Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini menganalisis tesis mahasiswa Program Studi Magister Ilmu Perpustakaan Fakultas Ilmu Pengetahuan Budaya Universitas Indonesia (FIB UI) pada tahun 2018–2022 dengan menggunakan metode bibliometrik. Tujuan dari penelitian ini adalah untuk mengetahui tren penelitian dan kajian bibliometrik pada tesis mahasiswa Program Studi Magister Ilmu Perpustakaan FIB UI yang ditulis pada tahun 2018–2022. Penelitian ini menggunakan pendekatan kuantitatif dengan metode bibliometrik. Tesis yang dianalisis pada penelitian ini, yaitu sebanyak 73 tesis. Komponen tesis yang dianalisis pada penelitian ini adalah subjek atau topik tesis, dosen pembimbing, metode penelitian dan teori yang digunakan, serta pembahasan dari tesis. Hasil dari penelitian ini menunjukkan bahwa topik yang menjadi tren pada penelitian tesis adalah manajemen dalam bidang Ilmu Perpustakaan dan juga pembahasan mengenai perilaku pengguna. Kemudian, hasil kajian bibliometrik yaitu dosen pembimbing yang paling banyak membimbing adalah Dr. Laksmi, S.S., M.A., dengan metode penelitian yang paling banyak digunakan yaitu metode kualitatif, serta kajian teori yang paling banyak digunakan adalah teori model SECI (Socialization, Externalization, Combination, dan Internalization) milik Nonnaka dan Takeuchi (1995) yang ditemukan dalam lima tesis mahasiswa dengan subjek Ekonomi dan Manajemen dalam Industri Informasi. Temuan penelitian yang menarik adalah jumlah topik penetitian tesis yang beragam dengan penggunaan teori yang juga beragam. Hal ini menunjukkan disiplin ilmu perpustakaan merupakan merupakan ilmu yang interdisiplin. ......This study analyzes masters theses from the Library Science major at Universitas Indonesia from 2018 to 2022 using the bibliometrics method. The purpose of this study is to find the trends and the bibliometric analysis of the masters theses. This study uses a quantitative approach with the bibliometrics method. The number of master theses being analysed in this study is 73 theses. Components that are being analyzed in this study are the subjects in the theses, the supervising lecturers, the methods, and theories that they used in the theses. The results of this study indicate that the topic that is becoming a trend in theses research is management in the field of Library Science and user behaviour. And then, the results of the bibliometric study showed that the most active supervising lecturer was Dr. Laksmi, S.S., M.A., the most widely used research method was the qualitative method, and also the most widely used theoretical study was the SECI model (Socialization, Externalization, Combination, and Internationalization) written by Nonnaka and Takeuchi in 1995, this theory was found in five theses with Economics and Management in Information Industry as a subject.

Abstrak :
Tren adalah suatu pola yang berulang, sementara analisis tren merupakan praktik pengumpulan dan analisis data dalam upaya untuk menemukan pola tersebut. Analisis tren adalah suatu metode untuk memproyeksikan kondisi masa depan berdasarkan data masa lalu hingga saat ini. Tinjauan literatur sistematis, bibliometrik, dan topic modeling adalah beberapa contoh pendekatan yang sering dipakai untuk menangkap fenomena perkembangan tren sains dan teknologi. Penelitian ini bertujuan untuk melakukan pengujian dan implementasi algoritma deteksi topik berbasis clustering yang dikombinasikan dengan analisis kualitatif dalam pendeteksian tren topik untuk mendapatkan gambaran yang menyeluruh mengenai konsep, struktur ilmiah, topik utama, dan perkembangan bidang teknologi big data dan smart sustainable city. Analisis topik dilakukan terhadap kumpulan data bibliografi publikasi ilmiah terkait kedua bidang tersebut yang didapat dari basis data Scopus dan CORE. Pengujian terhadap kinerja algoritma Deep-autoencoder based Fuzzy C-Means (DFCM) untuk deteksi topik dari corpus dokumen publikasi ilmiah menunjukkan bahwa algoritma DFCM menunjukkan kinerja yang baik serta dapat mengungguli kinerja algoritma-algoritma standar yang banyak dipakai untuk pendeteksian topik seperti Non-negatif Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) pada corpus dengan ukuran besar. Analisis hasil clustering terhadap data publikasi ilmiah memberikan gambaran perkembangan dan topik-topik yang menjadi “highlight” dalam periode tertentu, mencari research gap dan mengetahui karakteristik penelitian, serta memprediksi topik penelitian apa saja yang menjanjikan di masa depan. ......A trend is a recurring pattern, while trend analysis is the practice of collecting and analyzing data to find that pattern. Trend analysis is a method for projecting future conditions based on past to present data. Systematic literature review, bibliometrics, and topic modeling are examples of approaches that are often used to capture the phenomenon of the development of science and technology trends. This study examined and implemented clustering-based topic detection algorithms, combined with qualitative analysis, to comprehensively picture the concept, scientific structure, main topics, and developments in big data technology and smart and sustainable city. The topic analysis is performed on collecting bibliographic data from scientific publications related to these two fields obtained from the Scopus and CORE database. In this research, the deep-autoencoder based on the Fuzzy C-Means (DFCM) algorithm's performance for topic detection from the corpus of scientific publication documents was examined. Based on the experiment's results, it can be concluded that the DFCM algorithm shows good performance and can outperform standard algorithms that are widely used for topic detection, such as Non-negative Matrix Factorization (NMF) and Latent Dirichlet Allocation (LDA) on topic detection tasks in huge corpus text. The clustering results analysis on scientific publication data provides an overview of research topics and developments that become "highlights" in a certain period, discover research gaps and characteristics, and predict what research topics are promising in the future.