatan antara peneliti satu dan peneliti
lainnya?
6 Bagaimana visualisasi hubungan kedekatan antara seorang peneliti dan sebuah
subjek penelitian?
Tujuan Penelitian
Tujuan dari penelitian ini ialah:
1 Memvisualisasikan kolaborasi peneliti dalam domain IPB dan peneliti lintas
instansi.
2 Memvisualisasikan kolaborasi peneliti dalam sebuah subjek penelitian.
3 Memvisualisasikan keterhubungan peneliti dengan subjek penelitian.
4 Memvisualisasikan jumlah penelitian yang dilakukan oleh setiap peneliti.
5 Memvisualisasikan hubungan kedekatan antara peneliti satu dan peneliti
lainnya.
6 Memvisualisasikan hubungan kedekatan antara seorang peneliti dan sebuah
subjek penelitian.
Ruang Lingkup Penelitian
1
2
3
4
5

Ruang lingkup penelitian ini yaitu:
Data penelitian yang digunakan dalam penelitian ini ialah kumpulan data
IPBana dan data Sistem Kepegawaian (Simpeg) IPB.
Visualisasi hanya untuk data penelitian dosen IPB yang dilakukan secara
berkolaborasi.
Tidak terdapat perbedaan bobot produktivitas peneliti utama dan peneliti
anggota.
Pengguna hanya dapat melakukan pencarian berdasarkan nama peneliti dan
subjek penelitian yang terdapat dalam database.
Visualisasi peneliti hanya dibatasi hingga 3 tingkat kolaborasi.

3

METODE
Tahapan Penelitian
Secara umum, metode yang digunakan dalam penelitian ini mengacu pada
framework yang telah dibuat oleh Chi pada tahun 1999. Metode yang digunakan
terdiri atas tahap Data, Data Transformation, Analytical Abstraction,
Visualization Transformation, Visualization Abstraction, Visual Mapping
Transformation, dan View (Chi 1999). Selanjutnya, dilakukan pengujian sistem
dengan menggunakan Nielsen’s heuristic evaluation (Nielsen 1995). Alur tahapan
penelitian dapat dilihat pada Gambar 1.

Data
Data yang digunakan dalam penelitian ini ialah koleksi IPBana. Data
tersebut diperoleh dari Perpustakaan IPB berupa database CDS/ISIS. CDS/ISIS
atau Winisis merupakan sebuah aplikasi database yang secara khusus dibuat
untuk perpustakaan, pusat-pusat informasi dan dokumentasi serta kearsipan
(Mustafa 2005). Selain itu, pada penelitian ini juga digunakan data Simpeg IPB
yang bersumber dari Direktorat Sumber Daya Manusia (SDM) IPB.
Setelah data diakuisisi, selanjutnya koleksi IPBana diubah ke format CSV
untuk mempermudah praproses data. Praproses data dilakukan untuk
menghilangkan data yang tidak lengkap, mengurangi kesalahan pengetikan nama,
dan mengurangi kesalahan pengejaan nama. Data Simpeg IPB digunakan sebagai

Gambar 1 Tahapan penelitian

4
acuan pegejaan nama untuk peneliti IPB. Algoritme jarak Levenshtein digunakan
untuk mencocokkan nama peneliti pada koleksi IPBana dan Simpeg IPB.
Algoritme jarak Levenshtein akan mencocokkan pengejaan nama peneliti
pada data IPBana dengan nama peneliti pada data Simpeg IPB. Setiap nama pada
data IPBana akan dikombinasikan dengan seluruh nama yang terdapat pada data
Simpeg IPB. Kode ASCII untuk setiap karakter pada data IPBana akan
dicocokkan dengan kode ASCII setiap karakter pada sebuah nama acuan yang
sedang diperiksa. Selanjutnya nama peneliti pada data IPBana akan diganti
dengan nama pegawai pada data acuan yang memiliki jarak Levenshtein terkecil.

Data Transformation
Data transformation merupakan proses untuk memperoleh bentuk data
analytical abstraction. Bentuk data tersebut dapat diperoleh dengan melakukan
ekstraksi data. Proses ekstraksi dilakukan dengan membuat indeks nama peneliti
dan nomor penelitian yang dilakukan oleh setiap peneliti. Proses tersebut diawali
dengan melakukan seleksi nama peneliti yang terdapat dalam laporan penelitian
pada koleksi IPBana. Setelah diperoleh daftar nama seluruh peneliti, dicari nomor
penelitian yang pernah dilakukan oleh masing-masing peneliti. Pencarian nomor
penelitian tidak dibatasi pada posisi peneliti sebagai peneliti utama atau peneliti
anggota.

Analytical Abstraction
Pada tahap ini, diperoleh tabel indeks penelitian. Hingga tahap ini, data
tersebut belum dapat digunakan untuk melakukan proses mapping. Hal tersebut
disebabkan indeks nama peneliti belum memuat pola kolaborasi.

Visualization Transformation
Bentuk data pada analytical abstraction akan dimampatkan ke dalam bentuk
visualization transformation yang telah siap untuk dilakukan visualisasi. Pada
tahap ini akan dibentuk pola kolaborasi berupa tabel keterhubungan antarpeneliti.
Pola kolaborasi dibentuk dengan cara mengelompokkan nama peneliti yang
pernah terlibat dalam sebuah penelitian. Pada tabel tersebut juga disimpan subjek
penelitian dan tahun penelitian.

Visualization Abstraction
Pada tahap visualization abstraction, diperoleh tabel kolaborasi peneliti.
Data pada tabel tersebut telah memuat seluruh informasi yang dibutuhkan untuk
dilakukan proses mapping. Berdasarkan pola tersebut akan ditentukan sebuah
teknik visualisasi yang sesuai. Pada penelitian ini teknik visualisasi yang
digunakan ialah Sociogram.

5
Visualization Mapping Transformation
Pada tahap ini, model data yang diperoleh pada tahap visualization
transformation akan diimplementasikan ke dalam sebuah aplikasi komputer
dengan menggunakan teknik visualisasi yang diperoleh pada tahap visualization
abstraction. Pengimplementasian teknik tersebut dilakukan dengan menggunakan
bahasa pemrograman (PHP) dan JavaScript.

View
Pada tahap ini diperoleh produk akhir dari visualization mapping
transformation berupa web visualisasi kolaborasi peneliti. Pada web tersebut,
pengguna dapat melakukan interaksi terhadap hasil visualisasi seperti zooming
dan panning.

Pengujian Sistem
Pengujian sistem dilakukan pada tanggal 30 Mei 2013 oleh staf
perpustakaan LSI IPB dengan menggunakan Nielsen’s heuristic evaluation
(Nielsen 1995). Teknik ini digunakan karena pengujian dengan menggunakan
Nielsen’s heuristic evaluation mudah untuk dilakukan, relatif murah, tidak
membutuhkan waktu lama, dan dapat mengidentifikasi banyak masalah (Galitz
2007). Aspek yang dinilai dengan menggunakan pengujian ini ialah :
1

Visibility of system status
Memberikan umpan balik kepada pengguna mengenai status sistem. Sebagai
contoh jika sistem melakukan suatu proses yang membuuhkan waktu cukup
lama untuk menampilkan hasil, ditampilkan sebuah progress bar sebagai
umpan balik terhadap interaksi pengguna.

2

Match between system and real world
Tata bahasa dan desain yang digunakan harus sesuai dengan karakteristik
pengguna, misalnya untuk sistem dengan pengguna anak-anak, tata bahasa
dan desain yang digunakan harus sesuai dengan usianya.

3

User control and freedom
Memberikan kemudahan dan kebebasan bagi pengguna dalam berinterakasi
dengan sistem, misalnya meyediakan fungsi undo dan redo.

4

Consistency and standards
Penggunaan ikon dan pesan error harus konsisten dan familiar dengan
pengguna, misalnya penggunaan ikon gunting untuk fungsi cut.

5

Error prevention
Sistem dapat mencegah pengguna melakukan kesalahan yang fatal, misalnya
ketika pengguna melakukan interaksi yang dapat menyebabkan kehilangan

6
data, sistem harus dapat menampilkan pesan konformasi sebelum melakukan
proses tersebut.
6

Recognition rather than recall
Sistem tidak ‘memaksa’ pengguna untuk mengingat informasi yang telah
diberikan pada tahap sebelumnya, misalnya dalam form registrasi pengguna
salah mengetikkan captcha, pengguna tidak diharuskan mengetikkan kembali
informasi yang dibutuhkan dalam pengisian form tersebut.

7

Flexibility and efficiency of use
Sistem dapat mengakomodasi pengguna ahli dan pemula, misalnya dengan
memberikan shortcut command kepada pengguna ahli seperti shortcut
command Alt+F4 untuk keluar aplikasi.

8

Aesthetic and minimalist design
Desain yang digunakan tidak menyulitkan pengguna dalam mengakuisisi
informasi, misalnya warna latar yang kurang kontras dengan warna tulisan.

9

Help users recognize, diagnose and recover from errors
Sistem dapat menampilkan pesan error dan memberitahukan kepada
pengguna tahapan yang benar.

10 Help and documentation
Terdapat menu bantuan yang berisi tahapan cara penggunaan sistem.
Pengujian sistem dilakukan dengan memberikan serangkaian skenario
sistem kepada penguji. Waktu yang dibutuhkan oleh penguji untuk menyelesaikan
sebuah tugas akan dicatat untuk mengetahui tingkat kesulitan dalam penggunaan
aplikasi. Setelah itu, penguji diberikan sebuah form penilaian berdasarkan
Nielsen’s heuristic evaluation.
Spesifikasi Perangkat Lunak dan Perangkat Keras








Perangkat lunak yang digunakan dalam penelitian ini meliputi:
Sistem Operasi Microsoft Windows 8 Professional 64-bit untuk menjalankan
IDE Visual Studio Ultimate 2012,
Sistem Operasi Microsoft Windows 7 Professional 32-bit untuk menjalankan
aplikasi CDS/ISIS,
Winisis 1.5 UNESCO 2003 build 3 untuk akuisisi data,
DBMS MySQL versi 5.5.8 untuk pengolahan data,
XAMPP versi 1.7.4 untuk menjalankan server lokal,
CodeBlocks Release 12.11 rev 8629 sebagai IDE untuk mengembangkan
aplikasi praproses dengan menggunakan bahasa pemrograman C,
Visual Studio Ultimate 2012 sebagai IDE untuk mengembangkan aplikasi
penghitung jarak Levenshtein dengan menggunakan bahasa pemrograman C#,
dan

7


Google Chrome Browser versi 29.0.1546.0 canary untuk menampilkan
visualisasi kolaborasi peneliti berbasis web.

HASIL DAN PEMBAHASAN
Data
Data IPBana terdiri atas 33 atribut dan 3323 record dalam rentang tahun
1965-2008 (Lampiran 1), sedangkan data Simpeg IPB terdiri atas banyak atribut
dengan tingkatan hak akses yang berbeda-beda. Atribut yang digunakan dalam
penelitian ini ialah nama pegawai tetap IPB. Data Simpeg IPB digunakan sebagai
format acuan pengejaan nama peneliti. Koleksi IPBana dalam database CDS/ISIS
dapat dilihat pada Gambar 2.
Data IPBana pada Winisis selanjutnya diubah ke dalam format CSV. Tidak
semua atribut pada data IPBana akan digunakan dalam penelitian ini. Atribut yang
digunakan hanya atribut peneliti utama, peneliti anggota, judul penelitian, dan
entri tambahan subjek. Pada data tersebut ditemukan adanya data yang tidak
lengkap. Perbandingan jumlah data lengkap dan data tak lengkap dapat dilihat
pada Gambar 3.

Gambar 2 Contoh metadata koleksi IPBana
dalam aplikasi Winisis
tak lengkap
Gambar 3 Contoh metadata koleksi Data
IPBana
1273
dalam aplikasi Winisis
(38%)

Data lengkap
2050
(62%)
Gambar 32 Perbandingan jumlah data lengkap dan data tak lengkap

8
Ketidaklengkapan data dapat disebabkan oleh operator yang hanya mengisi
atribut badan pemilik tanpa mengisi atribut peneliti utama. Pada data tak lengkap,
terdapat 172 penelitian yang tidak memiliki atribut peneliti utama, namun
memiliki atribut peneliti anggota lebih dari 1 orang (kolaborasi). Hal tersebut
dapat dilihat pada Gambar 4.
Penelitian yang dilakukan secara berkolaborasi pada data lengkap berjumlah
829 data. Perbandingan antara jumlah penelitian yang dilakukan secara
berkolaborasi dan individu pada data lengkap dapat dilihat pada Gambar 5.
Dengan demikian pada penelitian ini digunakan 1001 data kolaborasi dengan 172
data bersumber dari data tak lengkap dan 829 data bersumber dari data lengkap.
Setelah dilakukan konversi dari database CDS/ISIS ke dokumen CSV,
seluruh nama peneliti anggota pada koleksi IPBana berada pada 1 kolom dokumen
CSV. Hal ini akan menyulitkan dalam melakukan tahapan penelitian selanjutnya,
namun ditemukan adanya simbol ‘^a’ di setiap awal penulisan nama seperti pada
Tabel 1 kolom peneliti anggota. Simbol ‘^a’ merupakan tag atau sub field pada
database CDS/ISIS yang digunakan sebagai kode sub-atribut. Pada kondisi ini,
simbol ‘^a’ dapat digunakan sebagai penciri transisi nama seorang anggota ke
anggota lain.
Untuk memudahkan pemrosesan data ke tahap berikutnya, perlu dilakukan
pemisahan antarnama peneliti anggota. Sebelumnya, dilakukan penghilangan
karakter koma dan titik pada atribut nama peneliti utama dan nama peneliti
anggota. Selanjutnya penulisan nama peneliti diubah menjadi lower case,

1 orang
1101
(86%)

Lebih dari 1
orang
172
(14%)

Gambar 4 Perbandingan jumlah penelitian yang dilakukan
secara berkolaborasi dengan penelitian yang
dilakukan secara individu pada data tak lengkap
Lebih dari 1
orang
829
(40%)
1 orang
1221
(60%)
Gambar 5 Perbandingan jumlah penelitian yang dilakukan
secara berkolaborasi dengan penelitian yang
dilakukan secara individu pada data lengkap

9
kemudian dilakukan pemisahan atribut nama peneliti anggota. Pengubahan
penulisan nama dan pemisahan nama tersebut dilakukan dengan program yang
dibuat dengan menggunakan bahasa pemrograman C. Hal ini ditujukan untuk
mengurangi kemungkinan kesalahan pengetikan dan inkonsistensi format
pengetikan. Pada program tersebut dilakukan pengecekan setiap karakter pada
atribut nama peneliti anggota. Jika ditemukan simbol ‘^a’, maka dilakukan
pemisahan atribut. Hasilnya dapat dilihat pada Tabel 1.
Tabel 1 Data peneliti anggota sebelum dipisahkan dan setelah dipisahkan
Peneliti
Peneliti
Peneliti
Peneliti
Peneliti Anggota
Anggota 1 Anggota 2 Anggota 3 Anggota 4
^aDarwis,
darwis
illah
lien
A.Aziz^aLisbetini^aIllah
lisbetini^a
aaziz^a
sailah^a
herlina
Sailah^aLien Herlina
^aAgil,
Mohamad^aNoordin,
Muchidin^aAchjadi,
Kurnia R.^aSupriatna,
Iman

agil
mohamad
^a

noordin,
muchidin^
a

achjadi,
supriatna,
kurnia r.^a iman

Setelah peneliti anggota terpisah menjadi beberapa atribut, terlihat adanya
pengejaan nama yang tidak sesuai dengan format acuan. Kesalahan format pada
penulisan nama dapat disebabkan oleh 2 faktor. Faktor pertama ialah kesalahan
pengetikan yang dilakukan oleh petugas saat melakukan input data, sehingga
terjadi inkonsistensi penulisan nama. Faktor berikutnya adalah kesalahan format
yang disebabkan oleh sub-atribut Winisis yang tidak terkonversi seluruhnya.
Kesalahan yang terjadi pada faktor pertama berupa pembalikan nama peneliti
dengan format [nama belakang, nama depan] pada beberapa record data. Selain
itu, pada beberapa record terdapat kata (tr), [tr], (editor), dan (ed) pada akhir
penulisan nama peneliti. Kesalahan yang disebabkan oleh faktor kedua ialah
terdapat karakter ‘^a’ di setiap akhir nama peneliti anggota selain peneliti anggota
terakhir.
Tahap berikutnya ialah penyesuaian format pengetikan pada data IPBana
dengan data Simpeg IPB. Penyesuaian format ini dilakukan menggunakan
program yang dibuat dengan bahasa pemrograman C. Hasilnya dapat dilihat pada
Tabel 2.
Tabel 2 Contoh data IPBana sebelum praproses dan setelah praproses
Sebelum Praproses
Setelah Praproses
darwis aaziz^a
darwis aaziz
agil mohamad^a

agil mohamad

suhendang endang^a

suhendang endang

Setelah dilakukan praproses data, diperoleh data IPBana dengan format
pengetikan mendekati format pengetikan pada data Simpeg IPB. Namun,
praproses data tersebut belum dapat mengkoreksi kesalahan pengejaan. Pada data

10
tersebut masih dijumpai kesalahan pengejaan nama seperti peneliti “abdullah
kamarsuddin” dan “abdullah kamaruddin”. Kedua nama tersebut sebenarnya
dimiliki oleh seorang peneliti yang sama sehingga digunakan algoritme jarak
Levenshtein untuk mengoreksi kesalahan pengejaan nama peneliti.
Pada penelitian ini diberikan sebuah threshold jarak minimal untuk
mengganti nama peneliti pada data IPBana dengan nama peneliti pada data
Simpeg IPB. Hal tersebut diperlukan untuk meminimalisir kesalahan pencocokan
nama. Selain itu, thresholding juga digunakan untuk menentukan domain peneliti.
Jika jarak terkecil berada pada threshold yang ditentukan maka peneliti tersebut
dapat dikatakan berada pada domain IPB. Sebaliknya, jika minimum jarak yang
diperoleh melebihi threshold yang ditentukan maka peneliti tersebut dapat
dinyatakan sebagai peneliti eksternal (bukan berasal dari domain IPB).
Penentuan threshold dilakukan dengan cara trial and error. Awalnya proses
sinkronisasi dilakukan dengan menggunakan nilai 5 sebagai threshold. Namun,
terdapat banyak kesalahan pencocokan nama peneliti, contohnya nama “siswandi”
dikenali sebagai “sugiardi” dan “iswandi anas” dikenali sebagai “anggorodi”. Hal
yang sama terjadi untuk nilai threshold 4, sehingga digunakan nilai 3 sebagai
threshold. Nilai 1 dan 2 tidak diperhitungkan sebagai threshold karena hal ini
akan mengakibatkan peningkatan jumlah kesalahan pecocokan nama.
Seorang peneliti eksternal akan ditambahkan simbol ‘[E]’ di bagian akhir
nama peneliti untuk menandakan bahwa peneliti tersebut bukan berasal dari
domain IPB. Jika seorang peneliti dinyatakan sebagai peneliti dalam domain IPB,
pengejaan nama peneliti yang digunakan adalah pengejaan nama peneliti pada
data sistem kepegawaian IPB.

Data Transformation
Data IPBana yang telah disinkronisasi dengan data simpeg IPB kemudian
diindeks untuk memudahkan dalam menemukan pola kolaborasi antarpeneliti.
Sebelumnya seluruh data dalam dokumen CSV dimasukkan ke dalam DBMS
MySQL. Selanjutnya setiap judul penelitian diberikan nomor penelitian mulai dari
1 hingga 1001 secara incremental. Setiap nama peneliti dipasangkan dengan
nomor penelitian yang dilakukan. Proses pembuatan indeks dilakukan dengan
menggunakan bahasa pemrograman PHP untuk memperoleh indeks nama peneliti
dan nomor penelitian dapat dilihat pada kode berikut:
var q_nama,q_peneliti,q_penelitian;
Array nama_peneliti,peneliti,penelitian;
q_nama = query(SELECT, (Peneliti1,Peneliti2,...,Peneliti9));
foreach q_nama as nama_peneliti {
if(nama_peneliti!=null) {
query(INSERT,peneliti(nama_peneliti));
}
}
q_peneliti = query(SELECT DISTINCT, (nama_peneliti));
foreach q_peneliti as peneliti {
q_penelitian = query(SELECT, Nomor_penelitian(peneliti));
foreach q_penelitian as penelitian{
query(INSERT, index(peneliti,penelitian))
}
}

11
Analytical Abstraction
Pada tahap ini diperoleh hasil indexing yang dilakukan pada tahap Data
Transformation. Hasilnya berupa sebuah tabel indeks nama peneliti dan penelitian
yang dilakukan. Indeks tersebut dapat dilihat pada Tabel 3. Berdasarkan tabel
indeks dapat ditentukan jumlah penelitian yang dilakukan oleh setiap peneliti
dengan cara melakukan kueri SELECT peneliti, count(nomor_penelitian) FROM
indeks GROUP BY peneliti. Jumlah penelitian terbanyak dimiliki oleh peneliti “fg
winarno” dan “dedi fardiaz” yaitu sebesar 14 penelitian. Di sisi lain, terdapat 1040
peneliti yang hanya melakukan 1 kali penelitian secara berkolaborasi, 411 di
antaranya merupakan peneliti IPB.
Tabel 3 Contoh indeks nama peneliti dan
penelitian
Peneliti
fg winarno
fg winarno
fg winarno
fg winarno
fg winarno
fg winarno

Nomor
penelitian
70
279
550
551
552
553

Visualization Transformation
Selanjutnya, dibuat pola kolaborasi dengan atribut pasangan nama peneliti
dan nomor penelitian yang dilakukan oleh kedua peneliti tersebut. Pola kolaborasi
dibuat dengan menggunakan bahasa pemrograman PHP. Algoritme pembuatan
pola kolaborasi dapat dilihat pada kode berikut:
var q_peneliti, q_penelitian, q_coAuthor;
Array peneliti, penelitian, coAuthor, subjek;
q_peneliti = query(SELECT, nama_peneliti);
foreach q_peneliti as peneliti {
q_penelitian = query(SELECT, penelitian(peneliti));
foreach q_penelitian as penelitian {
q_coAuthor = query(SELECT,Peneliti1,...,Peneliti9, subjek(penelitian))
foreach q_coAuthor as coAuthor {
if((coAuthor!=NULL) and (coAuthor!=peneliti))
{
query(INSERT, (peneliti, coAuthor, penelitian, subjek));
}
}
}
}

Visualization Abstraction
Pada tahap ini diperoleh tabel kolaborasi antarpeneliti. Hasilnya dapat
dilihat pada Tabel 4. Tabel ini berisi pola keterhubungan antarpeneliti dengan
nomor penelitian dan subjek penelitian. Berdasarkan tabel tersebut dapat

12
diperoleh jumlah kolaborasi antarpeneliti dengan cara melakukan kueri SELECT
peneliti_1,peneliti_2,COUNT (nomor_penelitian) FROM kolaborasi GROUP BY

Jumlah kolaborasi terbanyak dimiliki oleh peneliti “fg
winarno” dengan “dedi fardiaz”, “maman duldjaman” dengan “nana sugana”, dan
“fg winarno” dengan “srikandi fardiaz” yaitu sebesar 6 kali kolaborasi.

peneliti_1,peneliti_2.

Tabel 4 Contoh tabel kolaborasi peneliti berserta nomor penelitian dan subjek
penelitian
Peneliti 1

Peneliti 2

Nomor Penelitian

fg winarno
fg winarno

dedi fardiaz

70

Subjek
Chemistry

m sjachri [e]

70

Chemistry

fg winarno

r ansori [e]

70

Chemistry

fg winarno

dedi fardiaz

550

Water

fg winarno

dedi fardiaz

551

Water

Visualization Mapping Transformation
Berdasarkan data yang diperoleh, dapat dibentuk visualisasi untuk
memodelkan jumlah penelitian seorang peneliti, tingkat kolaborasi antarpeneliti,
dan domain peneliti. Berdasarkan Mackinlay’s guidance, data kualitatif dapat
direpresentasikan dengan menggunakan posisi, panjang, sudut, kemiringan, area,
volume, kepadatan, dan bentuk (Spence 2001). Jumlah penelitian dan tingkat
kolaborasi merupakan variabel bertipe kuantitatif. Dalam penelitian ini, jumlah
penelitian direpresentasikan dengan area node, sedangkan tingkat kolaborasi
direpresentasikan dengan area edge. Data kategorikal dapat direpresentasikan
dengan menggunakan posisi, corak warna, tekstur, hubungan, perbatasan,
kepadatan, kecerahan warna, bentuk, panjang, sudut, kemiringan, area, dan
volume (Spence 2001). Domain peneliti merupakan variabel bertipe kategorikal,
sehingga dalam penelitian ini domain peneliti akan dimodelkan dengan
menggunakan corak warna.
Sebuah relasi antara 2 atau lebih entitas dapat direpresentasikan dalam
berbagai cara, salah satunya ialah dengan menggunakan sebuah garis lurus
(Spence 2001). Kolaborasi antarpeneliti dimodelkan dengan sebuah garis lurus
yang menghubungkan seorang peneliti dengan peneliti lainnya yang pernah
terlibat dalam sebuah karya, sehingga dapat dikatakan garis penghubung
antarpeneliti adalah sebuah judul karya. Metode visualisasi yang cocok untuk
diterapkan dengan karakteristik tersebut ialah Sociogram. Node pada Sociogram
digunakan untuk merepresentasikan individu, sedangkan edge digunakan untuk
merepresentasikan relasi antarindividu.
Visualisasi kolaborasi peneliti akan ditampilkan setelah pengguna
memasukkan kata kunci pencarian berupa nama peneliti. Pengguna akan diberikan
pilihan nama-nama peneliti yang relevan dengan setiap kombinasi karakter yang
diketik di kotak pencarian. Pengguna hanya dapat melakukan pencarian
berdasarkan nama peneliti. Selanjutnya, pengguna diminta memilih level
visualisasi yang akan ditampilkan.

13
Pembatasan level visualisasi kolaborasi peneliti dirasa perlu untuk
dilakukan. Hal tersebut diperlukan karena jika seluruh node ditampilkan pada saat
bersamaan, bentuk visual yang ditampilkan akan menjadi sangat rumit dan sulit
untuk dilihat keterhubungannya seperti terlihat pada Gambar 6. Selain itu, waktu
komputasi yang dibutuhkan untuk menghasilkan graf tersebut juga relatif lama.
Oleh sebab itu, pembatasan level saat menampilkan graf hasil visualisasi perlu
untuk dilakukan.
Terdapat beberapa pilihan susunan Sociogram, di antaranya melingkar,
radial, kelompok, bebas, dan bertingkat (Huang et al. 2006). Pemilihan susunan
dilakukan berdasarkan karakteristik keterhubungan dan kebutuhan visualisasi.
Susunan radial dipilih dalam penelitian ini karena dibutuhkan adanya leveling
pada visualisasi yang akan dibentuk. Pada penelitian yang dilakukan oleh Huang
et al. (2006), diperoleh sebuah fakta yang menyatakan bahwa node yang paling
penting sebaiknya diletakkan di bagian tengah. Hal tersebut dijadikan dasar pada
peletakan node yang merupakan terget pencarian.
Visualisasi tersebut dibatasi hingga 3 level keterhubungan saja. Hal tersebut
dilakukan karena ketika terdapat seorang peneliti yang sering melakukan
kolaborasi, bentuk visualisasi pada level ketiga dianggap sudah cukup rumit dan
dirasa tidak memungkinkan untuk menambahkan tingkatan level dengan alasan
waktu komputasi dan kerumitan visualisasi. Level visual yang ditampilkan dapat
dikostumisasi sesuai dengan kebutuhan pengguna. Pilihan level yang tersedia
ialah 1 level, 2 level, dan 3 level.
Perbedaan warna dapat diidentifikasi tanpa membutuhkan perhatian khusus
seperti terlihat pada Gambar 7 (Spence 2001). Berdasarkan Kuno (2004), kerja
tim dapat disimbolkan dengan 3 warna dasar yang merepresentasikan kepercayaan
yang dibutuhkan dalam sebuah kerja tim. Warna tersebut ialah Fellow Blue, Gut
Green, dan Team Spirit. Warna tersebut dapat dilihat pada Tabel 5.
Peneliti IPB dimodelkan dengan sebuah node berwarna Fellow Blue,
peneliti eksternal dimodelkan dengan sebuah node berwarna Gut Green,
sedangkan node subjek dimodelkan dengan warna hitam RGB(0,0,0). Pembedaan
warna untuk peneliti IPB dan peneliti eksternal IPB dilakukan untuk memudahkan
pengguna dalam melihat domain peneliti. Relasi antarpeneliti disimbolkan dengan
sebuah edge dengan warna Team Spirit, sedangkan relasi antara peneliti dan
subjek penelitian diberikan warna kuning RGB(255, 164, 35).

Gambar 6 Visualisasi peneliti tanpa leveling

14

Gambar 7 Perbedaan warna dapat
diidentifikasi
dengan
mudah
Tabel 5 Warna yang merepresentasikan kerja tim (Kuno 2004)
Bentuk

Nama

RGB
B

R

G

Heksadesimal

Fellow Blue

61

100

169

3d64a9

Gut Green

42

107

67

2a6b43

Team Spirit

217

49

42

d9312a

Diameter node yang terbentuk pada visualisasi berbanding lurus dengan
jumlah penelitian yang dilakukan oleh setiap peneliti. Semakin banyak penelitian
yang dilakukan oleh seorang peneliti, maka ukuran node-nya akan semakin besar.
Diameter node diperoleh dari hasil penjumlahan 10 dengan jumlah penelitian
dengan satuan piksel. Operasi penjumlahan digunakan untuk mengakomodasi
peneliti yang hanya melakukan 1 kali penelitian. Jika operasi penjumlahan
dihilangkan, maka node peneliti yang hanya melakukan 1 kali penelitian akan
sulit untuk dilihat karena ukurannya menjadi 1 piksel.
Pada visualisasi kolaborasi peneliti, ukuran edge berbanding lurus dengan
jumlah kolaborasi yang dilakukan oleh 2 orang peneliti yang dihubungkan oleh
edge tersebut. Untuk visualisasi keterhubungan antara subjek penelitian dan
peneliti, ukuran edge berbanding lurus terhadap jumlah penelitian dengan subjek
tersebut. Semakin banyak kolaborasi yang dilakukan, maka lebar edge-nya akan
semakin besar. Lebar edge diperoleh dari hasil penjumlahan 10 dengan jumlah
kolaborasi dengan satuan piksel.
Angka 10 pada operasi penjumlahan ukuran node dan edge ditetapkan untuk
mengakomodir pengguna dengan layar beresolusi kecil. Angka tersebut ditetapkan
sebagai operan karena penguji cukup merasa nyaman dan mudah melihat
visualisasi yang ditampilkan pada saat pengujian.
Setelah model data berhasil divisualisasikan, ditambahkan fungsi zooming
dan panning untuk memudahkan pengguna dalam berinteraksi dengan visualisasi
yang dihasilkan. Zooming adalah peningkatan perbesaran secara halus dan
berkesinambungan dari penurunan bagian pada gambar dua dimensi karena
keterbatasan bidang gambar yang memiliki ukuran konstan, sedangkan panning
adalah pergerakan yang halus dan kontinyu dari bidang gambar pada gambar dua
dimensi (Spence 2001). Pengguna dapat melakukan aksi zoom-in hingga sebuah

15
node memenuhi area visualisasi, sedangkan aksi zoom-out dapat dilakukan hingga
seluruh visualisasi yang disajikan menjadi sebuah titik. Aksi panning dapat
dilakukan hingga tidak terdapat edge atau node pada area visualisasi.
View
Pada tahap ini, telah diperoleh sebuah visualisasi kolaborasi antarpeneliti
berbasis web. Halaman web dapat dilihat pada Gambar 8. Judul penelitian dan
subjek penelitian yang menghubungkan nama peneliti yang sedang menjadi target
pencarian dengan peneliti pada level di bawahnya dapat dilihat di sisi kanan
halaman web. Pengguna dapat melakukan aksi klik pada node yang akan
dijadikan fokus visualisasi. Foto peneliti akan ditampilkan ketika pengguna
meletakkan kursor di atas node peneliti. Pengguna juga dapat melakukan aksi klik
pada subjek penelitian untuk melihat pola kolaborasi peneliti pada subjek tersebut.
Selain itu, pengguna juga dapat mengunduh laporan penelitian seorang peneliti
yang menjadi fokus visualisasi (root) dengan format CSV. Pengguna dapat
mengunduh laporan tersebut dengan melakukan aksi klik pada tautan yang
terdapat di bagian kiri halaman web. Laporan penelitian yang dihasilkan dapat
dilihat pada Lampiran 2. Hasil visualisasi keterhubungan antarpeneliti dalam
sebuah subjek penelitian dapat dilihat pada Gambar 9.
Penelusuran kolaborasi peneliti dapat dilakukan dengan memilih opsi
researcher pada combo box, memberikan input nama peneliti pada kolom
pencarian, dan memilih tahun penelitian yang akan dilakukan. Selanjutnya
pengguna diharuskan memilih level visualisasi dengan cara menekan salah satu
tombol level di sisi kanan kolom pencarian. Pengguna juga dapat melakukan
penelusuran subjek dengan memilih opsi subject pada combo box dan
memberikan input subjek penelitian pada kolom pencarian. Legenda visualisasi
juga dapat dihilangkan dengan melakukan aksi klik pada check box ‘Display
Legend’. Hasilnya dapat dilihat pada Gambar 10.

Gambar 8 Halaman web visualisasi peneliti

16

Gambar 9 Visualisasi pola keterhubungan antar peneliti dalam sebuah
subjek penelitian
Pengguna dapat melakukan aksi scroll up pada bidang visualisasi untuk
melakukan fungsi zoom in. Sebaliknya, pengguna dapat melakukan aksi scroll
down pada bidang visualisasi untuk melakukan fungsi zoom out. Untuk
melakukan fungsi panning pengguna dapat melakukan dragging pada area
berwarna hitam. Selain kedua fungsi tersebut, pengguna juga dapat melakukan
pemindahan posisi node. Proses pemindahan dapat dilakukan dengan melakukan
dragging pada node yang akan dipindahkan.

Pengujian Sistem
Berdasarkan hasil pengujian sistem pada Lampiran 3, waktu rata-rata yang
dibutuhkan pengguna untuk menyelesaikan tugas yang diberikan ialah 3.39 detik.
Berdasarkan hasil pengujian sistem pada Lampiran 4, secara umum sistem ini
dapat dikatakan telah cukup baik dengan nilai rata-rata 0.4. Beberapa
permasalahan yang perlu diperhatikan ialah aesthetic and minimalist design (1),
help users recognize, diagnose, and recover from errors (1), dan help and
documentation (2). Dari ketiga permasalahan tersebut, hal yang perlu diperbaiki

Gambar 10 Visualisasi tanpa legenda

17
ialah help and documentation karena penguji memberikan nilai 2, sedangkan
aesthetic and minimalist design dan help users recognize, diagnose, and recover
from errors diberikan nilai 1. Oleh karena itu, ditambahkan help button di sisi kiri
atas halaman web.

SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, diperoleh model visualisasi
kolaborasi peneliti dalam domain IPB dan peneliti lintas instansi dengan
menggunakan corak warna. Peneliti IPB divisualisasikan dengan menggunakan
warna Fellow Blue, sedangkan peneliti lintas instansi divisualisasikan dengan
warna Gut Green. Kolaborasi peneliti dalam sebuah subjek penelitian
divisualisasikan dengan menggunakan sebuah edge berwarna Team Spirit,
sedangkan keterhubungan antara peneliti dengan sebuah subjek penelitian
divisualisasikan dengan menggunakan sebuah edge berwarna kuning. Hubungan
kedekatan antarpeneliti dan subjek divisualisasikan dengan menggunakan ukuran
edge, sedangkan jumlah penelitian yang dilakukan oleh setiap peneliti
divisualisasikan dengan menggunakan ukuran node.

Saran
Dalam penelitian ini, belum dapat menampilkan seluruh foto peneliti. Selain
itu, pada aplikasi yang dibuat dalam penelitian ini juga tidak dapat mengunduh
karya yang divisualisasikan. Pada penelitian selanjutnya diharapkan dapat
menampilkan seluruh foto peneliti yang terdapat pada visualisasi serta dapat
ditambahkan fungsi unduh dokumen.

DAFTAR PUSTAKA
Arikunto S. 2006. Prosedur Penelitian Suatu Pendekatan Praktek. Jakarta(ID):
Rineka Cipta.
Chi EH. 1999. A framework for information visualization spreadsheets [disertasi].
Minnesota (US): University of Minnesota.
Galitz WO. 2007. The Essential Guide to User Interface Design: An Introduction
to GUI Design Principles and Techniques. Indianapolis (US): Wiley
Publishing, Inc.
Grinstein GG, Warad MO. 2002. Invormation Visualization in Data Mining and
Knowledge Discovery. San Diego (US): Academic Press.
Kuno N. 2005. Tasteful Color Combination. Tokyo (JP): Page One.
Mustafa B. 2005. WINISIS: Software Tepat Guna untuk Pengelolaan
Perpustakaan, Dokumentasi, dan Informasi. Bogor (ID): IPB Press.

18
Nielsen J. 1995. 10 Usability Heuristics for User Interface Design. [diakses 2013
Mei 28]. Tersedia pada: http://www.nngroup.com/articles/ten-usabilityheuristics/.
Spence R. 2007. Invormation Visualization Design for Interaction. Essex (UK):
Pearson Education Limited.

19
Lampiran 1 Daftar atribut koleksi IPBana tahun 1965-2008
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

Nama Atribut
ISBN
Nomor Kendali Setempat
Kode bahasa
Nomor Panggil UDC
Nomor Panggil Setempat
Entri Utama Nama Orang
Ent. Utama Badan korporasi
Ent. Utama Nama Pert.
Judul
Judul Majalah/prosiding
Edisi
Impresum
Deskripsi Fisik
Seri
Catatan Umum
Catatan Karya
Catatan Bibliografi
Catatan Ringkasan
Ent. Tambahan Subyek
Kata Kunci
Ent. Tamb. Nama Orang
Ent. Tamb. Badan Korp.
Ent. Nama Pertemuan
Ent. Tamb. Orang
Badan Pemilik
Tanggal
Sumber perolehan
Banyak Eksemplar
Kode Operator
008/35-37 Bahasa
Jenis Koleksi
Jenis Karya
No. Induk

Sub-field
a
a
abh
a
lab
aq
ab
abc
ab
ab
abc
abce
anvx
tabc
a
a
axyz
a
a
ab
andc
a
abc
a

Nomor Atribut
20
35
41
80
99
100
110
111
245
246
250
260
300
440
500
502
504
520
650
695
700
710
711
759
850
980
984
985
986
990
991
998
999

20
Lampiran 2 Contoh laporan penelitian “fg winarno” tahun 1973-1994
Judul

P_1

P_2

P_3

Mempelajari
pengaruh
pendingin dan
pengemasan
terhadap daya
simpan jambu
bol (syzygium
malacceusis
(L.) Merr
Perry)

liesbetini
haditjaroko

fg winarno

muslihah
marcoes
[E]

Kimia organik
II

fg winarno

dedi fardiaz

m
sjachri
[E]

fg winarno

dedi fardiaz

fg winarno

Air untuk
industri
pangan
Extraksi,
khromatografi
dan
elektrophoresis
Spektroskopi
Pigment dalam
pengolahan
pangan
Penuntun
Praktikum
Teknologi
pangan
Biofermentasi
dan biosintesa
protein
Pengantar
teknology
pangan
Agricultural
products and
marketing
system in
Bogor area
Fisiologi lepas
panen
Pengantar
teknologi
pangan
Bahan
tambahan
untuk
makanan dan
kontaminan
Bahan
tambahan
untuk
makanan dan
kontaminan

Subjek

Tahun

42

0

Chemistry

1973

s fardiaz
[E]

Water

1973

dedi fardiaz

srikandi
fardiaz
[E]

Chemistry

1973

fg winarno

dedi fardiaz

srikandi
fardiaz
[E]

Analytical
chemstry

1973

fg winarno

sri laksmi
[E]

Pigments

1973

fg winarno

srikandi
fardiaz [E]

Food
technology

1974

fg winarno

srikandi
fardiaz [E]

Biosynthesis

1979

fg winarno

srikandi
fardiaz [E]

dedi
fardiaz

Technology

1980

fg winarno

soesarsono
wijandi

irlan
soejono
[E]

Management

1980

fg winarno

moehammad
aman [E]

Agricultural
operation

1981

fg winarno

srikandi
fardiaz [E]

Food
technology

1990

fg winarno

titi
sulistyowati
rahayu [E]

Food additif

1994

fg winarno

titi
sulistyowati
rahayu [E]

Food additif

1994

dedi
fardiaz

P_4

r
ansori
[E]

P_5

P_6

P_7

P_8

P_9

21
Lampiran 3 Hasil pengujian sistem berdasarkan skenario pengujian
No
1
2

3
4

5
6
7
8
9

10

11

12

13

Tugas
Lakukan pencarian untuk nama peneliti ‘dodi
nandika’ pada tingkat kedalaman 1 level.
Lakukan penelusuran visualisasi kolaborasi
peneliti ‘simon taka nuhamara’ pada visualisasi
yang dihasilkan oleh tahap sebelumnya dengan
melakukan clicking pada nama tersebut.
Tingkatkan kedalaman visualisasi menjadi 2
level untuk peneliti ‘simon taka nuhamara’.
Lakukan aksi zoom out dan zoom in dengan
melakukan mouse scrolling pada area
visualisasi.
Geser graf tersebut dengan melakukan aksi drag
pada area visualisasi selain node peneliti.
Geser node peneliti dengan melakukan aksi drag
pada node peneliti.
Tingkatkan kedalaman visualisasi menjadi 3
level untuk peneliti ‘simon taka nuhamara’.
Lakukan aksi zoom out sebanyak 3 kali scroll.
Hilangkan nama peneliti pada node visualiasi
dengan menghilangkan centang pada check box
‘Display Researcher Name’ (Klik).
Munculkan nama peneliti pada node visualiasi
denga mencentang check box ‘Display
Researcher Name’ (Klik).
Lihat judul penelitian yang pernah dilakukan
oleh peneliti ‘simon taka nuhamara’ dan
‘soetrisno hadi’ dengan melakukan aksi klik
pada nama ‘soetrisno hadi’ di sisi kanan
visualisasi.
Lihat judul penelitian yang pernah dilakukan
oleh peneliti ‘simon taka nuhamara’ dan ‘dodi
nandika’ dengan melakukan aksi klik pada nama
‘dodi nandika’ di sisi kanan visualisasi.
Lakukan pencarian untuk nama peneliti ‘bimo
setyawan’ pada tingkat kedalaman 1 level.

Hasil
(√ / ×)

Komentar Waktu
(detik)
Singkat

√

OK

2,3

√

OK

6,5

√

Lambat

1,7

√

Mantap

5,3

√

Ok Sip

4,1

√

Bisa

5,3

√

Lambat

6,2

√

OK

1,7

√

OK

1,1

√

OK

1,1

√

OK
mudah

4,2

√

OK ada

2,2

√

OK

2,4

Rata-rata waktu yang dibutuhkan umtuk menyelesaikan tugas

3,39

22
Lampiran 4 Hasil heuristic evaluation pengujian sistem
No
1

2

3

4

5

6

7

8

9

10

Pokok Penilaian
Visibility of system status
Sistem telah dapat memberikan informasi
kepada pengguna mengenai apa yang sedang
berlangsung dan dapat memberikan feedback
dengan waktu yang logis .
Match between system and the real world
Komponen ini meliputi kesesuaian dengan dunia
nyata seperti penggunaan angka decimal yang
tepat, pemilihan icon yang sesuai, dan
sebagainya.
User control and freedom
Memudahkan pengguna untuk mengoreksi
ketika pengguna membuat kesalahan.
Consistency and standards
Terdapat konsistensi penggunaan istilah/kata
serta situasi pada sistem sesuai dengan standar
website.
Error prevention
Sistem dapat menampilkan pesan error ketika
pengguna melakukan kesalahan.
Recognition rather than recall
Pengguna tidak diharuskan mengingat dalam
waktu lama mengenai informasi yang telah
diberikan pada sebuah state sebelumnya. Selain
itu, terdapat instruksi yang cukup jelas untuk
menggunakan sistem.
Flexibility and efficiency of use
Sistem dapat digunakan oleh pengguna ahli dan
pemula.
Aesthetic and minimalist design
Dialog tidak berisi informasi yang tidak relevan
atau jarang dibutuhkan.
Help users recognize, diagnose, and recover
from errors
Pesan error ditampilkan dalam bahasa sederhana
(bukan code), menunjukan permasalahan dengan
tepat, dan menyarankan sebuah solusi.
Help and documentation
Terdapat menu bantuan dan setiap informasi
harus dapat ditelusuri dengan mudah, berfokus
kepada tugas pengguna, berisi deretan langkah
untuk dilakukan, dan tidak terlalu panjang.

Nilai*

Komentar

0

Header diganti
dengan warna cerah

0

OK, tidak ada
masalah

0

Mudah

0

OK, sesuai standar

0

OK, sudah tampil

0

OK, mantap

0

OK, bisa dipakai
lancar

1

Cukup menarik

1

Ok

2

Penting ini
dimunculkan

* : 0 Jika tidak terdapat masalah,
1 Jika terdapat masalah namun tidak terlalu penting untuk diperbaiki,
2 Jika terdapat masalah dan harus diperbaiki dengan prioritas rendah,
3 Jika terdapat masalah dan harus di