Model Visualisasi Metadata Jurnal Ilmiah Berbasis AI untuk Deteksi Duplikasi dan Ketidakkonsistenan

Fricles A. Sianturi; Ismail M. Sianturi

Authors

Fricles A. Sianturi Universitas Tjut Nyak Dhien Author
Ismail M. Sianturi Universitas Audi Indonesia Author

Keywords:

Visualisasi Metadata, Jurnal Ilmiah, Kecerdasan Buatan, Deteksi Duplikasi, Ketidakkonsistenan Data

Abstract

Penelitian ini bertujuan mengembangkan model visualisasi metadata jurnal ilmiah berbasis kecerdasan buatan (AI) untuk mendeteksi duplikasi dan ketidakkonsistenan data secara otomatis, cepat, dan akurat. Permasalahan utama dalam pengelolaan jurnal ilmiah adalah tingginya potensi redundansi metadata, perbedaan format penulisan, serta inkonsistensi informasi yang dapat menurunkan kualitas pengindeksan dan integritas publikasi. Metode penelitian menggunakan pendekatan pengembangan sistem yang menggabungkan teknik pemrosesan bahasa alami, pencocokan pola berbasis pembelajaran mesin, dan visual analytics. Dataset metadata jurnal dikumpulkan dari berbagai sumber, kemudian diproses melalui tahap normalisasi, ekstraksi fitur, dan pemodelan deteksi anomali. Model divisualisasikan dalam dashboard interaktif untuk memudahkan identifikasi pola duplikasi dan ketidaksesuaian data. Hasil penelitian menunjukkan bahwa model mampu meningkatkan akurasi deteksi duplikasi metadata secara signifikan, mempercepat proses verifikasi editorial, serta menurunkan tingkat kesalahan pencatatan metadata. Visualisasi yang dihasilkan membantu pengguna memahami hubungan data secara intuitif dan mendukung pengambilan keputusan berbasis bukti. Simpulan penelitian menegaskan bahwa integrasi AI dan visualisasi metadata merupakan solusi efektif untuk meningkatkan kualitas pengelolaan jurnal ilmiah, efisiensi kerja editorial, serta konsistensi data publikasi.

References

F. Provost and T. Fawcett, Data Science for Business, O’Reilly Media, 2013.

A. J. Enríquez, “A survey on author name disambiguation techniques: 2010-2020,” Journal of Informetrics, vol. 15, no. 2, 2021.

M. Chen, “Data Visualization: State of the Art,” The Computer Journal, vol. 63, no. 8, pp. 1125-1135, 2020.

L. Bornmann and R. Mutz, “Growth rates of modern science: A bibliometric analysis based on the number of publications and cited references,” Journal of the Association for Information Science and Technology, vol. 66, no. 11, pp. 2215-2222, 2015.

Y. Kim, “Machine learning-based author name disambiguation in bibliographic data,” Scientometrics, vol. 123, no. 2, pp. 745-768, 2020.

S. M. Shafi, “Managing Metadata in Local Institutional Repositories,” International Journal of Information Management, vol. 42, pp. 115-125, 2018.

M. Witt, “Metadata for Research Data Management,” in Brilliant Metadata, London: Facet Publishing, 2017, pp. 55–72.

R. Johnson and A. Fane, “Metadata management in scholarly publishing: A survey of current practices,” Learned Publishing, vol. 34, no. 3, pp. 381-392, 2021.

L. Haak, “Persistent Identifiers and the Future of Research Attribution,” Information Services & Use, vol. 38, no. 1–2, pp. 53-61, 2018.

W. M. P. Aalst, “Process Mining: Data Science in Action,” Springer, 2016.

C. Shearer, “The CRISP-DM Model: The New Blueprint for Data Mining,” Journal of Data Warehousing, vol. 5, pp. 13-22, 2000.

B. Shneiderman, “The Eyes Have It: A Task by Data Type Taxonomy for Information Visualizations,” Visual Languages, 1996.

M. Wilkinson, “The FAIR Guiding Principles for scientific data management and stewardship,” Scientific Data, vol. 3, 2016.

A. Khan and J. Wood, “The impact of metadata quality on the discoverability of digital objects,” Journal of Digital Information Management, vol. 16, no. 5, pp. 210-222, 2018.

P. Mongeon and A. Paul-Hus, “The journal coverage of Web of Science and Scopus: a comparative analysis,” Scientometrics, vol. 106, no. 1, pp. 213-228, 2016.

J. P. Tennant and H. Ross-Hellauer, “The limitations to our understanding of peer review,” Research Integrity and Peer Review, vol. 5, no. 1, pp. 1-14, 2020.

J. Nielsen, “Usability Engineering.” Morgan Kaufmann, 1993.

G. Bilder, J. Lin, and C. Neylon, “The Principles of Open Scholarly Infrastructure,” Crossref Blog, 2020, doi: 10.13003/5jdn22.

K. Chen and M. Song, “Visualizing a scientific field with CiteSpace: an example of ontological mapping,” Journal of Informetrics, vol. 13, no. 1, pp. 140-155, 2019.