Prediksi Jumlah Kutipan dengan Artificial Neural Network Menggunakan Faktor Kebaruan, Bibliometrik, dan Jaringan Akademik

Putri, Meisya Salsabila Indrijo (2024) Prediksi Jumlah Kutipan dengan Artificial Neural Network Menggunakan Faktor Kebaruan, Bibliometrik, dan Jaringan Akademik. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201114-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Semakin banyaknya publikasi ilmiah yang diterbitkan, mengevaluasi dampak dan kualitas penelitian menjadi semakin penting. Salah satu metrik utama yang digunakan untuk tujuan ini adalah jumlah kutipan yang diterima oleh sebuah publikasi. Penelitian ini bertujuan untuk memprediksi jumlah kutipan dari publikasi ilmiah dengan memahami faktor-faktor yang mempengaruhinya. Memanfaatkan berbagai fitur seperti kebaruan topik, metrik bibliometrik, dan analisis jaringan akademik, penelitian ini menggunakan model Artificial Neural Network (ANN) untuk menghasilkan prediksi yang akurat. Tahapan penelitian ini dimulai dengan persiapan data yang melibatkan ekstraksi fitur kebaruan, bibliometrik, dan jaringan akademik. Data yang digunakan diproses dan diolah menggunakan berbagai teknik seperti algoritma Louvain untuk identifikasi topik dan Social Network Analysis (SNA) untuk analisis jaringan akademik. Selanjutnya, model ANN dikembangkan dan dioptimalkan dengan hyperparameter tuning untuk meningkatkan akurasi prediksi jumlah kutipan. Metode Algoritma Garson digunakan untuk menganalisis pengaruh relatif dari setiap fitur terhadap hasil prediksi. Uji coba dilakukan dengan mengimplementasikan model ANN pada empat skenario: (1) penentuan jumlah topik optimal, (2) optimasi hyperparameter model ANN, (3) evaluasi kombinasi pengaruh fitur kebaruan, bibliometrik, dan jaringan akademik, dan (4) perbandingan performa model ANN dengan model machine learning lainnya. Hasil menunjukkan bahwa model ANN yang dioptimalkan mampu memberikan prediksi jumlah kutipan dengan tingkat akurasi yang lebih tinggi dibandingkan model lain. Fitur-fitur seperti jumlah kolaborator, jumlah referensi, dan reputasi jurnal (diukur melalui SJR) terbukti memiliki pengaruh signifikan terhadap jumlah kutipan yang diterima. Model ANN yang dikembangkan dalam penelitian ini untuk memprediksi jumlah kutipan dari publikasi ilmiah, memberikan wawasan yang berharga bagi peneliti dan pengelola jurnal dalam meningkatkan strategi publikasi dan kolaborasi akademik.
=================================================================================================================================
As more and more scientific publications are published, evaluating the impact and quality of research becomes increasingly important. One of the main metrics used for this purpose is the number of citations received by a publication. This study aims to predict the number of citations from scientific publications by understanding the factors that influence it. By utilizing various features such as topic novelty, bibliometric metrics, and academic network analysis, this study uses an Artificial Neural Network (ANN) model to produce accurate predictions. The stages of this study begin with data preparation involving the extraction of novelty, bibliometric, and academic network features. The data used is processed and processed using various techniques such as the Louvain algorithm for topic identification and Social Network Analysis (SNA) for academic network analysis. Furthermore, the ANN model is developed and optimized with hyperparameter tuning to improve the accuracy of predicting the number of citations. The Garson Algorithm method is used to analyze the relative influence of each feature on the prediction results. The trial was conducted by implementing the ANN model in four scenarios: (1) determining the optimal number of topics, (2) optimizing the hyperparameters of the ANN model, (3) evaluating the combination of the influence of novelty, bibliometric, and academic network features, and (4) comparing the performance of the ANN model with other machine learning models. The results show that the optimized ANN model is able to provide predictions of the number of citations with a higher level of accuracy than other models. Features such as the number of collaborators, the number of references, and the reputation of the journal (measured through SJR) are proven to have a significant influence on the number of citations received. The ANN model developed in this study to predict the number of citations from scientific publications provides valuable insights for researchers and journal managers in improving publication strategies and academic collaborations.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Artificial Neural Network, Bibliometrik, Jaringan Akademik, Kebaruan, Prediksi Kutipan, Academic Network, Artificial Neural Network, Bibliometrics, Citation Prediction, Novelty
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Z Bibliography. Library Science. Information Resources > Z669.8 Bibliometrics
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Meisya Salsabila Indrijo Putri
Date Deposited:	09 Aug 2024 01:12
Last Modified:	06 Sep 2024 03:09
URI:	http://repository.its.ac.id/id/eprint/115071

Actions (login required)

View Item