Ketika membaca ratusan artikel tentang satu topik, Anda mungkin menyadari bahwa beberapa kata kunci hampir selalu muncul berdampingan. Sebaliknya, kata kunci lain jarang bertemu. Pola kemunculan bersama inilah yang menjadi dasar co-occurrence analysis, yaitu teknik untuk menghitung seberapa sering dua istilah muncul dalam dokumen yang sama, lalu menerjemahkannya menjadi peta hubungan antarkata kunci penelitian.
Teknik ini sangat berguna bagi peneliti yang ingin memahami struktur sebuah bidang tanpa membaca seluruh artikel satu per satu. Dari peta yang dihasilkan, Anda dapat melihat tema besar yang sedang berkembang dan topik yang saling terkait erat. Selain itu, Anda juga dapat menemukan area yang masih jarang dijamah dan berpotensi menjadi celah penelitian. Oleh karena itu, metode ini banyak dipakai dalam bibliometric analysis dan tinjauan literatur modern.
Artikel ini membahas co-occurrence analysis secara bertahap, mulai dari konsep dasar, cara kerja, hingga langkah praktis dengan perangkat lunak seperti VOSviewer dan Bibliometrix. Selanjutnya, pembahasan mencakup cara membaca klaster, peta overlay, dan peta tematik. Di bagian akhir, Anda akan menemukan contoh ilustrasi, kesalahan umum, tips praktis, dan rekomendasi penerapan bagi mahasiswa maupun peneliti.
Memahami Konsep Dasar Co-Occurrence Analysis
Secara sederhana, co-occurrence berarti kemunculan bersama. Dalam konteks penelitian, dua kata kunci dikatakan berkaitan apabila keduanya tercantum dalam artikel yang sama. Semakin sering pasangan kata kunci muncul bersama di banyak artikel, semakin kuat hubungan yang dianggap ada di antara keduanya. Setelah dihitung, hasilnya biasanya disusun dalam sebuah matriks, kemudian divisualkan sebagai jejaring.
Dalam jejaring tersebut, setiap kata kunci digambarkan sebagai simpul atau node, sedangkan hubungan antarkata kunci digambarkan sebagai garis atau link. Ukuran simpul umumnya menunjukkan seberapa sering kata kunci muncul. Sementara itu, ketebalan garis menunjukkan seberapa sering dua kata kunci muncul bersama. Akibatnya, kata kunci yang sering berdekatan akan tampil dalam satu kelompok dengan warna yang sama.
Teknik ini sering juga disebut co-word analysis. Gagasan dasarnya adalah bahwa kata yang dipilih penulis untuk mendeskripsikan karyanya mencerminkan konsep yang mereka bahas. Dengan menganalisis kata-kata tersebut secara kolektif, peneliti dapat menangkap struktur konseptual suatu bidang. Dengan kata lain, peneliti dapat melihat bagaimana ide-ide saling terhubung dan berkembang dari waktu ke waktu.
Baca Juga: 100+ Jurnal Terindeks Scopus Gratis Bidang Ilmu Lingkungan
Jenis Data yang Dapat Dianalisis
Objek yang paling sering dianalisis adalah kata kunci penulis atau author keywords, yaitu istilah yang dipilih langsung oleh penulis untuk mewakili artikelnya. Kelebihannya, kata kunci ini mencerminkan sudut pandang penulis dan biasanya sangat spesifik. Namun, penulisannya tidak seragam, misalnya satu konsep ditulis dengan beberapa variasi ejaan atau istilah.
Selain itu, ada kata kunci indeks atau index keywords yang ditambahkan oleh penyedia database berdasarkan isi artikel. Kata kunci ini cenderung lebih baku karena mengikuti kosakata terkontrol. Meski demikian, kata kunci indeks kadang kurang menggambarkan pilihan istilah penulis. Oleh sebab itu, banyak peneliti menggabungkan keduanya atau memilih salah satu sesuai tujuan, lalu menjelaskan alasannya dalam metode.
Co-occurrence analysis juga dapat diterapkan pada teks yang lebih panjang, seperti judul dan abstrak. Pada pendekatan ini, perangkat lunak mengekstrak istilah-istilah penting secara otomatis dari teks, lalu menghitung kemunculan bersamanya. Cara ini menangkap lebih banyak konsep. Akan tetapi, hasilnya biasanya lebih berisik sehingga memerlukan penyaringan yang lebih hati-hati.
Cara Kerja Perhitungan Co-Occurrence
Proses perhitungan dimulai dengan menyusun daftar kata kunci dari seluruh artikel yang dianalisis. Setelah itu, perangkat lunak menghitung berapa kali setiap kata kunci muncul dan berapa kali setiap pasangan kata kunci muncul dalam artikel yang sama. Hasilnya adalah matriks yang baris dan kolomnya berisi kata kunci, sedangkan isinya adalah jumlah kemunculan bersama.
Ada dua cara penghitungan yang umum. Pada full counting, setiap kemunculan bersama dihitung satu poin penuh. Sebaliknya, pada fractional counting, bobot kemunculan bersama dibagi sesuai jumlah kata kunci dalam artikel, sehingga artikel dengan banyak kata kunci tidak memberi pengaruh berlebihan. Karena pilihan ini memengaruhi tampilan peta, cara penghitungan sebaiknya ditulis jelas dalam laporan.
Agar hubungan antarkata kunci dapat dibandingkan secara adil, perangkat lunak biasanya melakukan normalisasi. Misalnya, VOSviewer menggunakan ukuran yang disebut association strength, yaitu perbandingan antara kemunculan bersama yang teramati dan yang diharapkan terjadi secara kebetulan. Dengan demikian, dua kata kunci yang jarang muncul tetapi hampir selalu bersama bisa dinilai berkaitan kuat. Di sisi lain, kata kunci yang sangat populer tidak otomatis mendominasi seluruh hubungan.
Mempersiapkan Data Sebelum Analisis
Kualitas peta sangat ditentukan oleh kualitas data awal. Pertama, tentukan database, susun string pencarian, lalu ekspor data yang memuat kolom kata kunci. Selain itu, pastikan format ekspor yang dipilih dapat dibaca oleh perangkat lunak analisis dan menyertakan kolom yang dibutuhkan, yaitu judul, abstrak, dan kata kunci.
Kedua, bersihkan kata kunci. Dalam praktik, banyak istilah bermakna sama yang ditulis berbeda, seperti bentuk tunggal dan jamak, singkatan dan kepanjangan, atau ejaan Inggris dan Amerika. Jika dibiarkan, satu konsep akan terpecah menjadi beberapa simpul. Akibatnya, frekuensinya tampak lebih kecil dan petanya menjadi berantakan.
Untuk mengatasinya, peneliti biasanya menyiapkan berkas tesaurus, yaitu daftar yang menyatukan variasi istilah menjadi satu bentuk baku. Selanjutnya, kata yang terlalu umum dan tidak informatif, seperti istilah yang sama dengan topik pencarian itu sendiri, sering dikeluarkan agar peta lebih bermakna. Terakhir, catat setiap keputusan penggabungan atau penghapusan agar proses dapat dipertanggungjawabkan.
Langkah Melakukan Co-Occurrence Analysis dengan VOSviewer
VOSviewer adalah perangkat lunak yang paling banyak dipakai untuk memvisualkan co-occurrence analysis karena antarmukanya sederhana dan hasilnya mudah dipahami. Secara umum, langkah kerjanya adalah sebagai berikut.
- Membuat peta baru, lalu memilih sumber data dari berkas hasil ekspor database.
- Memilih jenis analisis co-occurrence dan unit analisis berupa kata kunci penulis, kata kunci indeks, atau semuanya.
- Menentukan metode penghitungan, yaitu full counting atau fractional counting.
- Menetapkan ambang batas minimum kemunculan setiap kata kunci.
- Menyeleksi kata kunci yang akan ditampilkan dan menerapkan berkas tesaurus bila ada.
- Menjalankan analisis, lalu membaca hasilnya pada tampilan jejaring, overlay, dan kepadatan.
Dari keenam langkah tersebut, ambang batas minimum kemunculan menjadi keputusan yang paling berpengaruh. Jika ambang terlalu rendah, peta menjadi padat dan sulit dibaca. Sebaliknya, ambang yang terlalu tinggi membuang istilah yang mungkin penting. Oleh karena itu, peneliti mencoba beberapa nilai dan memilih yang menghasilkan peta paling informatif, lalu menjelaskan alasannya dalam metode.
Menggunakan Bibliometrix dan Biblioshiny untuk Analisis Konseptual
Selain VOSviewer, Bibliometrix yang berjalan di R dan antarmuka webnya, Biblioshiny, menyediakan analisis kata kunci yang lebih beragam. Di samping jejaring kemunculan bersama, perangkat ini dapat menghasilkan peta tematik, analisis evolusi tema dari waktu ke waktu, serta peta struktur konseptual yang mengelompokkan istilah berdasarkan kedekatan makna.
Keunggulan lain Bibliometrix adalah kemampuannya mengintegrasikan banyak jenis analisis dalam satu alur kerja yang dapat direproduksi. Peneliti dapat mengatur jumlah kata kunci, algoritma pengelompokan, dan ambang batas, lalu menyimpan skrip agar analisis dapat diulang oleh orang lain. Dengan demikian, hasil penelitian lebih transparan, dan hal ini sangat dihargai oleh reviewer jurnal.
Dalam praktiknya, banyak peneliti menggabungkan kedua perangkat ini. VOSviewer dipakai untuk visualisasi jejaring yang menarik dan mudah dibaca. Sementara itu, Bibliometrix dipakai untuk analisis tematik dan evolusi topik yang lebih mendalam. Oleh karena itu, kombinasi keduanya memberi gambaran yang lebih utuh daripada hanya satu perangkat.
Cara Membaca Hasil: Klaster, Overlay, dan Kepadatan
Hasil utama co-occurrence analysis adalah klaster, yaitu kelompok kata kunci yang sering muncul bersama dan diberi warna yang sama. Setiap klaster biasanya mewakili satu tema penelitian. Untuk memberi nama klaster, peneliti melihat kata kunci dengan frekuensi tertinggi di dalamnya, kemudian menafsirkan benang merahnya. Karena penamaan ini adalah bagian penafsiran, peneliti perlu menyertakan argumentasi yang jelas.
Tampilan overlay mewarnai simpul berdasarkan variabel tertentu, paling sering rata-rata tahun terbit. Melalui tampilan ini, Anda dapat melihat topik mana yang tergolong lama dan mana yang baru muncul. Misalnya, kata kunci dengan warna yang menunjukkan tahun terbaru sering menjadi petunjuk tren yang sedang naik. Dengan demikian, topik tersebut dapat dijadikan arah penelitian lanjutan.
Tampilan kepadatan atau density menyorot area dengan banyak kata kunci yang saling berdekatan dan sering muncul. Area yang tampak terang menunjukkan topik yang banyak diteliti. Di sisi lain, area yang redup atau kosong di antara klaster dapat mengisyaratkan hubungan antartopik yang belum banyak dieksplorasi. Tabel berikut merangkum fungsi masing-masing tampilan.
| Tampilan | Yang Ditunjukkan | Kegunaan Utama | Hal yang Perlu Diperhatikan |
|---|---|---|---|
| Jejaring (network) | Hubungan dan klaster kata kunci | Mengidentifikasi tema utama | Penamaan klaster bersifat tafsiran |
| Overlay | Waktu atau variabel lain pada tiap simpul | Melihat tren dan topik baru | Bergantung pada rentang tahun data |
| Kepadatan (density) | Area dengan konsentrasi istilah tinggi | Menemukan topik padat dan celah | Dipengaruhi ambang batas yang dipilih |
| Peta tematik | Posisi tema berdasarkan sentralitas dan kepadatan | Menilai tema motor, niche, dan berkembang | Bergantung pada pengaturan analisis |
Setelah melihat tabel tersebut, penting diingat bahwa tampilan visual hanyalah alat bantu. Oleh karena itu, kesimpulan tetap harus didukung oleh angka, seperti frekuensi dan kekuatan hubungan. Selain itu, temuan sebaiknya diperkuat dengan penelusuran artikel yang mewakili setiap tema.
Memahami Peta Tematik dan Strategic Diagram
Peta tematik membagi tema ke dalam empat kuadran berdasarkan dua ukuran. Sentralitas menunjukkan seberapa penting dan terhubung sebuah tema dengan tema lain. Sementara itu, kepadatan menunjukkan seberapa kuat hubungan di dalam tema itu sendiri. Kombinasi keduanya memberi gambaran posisi strategis setiap tema dalam bidang yang diteliti.
Tema pada kuadran dengan sentralitas dan kepadatan tinggi disebut tema motor karena berkembang matang dan menjadi penggerak bidang. Sebaliknya, tema dengan kepadatan tinggi tetapi sentralitas rendah disebut tema niche, yaitu topik khusus yang berkembang baik namun kurang terhubung dengan bidang lain. Selanjutnya, tema dengan sentralitas tinggi tetapi kepadatan rendah merupakan tema dasar yang penting namun belum matang. Terakhir, tema dengan keduanya rendah dapat berarti topik yang baru muncul atau sedang memudar.
Pemahaman ini sangat membantu ketika menulis bagian pembahasan. Alih-alih hanya menyebut klaster apa saja yang ditemukan, Anda dapat menjelaskan peran masing-masing tema dalam perkembangan bidang. Setelah itu, Anda dapat menarik implikasi bagi penelitian selanjutnya.
Contoh Praktis Co-Occurrence Analysis
Misalkan seorang mahasiswa pascasarjana ingin memetakan riset pembelajaran adaptif di pendidikan tinggi. Pertama, ia mengumpulkan artikel dari satu database, lalu mengekspor data lengkap dengan kata kunci penulis. Sebelum analisis, ia menyeragamkan istilah yang bervariasi, misalnya menyatukan beberapa penulisan untuk konsep yang sama. Selain itu, ia mengeluarkan istilah yang terlalu umum.
Kemudian, dengan VOSviewer, ia menetapkan ambang minimum kemunculan dan menjalankan analisis. Peta menampilkan beberapa klaster, seperti klaster tentang teknologi dan algoritma, klaster tentang hasil dan motivasi belajar, serta klaster tentang konteks pendidikan tinggi. Selanjutnya, tampilan overlay memperlihatkan bahwa sejumlah istilah terkait kecerdasan buatan muncul dengan rata-rata tahun yang lebih baru.
Dari temuan itu, ia menafsirkan bahwa topik teknologi sedang berkembang cepat. Di sisi lain, keterkaitannya dengan aspek psikologis belajar masih lebih jarang dibahas. Oleh karena itu, ia menuliskan pengamatan ini sebagai celah penelitian. Namun, ia juga menyebutkan keterbatasan bahwa data hanya berasal dari satu database dan hanya memakai kata kunci penulis.
Kesalahan yang Sering Dilakukan dalam Co-Occurrence Analysis
Beberapa kesalahan berulang kali muncul, terutama pada peneliti yang baru mencoba teknik ini. Dengan mengenalinya sejak awal, Anda akan menghemat waktu dan menjaga kualitas hasil.
- Tidak menyeragamkan variasi istilah sehingga satu konsep terpecah menjadi beberapa simpul.
- Memilih ambang batas tanpa uji coba, sehingga peta terlalu padat atau terlalu sepi.
- Menamai klaster secara asal tanpa menelusuri kata kunci dan artikel di dalamnya.
- Menganggap kemunculan bersama sebagai bukti hubungan sebab-akibat.
- Tidak menjelaskan metode penghitungan dan pengaturan perangkat lunak.
- Hanya memaparkan gambar peta tanpa penafsiran yang mendalam.
Sebagian besar kesalahan tersebut dapat dihindari dengan dokumentasi yang rapi dan penafsiran yang kritis. Sebagai catatan, peta adalah ringkasan pola, bukan kebenaran akhir. Oleh sebab itu, peta selalu perlu dibaca bersama konteks literatur.
Tips Praktis agar Hasil Lebih Akurat dan Bermakna
Mulailah dengan tujuan yang jelas. Tentukan apakah Anda ingin memetakan tema besar, melihat tren topik, atau mencari celah penelitian, karena tujuan ini memengaruhi pilihan jenis data dan pengaturan analisis. Dengan pertanyaan yang spesifik, peta yang dihasilkan juga akan lebih fokus.
Selanjutnya, luangkan waktu untuk membersihkan data dan menyusun tesaurus yang baik. Tahap ini sering terasa membosankan, tetapi justru menentukan akurasi seluruh hasil. Setelah itu, uji beberapa nilai ambang batas dan bandingkan petanya, lalu pilih yang paling mudah ditafsirkan tanpa membuang istilah penting.
Terakhir, padukan analisis visual dengan penelusuran artikel. Setelah menemukan klaster menarik, baca beberapa artikel representatif untuk memastikan tafsiran Anda sesuai isi sebenarnya. Dengan cara ini, pembahasan menjadi lebih kuat dan lebih sulit dipertanyakan oleh reviewer.
Rekomendasi Penerapan bagi Mahasiswa dan Peneliti
Bagi mahasiswa yang menyusun skripsi, tesis, atau disertasi, co-occurrence analysis dapat dipakai pada tinjauan pustaka untuk menunjukkan struktur topik dan celah penelitian secara objektif. Sebaiknya mulailah dengan data yang tidak terlalu besar dan gunakan satu perangkat yang ramah pemula. Selain itu, fokuskan pembahasan pada beberapa klaster utama agar mudah dipahami.
Bagi peneliti dan dosen, teknik ini dapat dikembangkan menjadi artikel bibliometrik yang dipublikasikan di jurnal bereputasi atau dipakai untuk merancang agenda riset kelompok. Selain itu, pertimbangkan membandingkan hasil antardatabase atau antarperiode agar temuan lebih kokoh. Lebih lanjut, lengkapi dengan analisis tematik untuk memperkaya pembahasan.
Apa pun tujuannya, jaga transparansi. Oleh karena itu, sebutkan sumber data, string pencarian, tanggal pengambilan data, jenis kata kunci, metode penghitungan, ambang batas, dan perangkat lunak beserta versinya. Dengan dokumentasi yang lengkap, penelitian lebih dipercaya dan lebih mudah direproduksi.
Baca Juga: Bibliometric Review untuk Memetakan Produktivitas Penulis, Jurnal, dan Institusi
Kesimpulan
Co-occurrence analysis adalah teknik yang memungkinkan peneliti memahami struktur sebuah bidang melalui pola kemunculan bersama kata kunci. Dengan menghitung dan memvisualkan hubungan antarkata kunci, Anda dapat menemukan tema utama, tren topik, dan celah penelitian tanpa harus membaca seluruh artikel satu per satu. Selain itu, perangkat seperti VOSviewer dan Bibliometrix membantu proses ini melalui tampilan jejaring, overlay, kepadatan, dan peta tematik.
Namun, kualitas hasil bergantung pada persiapan data, pemilihan ambang batas, dan penafsiran yang cermat. Oleh karena itu, penyeragaman istilah, penjelasan metode penghitungan, penamaan klaster yang beralasan, serta pengakuan terhadap keterbatasan data perlu dilakukan. Dengan demikian, temuan menjadi lebih akurat dan dapat dipertanggungjawabkan, baik pada skripsi, tesis, disertasi, maupun artikel jurnal.
Bagi Anda yang sedang mempersiapkan artikel ilmiah bidang teknik, membutuhkan bantuan analisis data, proofreading akademik, pengecekan similarity, penerjemahan artikel, pemilihan jurnal target, hingga pendampingan submit jurnal Scopus, layanan konsultasi akademik profesional dapat membantu meningkatkan kualitas manuskrip sekaligus memperbesar peluang publikasi pada jurnal bereputasi internasional.
