Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDokumen ilmiah memuat ilmu pengetahuan yang dihasilkan dari penelitian. Dokumen-dokumen ini saling terhubung apabila terdapat hubungan antara penelitian yang satu dengan yang lain. Bidang ilmu pengetahuan merupakan bagian penting dalam menganalisis perkembangan ilmu pengetahuan. Domain kajian suatu bidang ilmu pengetahuan dapat dilihat dengan bantuan alat visualisasi. Salah satu bentuk visualisasi adalah pemetaan ilmu. Penelitian ini bertujuan untuk mendapatkan informasi tentang gambaran peta penelitian publikasi internasional Fakultas Teknik UI selama 6 tahun terakhir Januari 2010 ndash; Oktober 2016 yang terindeks Scopus. Pemetaan dilakukan dengan membangun jaringan hubungan antar artikel. Metode pendekatan analisis co-word dilakukan pada subjek penelitian kata kunci atau deskriptor . Data yang diolah diambil dari atribut author keyword dan index keyword publikasi internasional. Berdasarkan kemunculan co-occurence dari pasangan kata, analisis co-word menggambarkan tema penelitian dan menunjukkan hubungan antar tema dari konten berupa teks. Hasil dari penelitian ini adalah pemetaan dan klaster tema publikasi FT UI dan setiap departemen FT UI. Klaster tema publikasi FT UI didominasi oleh tema dari Departemen Teknik Elektro, Teknik Mesin, dan Teknik Metalurgi.

---

ABSTRACTScientific document contains knowledge generated from the research. These documents are connected if there is a link between each research. Science field is an important part in analyzing the development of science. Domain study of a field of science can be seen with the aid of visualization tools. One form of visualization is science mapping. The aim of this research is to achieve up to date information on the map of six years January 2010 ndash October 2016 international publication conducted by the researchers from Fakultas Teknik UI that are indexed by Scopus database. Science mapping is conducted by construct networks of links between articles. Method of co word analysis approach on subjects keywords or descriptor was implemented. Tabulation of data are extracted from the author keyword and index keyword of documents. Based on the co occurrence of pairs of words, co word analysis seeks to extract the themes of science and detect the linkages among these themes directly from the subject content of texts. The results of this study shows the theme map dan clusters in FT UI and each department of FT UI. Publication themes of FT UI are dominated by the theme from Department of Electrical Engineering, Mechanical Engineering, and Metallurgical Engineering."

"Ulasan hotel online di era modern ini memiliki peran besar mengingat hotel merupakan faktor penentu daya saing sebuah daerah wisata, namun pemanfaatannya masih jarang ditemukan. Berkaitan dengan rencana pemerintah untuk meningkatkan kunjungan wisatawan ke Indonesia, penelitian ini mengaplikasikan text mining terhadap ulasan hotel online untuk menemukan pengetahuan yang bermanfaat dalam membangun sektor perhotelan sebagai bagian integral dalam industri pariwisata. Teknik klasifikasi teks digunakan untuk mendapatkan informasi sentimen yang terkandung dalam kalimat ulasan melalui analisis sentimen, serta teknik klasterisasi pada text summarization untuk menemukan kalimat representatif yang mampu menggambarkan keseluruhan isi ulasan. Percobaan dengan ulasan hotel di Labuan Bajo, Lombok, dan Bali menghasilkan luaran yang memuaskan, di mana akurasi model penggolong klasifikasi sebesar 78 dan Davies-Bouldin Index DBI sebesar 0.071 untuk proses klasterisasi. Luaran penelitian ini diharapkan mampu menggambarkan kondisi hotel di daerah wisata unggulan Indonesia sehingga dapat berkontribusi dalam peningkatan kualitas sektor perhotelan sebagai penunjang industri pariwisata di Indonesia.

---

In this modern era, online hotel reviews have a big role considering the hotel is one the aspects in determining the competitiveness in the tourist area, but its implementation is still rare. Regarding the government 39 s plan to increase tourist arrivals to Indonesia, this research utilized text mining towards online hotel reviews to find useful knowledge in building the hospitality sector as an integral part of the tourism industry. Text classification technique was used to obtain sentiment information contained in review sentences through sentiment analysis, as well as clustering technique as a part of text summarization to find representative sentences that are able to describe the entire contents of the review. Experiments with hotel reviews in Labuan Bajo, Lombok and Bali generated surprising outcomes, where the accuracy of classification model reaches 78 and the Davies Bouldin Index DBI of clustering algorithm strikes 0.071. The output of this research is expected to be able to describe the condition of the hotel in tourist area based on the different level of tourism development so that it can contribute to improving the quality of the hotel industry as well as supporting the tourism industry in Indonesia."

"ABSTRAKPenelitian ini bertujuan untuk menganalisis unsur makro dan mikro dari sebuah teks yang berjudul IMAN (Vereinigung Acehnesischer Studenten in Deutschland) yang ada pada majalah NADI (Nachrichten für Alumni über Deutschland und Indonesien). Metode yang digunakan dalam penelitian ini adalah metode kualitatif dengan bentuk kajian pustaka. Teks ini akan dianalisis menggunakan teori dari Nord (2010) tentang sistematika analisis teks menggunakan skema W-Frage. Berdasarkan hasil penelitian, diketahui bahwa pada teks sumber ataupun teks sasaran terdapat semua unsur makro dan mikro. Di samping itu pada teks sasaran juga ditemukan kesalahan seperti kesalahan penulisan dan ketidaksesuaian kaidah bahasa sasaran.

---

ABSTRACTThis study aims to analyze micro and macro elements of a text with the title IMAN (Vereinigung Acehnesischer Studenten in Deutschland) in NADI (Nachrichten für Alumni über Deutschland und Indonesien) magazine. The method that used in this study is qualitative method with literature review. The text will be analyzed by using the theory of Nord (2010), about the systematics text analysis by using W-Frage scheme. Based on the result, it is known that both original text and the translation text have all the elements of micro and macro. Furthermore, several mistakes also found in writting and mismatch of translation."

"Kajian risiko bencana di Indonesia oleh BNPB menunjukkan jumlah jiwa terpapar risiko bencana tersebar di seluruh Indonesia dengan total potensi jiwa terpapar lebih dari 255 juta jiwa. Hasil kajian ini menunjukkan bahwa dampak bencana di Indonesia terbilang sangat tinggi. Sistem penanggulangan khususnya pada masa tanggap darurat menjadi hal yang krusial untuk dapat meminimalisir risiko. Namun, pemberian bantuan kepada korban bencana terkendala beberapa hal, antara lain keterlambatan dalam penyaluran, kurangnya informasi lokasi korban, dan distribusi bantuan yang tidak merata. Untuk memberikan informasi yang cepat dan tepat, BNPB telah membangun beberapa sistem informasi seperti DIBI, InAware, Geospasial, Petabencana.id dan InaRisk. Akan tetapi tidak secara realtime menampilkan wilayah terdampak bencana dengan memnunjukkan jenis kebutuhan bantuan apa yang dibutuhkan korban pada saat itu. Untuk memberikan solusi atas permasalah tersebut, penelitian ini membangun model yang mampu mengklasifikasikan data teks dari Twitter terkait bencana kedalam jenis bantuan yang diminta oleh korban bencana secara realtime. Selain itu visualisasi berupa dashboard dibangun dalam bentuk aplikasi berbasis peta untuk menampilkan lokasi korban yang terdampak. Penelitian ini mengunakan teknik text mining mengolah data Twitter dengan pendekatan metode klasifikasi multi label dan ekstraksi informasi lokasi menggunakan metode Stanford NER. Algoritme yang digunakan adalan Naive Bayes, Support Vector Machine, dan Logistic Regression dengan kombinasi metode tranformasi data multi label OneVsRest, Binary Relevance, Label Power-set, dan Classifier Chain. Representasi teks menggunakan N-Grams dengan pembobotan TF-IDF. Model terbaik untuk klasifikasi multi label pada penelitian ini adalah kombinasi Support Vector Machine dan Clasifier Chain dengan fitur UniGram+BiGram dengan nilai precision 82%, recall 70%, dan F1-score 75%. Stanford NER menghasilkan F1-score 83% untuk klasifikasi lokasi yang menjadi masukan untuk teknik geocoding. Hasil geocoding berupa informasi spasial ditampilkan dalam bentuk dashboard berbasis peta.

---

The study of disaster risk in Indonesia by BNPB shows the number of people exposed to disaster risk throughout Indonesia with a total potential life of 255 million people. The results of this study indicate that the impact of disasters in Indonesia is quite high. The response system, especially during the emergency response period, is crucial to be able to minimize risks. However, providing assistance to disaster victims is hampered by several things, including delays in providing assistance, lack of information on the location of victims, and uneven distribution of aid. To provide fast and accurate information, BNPB has built several information systems such as DIBI, InAware, Geospatial, Petabencana.id and InaRisk. However, it does not display the disaster area in real-time by showing what kind of assistance needs the victim needs at that time. To provide a solution to these problems, this study builds a model that is able to classify text data from Twitter related to the type of assistance requested by disaster victims in real-time. In addition, a dashboard is built in the form of a map-based application to display the location of the realized victim. This study uses text mining techniques to process Twitter data with a multi-label classification approach and location information extraction using the Stanford NER method. The algorithms used are Naive Bayes, Support Vector Machine, and Logistic Regression with a combination of OneVsRest, Binary Relevance, Power-set Label, and Classifier Chain. Text representation using N-Grams with TF-IDF weighting. The best model for multi-label classification in this study is a combination of Support Vector Machine and Classifier Chain with UniGram+BiGram features with 82% precision, 70% recall, and 75% F1-score. Stanford NER produces an F1-score of 83% for location classification which is the input for geocoding techniques. Geocoding results in the form of spatial information are displayed in a map-based dashboard."

"[ABSTRAKAplikasi Fajr merupakan aplikasi mobile yang memiliki konten islami denganfitur utama yaitu Fajr Cards. Namun, Fajr Cards belum mampu menarikperhatian pengguna dengan minimnya jumlah pengguna fitur ini. Fajr Cardssebagai fitur yang berbasiskan kepada konten dapat ditingkatkan denganmemberikan konten yang relevan dengan pengguna. Twitter sebagai media sosialmemiliki data real-time dan jumlah yang banyak sehingga dapat menjadi sumberdata aktual untuk dianalisa. Data Twitter dapat dianalisa dengan menggunakantext mining. Salah satunya yaitu text classification atau klasifikasi teks Tujuanpenelitian ini adalah untuk menentukan metode klasifikasi apa yang terbaik untuk klasifikasi tema konten Fajr Cards. Metodologi yang digunakan menggunakan tahapan preprocess Text Mining danpenggunaan metode Text Mining yaitu Text Classification. Hasil yang diharapkan adalah gambaran bagaimana data Twitter diproses untuk proses klasifikasi dan metode klasifikasi apa yang terbaik untuk klasifikasi tema konten Fajr Cards.

---

ABSTRACTFajr application is a mobile application that contains Islamic contents for moslem daily life. To get more users, the developers create a main feature called Fajr Cards. But, Fajr Cards has not been able to attract users. It is based on the minimum of users that using Fajr Cards. Fajr Cards as a feature based on contents can be improved by adding more content that have relevance value to users. Twitter as microblog social media have real time and a lot of data. Those data can be used as an actual source data for analyze. Text mining such as text classification will be used to analyze the data. The purpose of this research is to get what classification method that suited best for this classification. Methodology that used in this research is Text Mining including preprocess and Text Classification. The expected results is to know what classification method that suited best for Fajr Card?s theme classification.;Fajr application is a mobile application that contains Islamic contents for moslemdaily life. To get more users, the developers create a main feature called FajrCards. But, Fajr Cards has not been able to attract users. It is based on theminimum of users that using Fajr Cards. Fajr Cards as a feature based on contentscan be improved by adding more content that have relevance value to users.Twitter as microblog social media have real time and a lot of data. Those data canbe used as an actual source data for analyze. Text mining such as textclassification will be used to analyze the data. The purpose of this research is toget what classification method that suited best for this classification.Methodology that used in this research is Text Mining including preprocess andText Classification. The expected results is to know what classification method that suited best for Fajr Card?s theme classification.;Fajr application is a mobile application that contains Islamic contents for moslemdaily life. To get more users, the developers create a main feature called FajrCards. But, Fajr Cards has not been able to attract users. It is based on theminimum of users that using Fajr Cards. Fajr Cards as a feature based on contentscan be improved by adding more content that have relevance value to users.Twitter as microblog social media have real time and a lot of data. Those data canbe used as an actual source data for analyze. Text mining such as textclassification will be used to analyze the data. The purpose of this research is toget what classification method that suited best for this classification.Methodology that used in this research is Text Mining including preprocess andText Classification. The expected results is to know what classification method that suited best for Fajr Card?s theme classification., Fajr application is a mobile application that contains Islamic contents for moslemdaily life. To get more users, the developers create a main feature called FajrCards. But, Fajr Cards has not been able to attract users. It is based on theminimum of users that using Fajr Cards. Fajr Cards as a feature based on contentscan be improved by adding more content that have relevance value to users.Twitter as microblog social media have real time and a lot of data. Those data canbe used as an actual source data for analyze. Text mining such as textclassification will be used to analyze the data. The purpose of this research is toget what classification method that suited best for this classification.Methodology that used in this research is Text Mining including preprocess andText Classification. The expected results is to know what classification method that suited best for Fajr Card’s theme classification.]"

"ABSTRAK<>br>Dalam beberapa tahun terakhir, masalah pengukuran kredibilitas informasi di jaringan sosial mendapat perhatian yang cukup besar terutama di bawah situasi darurat. Hal itu merupakan konsekuensi dari membeludaknya informasi, terlebih ketika semua orang bebas berperan sebagai sumber informasi.Penelitian ini menyoroti buramnya dinding pembatas antara fakta dan hoax di Indonesia, sehingga hal itu menyebabkan banyaknya kasus penyebaran hoax di media. Jika dibiarkan hal tersebut dapat berdampak buruk bagi seorang pribadi ataupun organisasi yang diserang isu hoax. Survei yang dilakukan Intelligence Media Management IMM menyatakan terdapat peningkatan tajam di tahun 2016 dari 1572 menjadi 7311 pemberitaan media. Dan berdasarkan hasil survei yang dilakukan masyarakat telematika mastel Indonesia hampir dari seluruh responden 84,5 menyatakan terganggu dengan maraknya berita hoax yang dapat mengganggu kerukunan masyarakat dan menghambat pembangunan nasional.Menurut Menteri Komunikasi dan Informatika Rudiantara, langkah nyata yang bisa dilakukan adalah menyaring informasi menjadi lebih cepat dan tegas. Untuk itu diperlukan tindakan sehingga penyebaran hoax di media dapat diturunkan. Tujuan dilakukannya penelitian ini adalah untuk mengidentifikasi konten di media sosial merupakan suatu hoax atau tidak pada saat konten tersebut beredar. Metodologi yang digunakan di dalam penelitian ini dimulai dengan mengumpulkan tweets yang terindikasi hoax lalu dilakukan proses pengolahan data dengan membuat suatu model text mining yang dapat memprediksi suatu konten berpotensi hoax atau tidak.Hasil dari penelitian ini yaitu didapatkan sebuah model berbasis pembelajaran sendiri menggunakan algoritma LinearSVC dengan akurasi 91 yang dapat memprediksi apakah suatu tweet merupakan berpotensi hoax atau tidak sehingga membantu dalam menyaring suatu informasi yang diharapkan dapat mengurangi penyebaran hoax di Indonesia.

---

ABSTRACT<>br>In recent years, the problem of measuring the credibility of information on the social network received considerable attention, especially under emergency situations. This is the consequence of too many information, especially when everyone is free to act as a source of information.The study highlights the blurring of the dividing wall between fact and hoax in Indonesia, so it causes many cases of spread of hoaxes in the media. If left unchecked it can be bad for a person or organization that attacked the issue of hoaxes. Surveys conducted by Intelligence Media Management IMM said there is a sharp increase in 2016 from 1572 content into 7311 content spread in media. And based on the results of a survey conducted by telematics community Mastel Indonesia almost of all respondents 84.5 declared disturbed by the rise of the hoax news that could disturb social harmony and impede national development.According to the Minister of Communications and Information Rudiantara, concrete steps that can be done is to filter information faster and firmer. It required the action so that the spread of hoax in the media can be derived. The purpose of this research is to identify content in social media is a hoax or not when the content is spreading. The methodology used in this research begins with collecting tweets that indicated hoax and then performed data processing by creating a text mining model that can predict a potentially hoax content or not.The result of this research is a machine learning model using LinearSVC algorithm with 91 accuracy which can predict whether tweet potentially hoax or not, thus helping the filtering of information expected to reduce the spread of hoax in Indonesia."

"ABSTRAKPangan merupakan hak asasi manusia yang harus senantiasa terpenuhi oleh masyarakat dengan daya beli yang sesuai dan mempunyai kualitas pangan yang tinggi dan aman. Hal tersebut mendorong kedaulatan pangan suatu negara, yang secara mandiri memenuhi kebutuhan pangan masyarakatnya berdasarkan sistem pangan yang adil bagi seluruh masyarakat. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 yang mewajibkan adanya sistem informasi tentang pangan dan gizi dan teori evolusi e-government 3.0. Oleh karena itu salah satu solusi yang mendukung peraturan tersebut dan pendekatan e-government 3.0 adalah dengan pendekatan text mining. Penelitian ini mengolah data dari LAPOR! dan berita daring mengenai kedaulatan pangan untuk mengekstrak informasi dan menemukan pola-pola yang akan menghasilkan informasi tentang kedaulatan pangan di Indonesia sehingga dapat membantu pengambilan keputusan yang berdasar pada data melalui representasi visualisasi berbasis web. Jenis analisis informasi yang digunakan adalah Klasifikasi Dokumen untuk penyaringan dokumen, Named Entitiy Recognition yang digunakan untuk mengetahui entitas lokasi dan komoditas pangan dari data tekstual, dan Topic Modelling untuk menemukan topik dari sekumpulan teks dokumen berita dan aduan LAPOR!. Algoritma yang dipakai dalam penelitian ini adalah Conditional Random Fields dan Conditional Markov Model untuk implementasi Named Entity Recognition. Latent Dirichlet Allocation dan Non-Negative Matrix Factorization untuk implementasi Topic Modelling. Selain itu Naïve Bayes, Support Vector Machine, dan Logistic Regression digunakan untuk klasifikasi dokumen. Sedangkan pemilihan model ini menggunakan Conditional Random Field dengan nilai F1-score pada entitas lokasi sebesar 83.85 dan entitas komoditas pangan sebesar 90.98 yang digunakan pada data berita daring, pada data aduan LAPOR!, entitas lokasi menggunakan Conditional Markov Model dengan nilai F1-Score sebesar 60.35 dan entitas komoditas pangan sebesar 89.74. Pada klasfikasi dokumen, model Support Vector Machine dengan fitur unigram memiliki nilai presisi sebesar 92.00. Pada Topic Modelling, model Non-Negative Matrix Factorization memiliki nilai coherence yang lebih tinggi daripada Latent Direchlete Allocation pada tiga eksperimen dengan dataset yang berbeda. Di samping itu, dilakukan visualisasi tentang kedaulatan pangan berdasarkan pengolahan data tersebut di atas untuk memudahkan pengambilan kebijakan oleh pimpinan seperti Tim Ahli di Kantor Staf Presiden.

---

ABSTRACTFood is a human right that must always be fulfilled by the society with the appropriate purchasing power and high and safe food quality. This encourages food sovereignty of a country, which independently meets the food needs of its people based on a food system that is fair to the entire community. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 requires an information system on food and nutrition and the theory of e-government 3.0 evolution. Therefore, one solution that supports these regulations and the e-government 3.0 approach is the text mining approach. This research processes data from LAPOR! and online news on food sovereignty to extract information and find patterns that will produce information on food sovereignty in Indonesia so that it can assist decision-making based on data through web-based visualization representation. The type of information analysis used is Document Classification for document filtering, Named Entity Recognition which is used to find out location entities and food commodities from textual data, and Topic Modeling to find topics from a collection of text news documents and complaints LAPOR !. The algorithm used in this study is Conditional Random Fields and Conditional Markov Models for the implementation of Named Entity Recognition. Latent Dirichlet Allocation and Non-Negative Matrix Factorization for the implementation of Topic Modeling. In addition Naïve Bayes, Support Vector Machine, and Logistic Regression are used for document classification. Whereas the selection of this model uses Conditional Random Field with an F1-score value for location entities of 83.85 and a food commodity entity of 90.98 used in online news data. In the LAPOR! Complaint data, the location entity uses Conditional Markov Model with an F1-Score value of 60.35 and food commodity entities amounting to 89.74. In classifying documents, the Support Vector Machine model with unigram features has a precision value of 92.00. In Topic Modeling, the Non-Negative Matrix Factorization model has a higher coherence value than the Latent Direchlete Allocation in three experiments with different datasets. In addition, visualization of food sovereignty is based on the processing of the data above to facilitate policy making by leaders such as the Expert Team at the Kantor Staf Presiden.

"

"PT. Indosat Tbk adalah salah satu perusahaan yang berkembang pada industri telekomunikasi. Namun, PT. Indosat Tbk memiliki permasalahan mengenai customer satisfaction yang cenderung menurun dari tahun ke tahun. Data media sosial, terutama twitter, menawarkan data mengenai opini publik yang sangat padat. Namun data twitter yang masih bersifat unstructured diperlukan proses lebih lanjut untuk dapat menemukan dimensi-dimensi beserta sentimen masyarakat terhadap dimensi tersebut. Latent Dirichlet Allocation (LDA) dengan Generative Statistical modelnya memungkinkan suatu set data pengamatan dapat dijelaskan oleh kelompok yang tidak teramati. Penelitian ini menentukan 30 kelompok kata representatif dari hasil LDA. Hasilnya terdapat 18 dimensi yang paling banyak dibicarakan mengenai Indosat pada linimasa twitter. Dimensidimensi tersebut mewakili 14 dimensi yang sudah ditemukan pada penelitian-penelitian sebelumnya mengenai kepuasan pelanggan pada layanan telekomunikasi, bahkan dengan LDA mendapatkan dimensi lebih detail dan lebih real time. Masing-masing dokumen dalam dimensi tersebut diberi label sentimennya, dan ditentukan akurasinya menggunakan supervised classification, hasilnya adalah 72% akurasi dengan model Naive Bayes Classification. Mengabaikan sentimen netral, sentimen negatif Indosat masih lebih tinggi daripada sentimen positifnya, yaitu dengan 16% sentimen negatif. Persentase negatif tersebut masih didominasi dengan dimensi berkaitan dengan layanan Indosat. Sementara dominasi sentimen positif ada pada dimensi yang berhubungan dengan ketersediaan layanan untuk pengguna.

---

PT. Indosat Tbk is One of the companies developing in the telecommunications industry. However, PT. Indosat Tbk is very concerned about customer satisfaction which tends to decrease from year to year. Social media media, especially Twitter, offer data about public opinion that is very crowded. However, the twitter data that is still unstructured requires a further process to be able to find the dimensions and sentiments of the community towards that dimension. Latent Dirichlet Allocation (LDA) with the Generative Statistics model allows a monitoring data set to be accessed by unobserved groups. This study determines 30 groups of words that represent the results of the LDA. There are 18 dimensions that are most talked about about Indosat on the Twitter timeline. These dimensions represent the 14 dimensions found in previous studies of customer satisfaction in telecommunications services, even with LDA getting more detailed and more real-time dimensions. Each document in this dimension is labeled sentiment, and its accuracy is determined using a supervised classification, obtained 72% accuracy with the Naive Bayes Classification model. Ignoring the negative sentiment, Indosat's negative sentiment was still higher than the positive sentiment, namely with a 16% negative sentiment. The negative percentage is still a comparison with Indosat services. While the dominance of positive sentiment is in the dimensions associated with service support for users."

"Riset kolaborasi merupakan tren baru pada lingkup penelitian akademis saat ini. Para peneliti tidak lagi berperan sebagai penulis independen, melainkan setiap anggota tim menggabungkan pengetahuannya yang berbeda dan menciptakan integrasi untuk pengetahuan baru. Social Network Analysis SNA merupakan metode yang tepat untuk mengidentifikasi pola dan tren dari peneliti terkemuka serta lembaga institusinya. Data yang digunakan dalam penelitian adalah publikasi internasional yang dihasilkan oleh Fakultas Teknik Universitas Indonesia selama enam tahun terakhir 2010 ndash; September 2016 . Tujuan dari penelitian ini adalah untuk memberikan analisis centrality melalui identifikasi struktur jaringan sosial dari peneliti dan institusi.Hasil dari penelitian ini menunjukkan bahwa jaringan antar peneliti masih tersebar dan hanya sedikit departemen di Fakultas Teknik UI memiliki struktur jaringan yang baik. Oleh karena itu, hasil penelitian ini dapat digunakan sebagai evaluasi untuk meningkatkan kualitas riset di Fakultas Teknik, Universitas Indonesia.

---

Research collaboration is going concern in the hallmark of contemporary academic research. Researchers are no longer independent players, but members of team combine their different pieces of knowledge and allow integration for the creation of new knowledge. Social Network Analysis is a powerful tool to identify patterns and trends of leading researchers and institutions.

Data of international publication from Faculty of Engineering Universitas Indonesia during the last six years 2010 ndash September 2016 was used in this study to assess the social networks among researchers. The objective of this study is to provide centrality analysis that reveals the social structure of the networks by identifying researchers and their connections.

The output of this study showed that networks among researchers are still fragmented and slightly department at Faculty of Engineering UI has a good structureof authorship network. Therefore, the results of this study can be used as evaluation to improve the quality of research collaboration in Faculty of Engineering Universitas Indonesia."