Cara Membuat Tabel Perbandingan Penelitian Terdahulu
Panduan membuat tabel perbandingan penelitian terdahulu untuk topik machine learning klasifikasi agar gap dan novelty lebih jelas.
Tabel perbandingan penelitian terdahulu membantu penulis membaca literatur secara lebih terarah. Dalam artikel ilmiah informatika, tabel ini tidak hanya berfungsi sebagai ringkasan referensi, tetapi juga sebagai alat untuk menemukan gap, merumuskan novelty, dan menjelaskan posisi penelitian baru. Tanpa tabel, penulis sering hanya menumpuk sitasi di pendahuluan tanpa menunjukkan hubungan antar penelitian.
Artikel ini memakai contoh spesifik topik machine learning untuk klasifikasi, misalnya klasifikasi sentimen, keluhan mahasiswa, deteksi spam, atau klasifikasi penyakit tanaman. Contoh ini dipilih karena topik klasifikasi sering muncul di artikel informatika dan membutuhkan perbandingan yang jelas antara objek, dataset, metode, metrik, hasil, serta keterbatasan penelitian terdahulu.
Mengapa tabel perbandingan penting?
Ketika penulis membaca banyak artikel, informasi penting mudah tercecer. Satu artikel kuat pada dataset, artikel lain kuat pada metode, artikel lain lagi menampilkan metrik evaluasi yang lebih lengkap. Jika semuanya hanya ditulis dalam paragraf panjang, pembaca sulit melihat pola dan celah penelitian. Tabel membuat perbedaan itu lebih mudah dibandingkan.
Dalam konteks penulisan artikel ilmiah, tabel perbandingan juga membantu penulis menghindari klaim novelty yang terlalu umum. Kalimat seperti "penelitian ini berbeda dari penelitian sebelumnya" belum cukup. Penulis perlu menunjukkan berbeda dalam hal apa: data, metode, fitur, preprocessing, metrik, skenario evaluasi, atau konteks penerapan.
Tabel ini dapat dipakai sejak tahap membaca literatur, bukan hanya saat naskah hampir selesai. Saat tabel mulai terisi, penulis bisa melihat apakah topik yang dipilih sudah terlalu ramai, apakah kontribusinya masih kabur, atau apakah perlu mengubah sudut penelitian. Untuk menghubungkan tabel dengan kontribusi, baca juga cara menulis novelty artikel ilmiah informatika.
Tentukan tujuan tabel sebelum membuat kolom
Kesalahan umum saat membuat tabel perbandingan adalah memasukkan terlalu banyak kolom tanpa tujuan yang jelas. Tabel menjadi lebar, tetapi tidak membantu argumen. Sebelum membuat tabel, tentukan dulu untuk apa tabel tersebut digunakan. Apakah tabel dipakai untuk menemukan gap penelitian, membandingkan metode, menunjukkan perbedaan dataset, atau membuktikan bahwa evaluasi artikel baru lebih lengkap?
Untuk topik machine learning klasifikasi, tujuan tabel biasanya adalah melihat bagaimana studi terdahulu membangun model klasifikasi dan apa yang belum mereka bahas. Karena itu, kolom tabel perlu menampung informasi yang berhubungan langsung dengan proses klasifikasi: objek, dataset, metode, preprocessing, metrik, hasil utama, dan keterbatasan.
Jika tujuan artikel adalah membandingkan algoritma pada dataset lokal, kolom dataset dan metrik harus kuat. Jika tujuan artikel adalah memperbaiki preprocessing, kolom preprocessing dan fitur harus ada. Jika tujuan artikel adalah evaluasi lebih lengkap, kolom metrik dan keterbatasan evaluasi menjadi penting.
Kolom utama untuk topik machine learning klasifikasi
Kolom tabel sebaiknya tidak hanya berisi penulis dan judul. Untuk artikel klasifikasi, penulis perlu membaca detail yang membuat setiap studi dapat dibandingkan secara teknis. Minimal, tabel memuat penulis atau tahun, objek penelitian, dataset, metode, fitur atau preprocessing, metrik evaluasi, hasil utama, dan keterbatasan.
Kolom "objek penelitian" menjelaskan domain yang diklasifikasikan, misalnya sentimen layanan kampus, komentar e-commerce, citra daun, atau email spam. Kolom "dataset" menjelaskan sumber, jumlah data, bahasa, jumlah kelas, atau karakteristik data. Kolom "metode" menjelaskan algoritma seperti Naive Bayes, SVM, Random Forest, CNN, LSTM, atau transformer.
Kolom "metrik evaluasi" penting karena banyak penelitian klasifikasi hanya memakai akurasi. Pada dataset tidak seimbang, akurasi saja dapat menyesatkan. Karena itu, catat apakah penelitian terdahulu memakai precision, recall, F1-score, confusion matrix, AUC, atau validasi silang. Informasi ini akan sangat berguna saat menulis gap dan metode penelitian.
Contoh tabel perbandingan penelitian terdahulu
Berikut contoh tabel untuk topik klasifikasi sentimen atau keluhan menggunakan machine learning. Data pada tabel ini bersifat ilustratif agar penulis memahami format dan cara membaca perbandingan. Saat menulis artikel nyata, ganti isi tabel dengan referensi yang benar-benar dibaca dan sitasi yang sesuai.
| Penelitian | Objek | Dataset | Metode | Fitur atau preprocessing | Metrik | Hasil utama | Keterbatasan |
|---|---|---|---|---|---|---|---|
| Studi A, 2022 | Klasifikasi sentimen layanan kampus | 1.200 komentar mahasiswa, 2 kelas | Naive Bayes | Cleaning, tokenisasi, TF-IDF | Akurasi | Akurasi 84% | Belum mengevaluasi precision, recall, dan F1-score |
| Studi B, 2023 | Klasifikasi keluhan akademik | 2.000 tiket keluhan, 3 kelas | SVM | Stopword removal, stemming, TF-IDF | Akurasi, precision, recall | SVM unggul pada precision | Tidak membahas data tidak seimbang dan analisis error |
| Studi C, 2024 | Klasifikasi ulasan aplikasi | 3.500 ulasan pengguna, 3 kelas | Random Forest | N-gram, TF-IDF, feature selection | Akurasi, F1-score | F1-score 88% | Belum dibandingkan dengan model linear seperti SVM |
| Studi D, 2024 | Klasifikasi sentimen media sosial | 5.000 tweet, 3 kelas | LSTM | Normalisasi slang, word embedding | Accuracy, macro F1 | Macro F1 86% | Butuh data besar dan belum diuji pada data layanan kampus |
Dari tabel tersebut, penulis dapat melihat beberapa pola. Sebagian penelitian hanya melaporkan akurasi. Sebagian belum membahas data tidak seimbang. Sebagian belum membandingkan metode klasik dan deep learning pada konteks yang sama. Pola seperti inilah yang dapat menjadi bahan untuk menulis gap penelitian.
Cara membaca tabel untuk menemukan gap
Setelah tabel dibuat, jangan berhenti pada ringkasan. Baca tabel secara horizontal dan vertikal. Membaca horizontal berarti memahami setiap penelitian secara utuh: objeknya apa, datanya seperti apa, metodenya apa, hasilnya bagaimana, dan keterbatasannya apa. Membaca vertikal berarti membandingkan isi tiap kolom antar penelitian.
Misalnya, pada kolom metrik terlihat bahwa beberapa studi belum memakai F1-score. Pada kolom dataset terlihat bahwa sebagian besar data berasal dari media sosial, bukan layanan kampus. Pada kolom metode terlihat bahwa belum ada perbandingan Naive Bayes, SVM, dan Random Forest pada dataset yang sama. Setiap pola ini dapat menjadi kandidat gap.
Gap yang baik biasanya muncul dari gabungan beberapa kolom. Jangan hanya menulis "belum banyak penelitian tentang klasifikasi keluhan mahasiswa". Lebih kuat jika ditulis: sebagian studi klasifikasi teks layanan akademik masih berfokus pada akurasi dan belum membandingkan beberapa algoritma pada dataset keluhan mahasiswa berbahasa Indonesia yang tidak seimbang.
Mengubah tabel menjadi paragraf tinjauan pustaka
Tabel perbandingan tidak selalu harus dimasukkan ke artikel, tetapi informasinya harus berubah menjadi paragraf tinjauan pustaka yang rapi. Paragraf yang baik tidak menulis penelitian satu per satu secara terputus. Penulis perlu mengelompokkan temuan berdasarkan pola, misalnya metode yang digunakan, jenis dataset, atau metrik evaluasi.
Contoh paragraf: "Beberapa penelitian terdahulu telah menerapkan machine learning untuk klasifikasi teks. Studi A menggunakan Naive Bayes dengan fitur TF-IDF dan melaporkan akurasi sebagai metrik utama. Studi B menerapkan SVM pada data keluhan akademik dan menambahkan precision serta recall. Sementara itu, Studi C menggunakan Random Forest dengan n-gram dan feature selection. Meskipun metode yang digunakan beragam, sebagian studi masih terbatas pada akurasi dan belum membahas performa pada data tidak seimbang."
Paragraf tersebut lebih kuat daripada daftar ringkasan karena menunjukkan sintesis. Pembaca dapat melihat apa yang sudah dilakukan dan apa yang masih kurang. Untuk menyusun paragraf referensi yang rapi, hubungkan tabel ini dengan panduan sitasi dan daftar pustaka artikel ilmiah.
Mengubah tabel menjadi novelty
Novelty sebaiknya lahir dari pola yang terlihat pada tabel. Jika tabel menunjukkan bahwa penelitian terdahulu belum membandingkan beberapa metode pada dataset lokal, maka novelty dapat berupa evaluasi komparatif beberapa algoritma pada dataset tersebut. Jika tabel menunjukkan bahwa metrik terdahulu terlalu sempit, novelty dapat berupa evaluasi yang lebih lengkap.
Contoh novelty yang berasal dari tabel: "Penelitian ini berkontribusi dengan membandingkan Naive Bayes, SVM, dan Random Forest pada dataset keluhan mahasiswa berbahasa Indonesia menggunakan validasi silang serta metrik akurasi, precision, recall, dan F1-score. Kontribusi ini menjawab keterbatasan studi terdahulu yang masih berfokus pada akurasi dan belum membahas data tidak seimbang secara memadai."
Kalimat tersebut jelas karena menyebut metode, dataset, skenario evaluasi, metrik, dan gap. Reviewer dapat memeriksa apakah klaim itu benar-benar didukung oleh tabel literatur, bagian metode, dan hasil. Jika salah satu unsur tidak didukung, novelty perlu dipersempit.
Menentukan jumlah penelitian yang dibandingkan
Tidak ada angka mutlak untuk jumlah penelitian dalam tabel. Untuk artikel jurnal, lima sampai sepuluh referensi yang sangat dekat biasanya lebih berguna daripada dua puluh referensi yang terlalu umum. Yang penting adalah kualitas kedekatan sumber. Referensi harus benar-benar berkaitan dengan topik, metode, dataset, atau konteks penelitian.
Untuk topik machine learning klasifikasi, pilih penelitian yang memakai objek serupa, misalnya sama-sama klasifikasi sentimen, klasifikasi keluhan, atau klasifikasi citra. Pilih juga penelitian yang memakai metode pembanding yang relevan. Jika artikel Anda memakai SVM dan Random Forest, cari studi yang memakai metode tersebut atau metode baseline yang sebanding.
Jangan memasukkan referensi hanya karena kata kuncinya mirip. Artikel tentang machine learning secara umum belum tentu relevan jika tidak membahas klasifikasi, dataset sejenis, atau metrik evaluasi yang dibutuhkan. Tabel yang terlalu luas akan membuat gap kabur.
Kesalahan umum saat membuat tabel perbandingan
Kesalahan pertama adalah membuat tabel terlalu deskriptif. Tabel hanya berisi judul, penulis, dan tahun tanpa informasi teknis yang dapat dibandingkan. Tabel seperti ini tidak membantu menemukan gap. Kesalahan kedua adalah mencampur penelitian yang tidak sejenis, misalnya membandingkan klasifikasi teks, rekomendasi produk, dan deteksi objek tanpa alasan yang jelas.
Kesalahan ketiga adalah tidak menulis keterbatasan. Padahal kolom keterbatasan sering menjadi sumber gap. Kesalahan keempat adalah menyalin hasil penelitian terdahulu tanpa memahami kondisi eksperimen. Akurasi 90% pada satu dataset tidak dapat langsung dibandingkan dengan akurasi 85% pada dataset lain jika kelas, ukuran data, dan skenario uji berbeda.
Kesalahan kelima adalah memasukkan tabel tetapi tidak membahasnya. Jika tabel tampil di artikel, penulis wajib menjelaskan pola yang ditemukan. Tabel harus menjadi dasar argumen, bukan sekadar hiasan. Jika tabel tidak dibahas, reviewer dapat menilai tabel tersebut tidak memiliki fungsi yang jelas.
Kapan tabel perlu masuk ke artikel?
Tabel perbandingan boleh masuk ke artikel jika membantu pembaca memahami gap dan novelty. Jika jurnal memiliki batas halaman ketat, tabel dapat diringkas atau dipindahkan ke lampiran. Namun, untuk artikel yang sangat bergantung pada literatur, tabel sering membuat pendahuluan dan tinjauan pustaka lebih kuat.
Jika tabel dimasukkan ke artikel, pastikan ukurannya tidak terlalu besar. Gunakan kolom yang paling penting. Hindari isi yang terlalu panjang di setiap sel. Untuk web seperti halaman ini, tabel dapat dibuat horizontal dan responsif agar pembaca tetap bisa melihat seluruh kolom. Untuk naskah jurnal, tabel harus mengikuti template jurnal tujuan.
Tabel juga perlu diberi narasi sebelum dan sesudahnya. Sebelum tabel, jelaskan tujuan tabel. Setelah tabel, jelaskan pola utama dan gap yang ditemukan. Dengan cara ini, pembaca tidak hanya melihat data, tetapi memahami alasan tabel tersebut ada.
Contoh rumusan gap dari tabel klasifikasi
Setelah pola pada tabel ditemukan, ubah pola tersebut menjadi rumusan gap yang spesifik. Jangan langsung menulis gap dalam bentuk kesimpulan umum. Mulailah dari fakta yang terlihat pada tabel. Misalnya, jika tiga dari empat penelitian hanya memakai akurasi atau belum membahas data tidak seimbang, tulis bahwa evaluasi pada studi terdahulu masih terbatas pada metrik tertentu.
Contoh rumusan gap: "Berdasarkan perbandingan penelitian terdahulu, sebagian besar studi klasifikasi teks layanan akademik telah menggunakan algoritma machine learning seperti Naive Bayes, SVM, dan Random Forest. Namun, evaluasi yang dilakukan masih banyak berfokus pada akurasi, sedangkan precision, recall, dan F1-score pada data tidak seimbang belum dibahas secara konsisten. Selain itu, sebagian dataset yang digunakan belum merepresentasikan komentar layanan kampus berbahasa Indonesia."
Rumusan tersebut lebih kuat karena berasal dari tabel. Penulis tidak sekadar mengatakan penelitian masih sedikit, tetapi menunjukkan batasan yang dapat diperiksa: metrik kurang lengkap, data tidak seimbang belum dibahas, dan konteks dataset belum sesuai. Dari sini, tujuan penelitian dapat ditulis dengan lebih jelas, misalnya membandingkan beberapa algoritma pada dataset keluhan mahasiswa dengan metrik evaluasi yang lebih lengkap.
Sesuaikan tabel dengan jurnal tujuan
Tabel perbandingan juga perlu disesuaikan dengan jurnal tujuan. Jika jurnal yang ditargetkan kuat pada data mining atau artificial intelligence, tabel sebaiknya menonjolkan aspek teknis seperti metode, fitur, dataset, validasi, dan metrik evaluasi. Jika jurnal lebih dekat dengan sistem informasi, tabel dapat menambahkan kolom konteks penerapan, kebutuhan pengguna, fitur sistem, dan bentuk evaluasi pengguna.
Penyesuaian ini bukan berarti mengubah isi literatur agar terlihat cocok. Yang disesuaikan adalah cara membaca literatur. Topik klasifikasi keluhan mahasiswa, misalnya, bisa dibaca sebagai topik machine learning jika fokusnya pada performa algoritma. Namun, topik yang sama juga bisa dibaca sebagai sistem informasi jika fokusnya pada pengelolaan layanan akademik dan dampaknya bagi pengguna.
Karena itu, sebelum submit, bandingkan tabel dengan scope jurnal. Jika mayoritas artikel di jurnal tujuan menampilkan eksperimen dan metrik lengkap, tabel perbandingan perlu menunjukkan posisi penelitian dalam pola eksperimen tersebut. Jika jurnal tujuan sering menerbitkan artikel implementasi sistem, tabel perlu menunjukkan bagaimana penelitian terdahulu menguji kebutuhan pengguna dan fitur sistem. Untuk langkah ini, gunakan juga tips menyesuaikan scope jurnal informatika.
Checklist tabel perbandingan penelitian terdahulu
Sebelum memakai tabel dalam artikel, gunakan checklist berikut. Checklist ini membantu memastikan tabel benar-benar mendukung penulisan gap, novelty, metode, dan pembahasan.
- Apakah semua penelitian yang dibandingkan relevan dengan topik utama?
- Apakah kolom tabel sesuai dengan tujuan perbandingan?
- Apakah dataset, metode, metrik, dan keterbatasan ditulis cukup jelas?
- Apakah tabel menunjukkan pola yang bisa dijadikan gap?
- Apakah novelty artikel baru dapat diturunkan dari pola tabel?
- Apakah isi tabel tidak terlalu panjang dan masih mudah dibaca?
- Apakah tabel dibahas dalam paragraf setelahnya?
- Apakah semua sumber pada tabel muncul di daftar pustaka?
Kesimpulan
Tabel perbandingan penelitian terdahulu adalah alat penting untuk membuat artikel ilmiah informatika lebih terarah. Untuk topik machine learning klasifikasi, tabel membantu penulis membandingkan objek, dataset, metode, preprocessing, metrik, hasil, dan keterbatasan penelitian sebelumnya. Dari perbandingan tersebut, penulis dapat menemukan gap yang lebih spesifik.
Tabel yang baik tidak berhenti sebagai ringkasan. Ia harus membantu penulis menyusun tinjauan pustaka, merumuskan novelty, memilih metode, dan menjelaskan kontribusi. Dengan tabel yang rapi, artikel tidak hanya berisi banyak sitasi, tetapi menunjukkan argumen yang jelas tentang posisi penelitian baru terhadap studi terdahulu.
FAQ
Apa fungsi tabel perbandingan penelitian terdahulu?
Tabel ini membantu membandingkan objek, dataset, metode, metrik, hasil, dan keterbatasan penelitian sebelumnya agar gap dan novelty artikel lebih mudah dirumuskan.
Kolom apa saja yang cocok untuk topik machine learning klasifikasi?
Kolom yang cocok antara lain penelitian, objek, dataset, metode, fitur atau preprocessing, metrik evaluasi, hasil utama, dan keterbatasan.
Apakah tabel perbandingan harus selalu masuk ke artikel?
Tidak selalu. Tabel bisa dipakai sebagai alat analisis internal, tetapi sebaiknya dimasukkan jika membantu pembaca memahami gap, novelty, dan posisi penelitian.
Berapa banyak penelitian yang perlu dibandingkan?
Tidak ada angka mutlak, tetapi lima sampai sepuluh penelitian yang sangat relevan biasanya lebih berguna daripada banyak referensi yang terlalu umum.