Menemukan research gap yang tepat adalah fondasi dari sebuah penelitian yang berkontribusi nyata. Namun, banyak peneliti—terutama mahasiswa dan dosen pembimbing—terjebak pada kesalahan yang sama: menganggap bahwa sekadar menyebutkan “belum banyak penelitian” sudah cukup sebagai celah riset. Padahal, gap yang baik harus spesifik, terukur, dan relevan dengan perkembangan metode terkini.
Artikel ini adalah seri ke-2 dari 5 seri panduan Elevate Journal Intelligence tentang analisis research gap. Jika seri pertama membahas konsep dasar dan strategi pemetaan, maka seri ini akan fokus pada checklist praktis dan kesalahan umum yang sering terjadi, khususnya dalam konteks pemanfaatan machine learning (ML) untuk prediksi perilaku pengguna. Topik ini dipilih karena sangat populer di kalangan peneliti sistem informasi, ilmu komputer, dan pemasaran digital, namun sering kali analisis gap-nya dangkal.
Mengapa Research Gap Sering Keliru dalam Riset Machine Learning?
Penelitian tentang prediksi perilaku pengguna menggunakan ML biasanya berfokus pada akurasi model, perbandingan algoritma, atau optimasi fitur. Masalahnya, banyak peneliti menganggap bahwa “belum ada yang menggunakan algoritma X pada dataset Y” adalah sebuah research gap yang kuat. Padahal, kebaruan algoritma atau dataset saja tidak cukup jika tidak dihubungkan dengan masalah teoretis atau praktis yang lebih dalam.
Kesalahan umum lainnya adalah gap yang terlalu luas, misalnya: “Penelitian tentang prediksi churn menggunakan deep learning masih jarang.” Pernyataan ini tidak operasional. Bagaimana mengukurnya? Apa domain spesifiknya? Apa variabel yang belum dijelajahi? Tanpa spesifikasi, gap tersebut tidak dapat diuji dan tidak memberikan arah yang jelas.
Dalam konteks ML, research gap yang baik biasanya melibatkan salah satu dari tiga hal: (1) gap kontekstual—belum diterapkan pada domain atau populasi tertentu, (2) gap metodologis—belum ada pendekatan yang mengatasi kelemahan metode sebelumnya, atau (3) gap teoretis—belum ada integrasi teori perilaku dengan model ML. Ketiganya harus dijelaskan secara eksplisit.
Checklist Analisis Research Gap untuk Penelitian ML
Berikut adalah checklist yang dapat Anda gunakan untuk menguji apakah research gap Anda sudah cukup kuat. Centang semua poin yang sudah terpenuhi.
- Spesifik domain: Apakah Anda menyebutkan domain yang jelas (misalnya, e-commerce, media sosial, perbankan digital)?
- Spesifik variabel: Apakah Anda menyebutkan variabel perilaku yang diprediksi (misalnya, churn, klik, pembelian, adopsi fitur)?
- Spesifik algoritma atau pendekatan: Apakah Anda menyebutkan metode ML yang digunakan dan mengapa metode itu relevan?
- Kelemahan penelitian sebelumnya: Apakah Anda mengidentifikasi kelemahan spesifik dari studi sebelumnya (misalnya, akurasi rendah, data tidak seimbang, interpretabilitas rendah)?
- Kontribusi teoretis: Apakah Anda mengaitkan gap dengan teori perilaku (misalnya, TAM, UTAUT, Theory of Planned Behavior)?
- Kontribusi praktis: Apakah Anda menjelaskan manfaat praktis bagi pengambil keputusan?
- Keterukuran: Apakah gap tersebut dapat diuji dengan data dan metode yang Anda rencanakan?
- Petakan literatur: Buat tabel yang berisi penulis, tahun, metode, dataset, variabel, dan temuan utama dari 10-20 penelitian relevan.
- Identifikasi pola: Cari tahu metode apa yang dominan, domain apa yang jarang disentuh, dan variabel apa yang belum dieksplorasi.
- Tentukan posisi Anda: Pilih salah satu jenis gap (kontekstual, metodologis, atau teoretis) yang paling sesuai dengan minat dan kemampuan Anda.
- Uji dengan checklist: Gunakan checklist di atas untuk memastikan gap Anda sudah spesifik dan terukur.
- Tulis pernyataan gap: Rumuskan dalam satu paragraf yang jelas, misalnya: “Meskipun banyak penelitian menggunakan ML untuk prediksi churn, masih sedikit yang mengintegrasikan faktor kepercayaan dan menggunakan data transaksi real-time pada konteks dompet digital di Asia Tenggara. Penelitian ini mengisi gap tersebut dengan mengusulkan model hybrid yang menggabungkan fitur perilaku dan psikologis.”
Jika Anda belum bisa menjawab “ya” untuk semua poin, maka research gap Anda masih perlu diperkuat. Jangan terburu-buru menulis proposal sebelum checklist ini terpenuhi.
Kesalahan Umum #1: Menganggap “Belum Ada yang Meneliti” sebagai Gap
Pernyataan seperti “belum ada penelitian yang menggunakan Random Forest untuk prediksi perilaku pengguna di Indonesia” adalah contoh gap yang lemah. Mengapa? Karena kebaruan geografis atau kebaruan algoritma saja tidak otomatis memberikan kontribusi ilmiah. Penelitian Anda akan dianggap sebagai replikasi belaka jika tidak ada justifikasi mengapa konteks Indonesia atau algoritma tersebut penting secara teoretis.
Solusinya: tambahkan argumen mengapa konteks tersebut unik. Misalnya, “Perilaku pengguna di Indonesia berbeda karena tingginya penetrasi mobile-first dan budaya kolektivisme, yang belum terakomodasi dalam model prediksi yang dikembangkan di negara Barat.” Dengan begitu, gap Anda menjadi kontekstual dan teoretis sekaligus.
Kesalahan Umum #2: Gap yang Terlalu Luas atau Terlalu Sempit
Gap yang terlalu luas, seperti “masih sedikit penelitian tentang AI dalam pemasaran”, tidak memberikan arah. Sebaliknya, gap yang terlalu sempit, seperti “belum ada yang menggunakan XGBoost dengan fitur waktu pada dataset pengguna aplikasi dompet digital di Surabaya pada bulan Januari”, juga tidak menarik karena terlalu spesifik dan tidak memiliki generalisasi.
Gap yang ideal berada di tengah: cukup spesifik untuk membedakan dari penelitian lain, tetapi cukup luas untuk menarik minat pembaca. Contoh yang baik: “Penelitian tentang prediksi churn pada aplikasi dompet digital di Asia Tenggara masih jarang menggunakan data transaksi temporal dan belum mengintegrasikan faktor psikologis seperti kepercayaan.”
Kesalahan Umum #3: Mengabaikan Literatur Terbaru
Banyak peneliti hanya merujuk pada literatur 5-10 tahun lalu dan mengklaim bahwa tidak ada penelitian terbaru. Ini adalah kesalahan fatal. Sebelum menetapkan gap, pastikan Anda telah melakukan pencarian sistematis pada basis data seperti Scopus, Web of Science, atau Google Scholar dengan kata kunci yang relevan. Gunakan teknik snowballing dan citation tracking untuk memastikan tidak ada penelitian terbaru yang relevan.
Jika Anda menemukan penelitian yang mirip, jangan panik. Justru itu adalah peluang untuk memperjelas gap Anda. Misalnya, jika ada penelitian yang menggunakan deep learning untuk prediksi churn, Anda bisa menunjukkan bahwa penelitian tersebut tidak mempertimbangkan aspek interpretabilitas atau tidak menggunakan data longitudinal. Dengan begitu, Anda menunjukkan bahwa Anda menguasai literatur dan gap Anda benar-benar ada.
Kesalahan Umum #4: Tidak Menghubungkan Gap dengan Metode yang Dipilih
Research gap yang baik harus selaras dengan metode yang Anda usulkan. Jika Anda mengklaim bahwa gap-nya adalah kurangnya penggunaan ensemble learning untuk prediksi perilaku, maka Anda harus menjelaskan mengapa ensemble learning lebih unggul untuk kasus Anda dibandingkan metode lain. Jangan hanya menyebutkan metode tanpa argumen.
Selain itu, pastikan Anda menjelaskan bagaimana metode Anda mengatasi kelemahan penelitian sebelumnya. Misalnya, jika penelitian sebelumnya menggunakan data yang tidak seimbang dan menghasilkan bias, Anda bisa mengusulkan teknik SMOTE atau cost-sensitive learning. Dengan demikian, gap metodologis Anda menjadi konkret.
Langkah Praktis Menyusun Research Gap yang Kuat
Berikut adalah langkah-langkah yang dapat Anda ikuti:
Kesimpulan
Menemukan research gap yang kuat adalah keterampilan yang dapat dipelajari. Kuncinya adalah spesifik, terukur, dan relevan. Hindari kesalahan umum seperti menganggap “belum ada yang meneliti” sebagai gap, membuat gap terlalu luas atau sempit, mengabaikan literatur terbaru, dan tidak menghubungkan gap dengan metode. Gunakan checklist yang telah disediakan untuk menguji setiap calon gap sebelum Anda memutuskan untuk melanjutkan penelitian.
Dengan pendekatan yang sistematis, Anda tidak hanya akan menghasilkan penelitian yang lebih berkualitas, tetapi juga lebih mudah meyakinkan reviewer bahwa penelitian Anda layak untuk didanai atau dipublikasikan. Terus asah kemampuan ini, dan jangan ragu untuk meminta masukan dari rekan sejawat atau dosen pembimbing.
“Research gap yang baik adalah jembatan antara apa yang sudah diketahui dan apa yang perlu diketahui. Jangan membangun jembatan di atas tanah yang belum dipetakan.”
Nantikan seri ke-3 yang akan membahas teknik visualisasi research gap menggunakan diagram dan peta literatur.