Dalam menulis kajian sistematis (systematic literature review/SLR), salah satu tantangan terbesar adalah menunjukkan secara eksplisit di mana letak celah penelitian (research gap). Tanpa analisis gap yang tajam, SLR hanya menjadi ringkasan artikel, bukan kontribusi ilmiah. Artikel seri ke-4 dari 5 ini akan memandu Anda langkah demi langkah dalam menyusun analisis research gap, dengan konteks pemanfaatan machine learning (ML) untuk prediksi perilaku pengguna. Pendekatan yang digunakan berbeda dari seri lain: fokus pada prosedur praktis yang bisa langsung Anda terapkan.
Mengapa Research Gap Menjadi Jantung SLR?
Research gap adalah pertanyaan atau area yang belum terjawab oleh penelitian sebelumnya. Dalam SLR, gap ini menjadi pembeda antara sekadar merangkum dan benar-benar berkontribusi pada pengetahuan. Tanpa gap yang jelas, Anda akan kesulitan merumuskan pertanyaan penelitian, memilih kata kunci pencarian, dan menyusun sintesis data.
Untuk topik ML dan prediksi perilaku pengguna, gap bisa muncul dari berbagai dimensi: algoritma yang belum dibandingkan, dataset yang kurang beragam, domain aplikasi yang jarang dieksplorasi, atau aspek etika yang terabaikan. Tugas Anda adalah menemukan gap yang relevan, dapat diteliti, dan bermakna.
Langkah 1: Formulasikan Pertanyaan Penelitian yang Spesifik
Sebelum mencari artikel, Anda harus tahu apa yang ingin dicari. Pertanyaan penelitian (research question/RQ) yang baik akan memandu seluruh proses SLR. Untuk topik kita, contoh RQ yang bisa dikembangkan:
- RQ1: Algoritma ML apa saja yang paling sering digunakan untuk memprediksi perilaku pengguna dalam lima tahun terakhir?
- RQ2: Bagaimana performa algoritma tersebut diukur dan dibandingkan?
- RQ3: Dataset apa yang digunakan dan seberapa representatif terhadap populasi pengguna?
- RQ4: Aspek etika dan privasi apa yang dibahas dalam penelitian-penelitian tersebut?
Dengan RQ yang tajam, Anda akan lebih mudah mengidentifikasi area yang belum dieksplorasi. Misalnya, jika banyak artikel menggunakan dataset dari platform e-commerce, tetapi sedikit yang menggunakan data media sosial, maka itu bisa menjadi gap potensial.
Langkah 2: Lakukan Pencarian Literatur yang Sistematis dan Terdokumentasi
Pencarian literatur harus transparan dan dapat direplikasi. Gunakan basis data akademik seperti Scopus, Web of Science, IEEE Xplore, atau Google Scholar. Kombinasikan kata kunci dengan operator Boolean, misalnya:
("machine learning" OR "deep learning") AND ("user behavior" OR "consumer behavior") AND ("prediction" OR "forecasting")
Catat jumlah artikel yang ditemukan pada setiap tahap: identifikasi, skrining, dan inklusi. Gunakan diagram alur PRISMA untuk menunjukkan proses seleksi. Dokumentasi ini penting untuk menunjukkan bahwa SLR Anda tidak bias dan dapat dipertanggungjawabkan.
Langkah 3: Ekstraksi Data dan Pemetaan Temuan
Setelah mendapatkan artikel yang relevan, buat tabel ekstraksi data yang berisi: penulis, tahun, algoritma, dataset, domain aplikasi, metrik evaluasi, dan temuan utama. Tabel ini akan membantu Anda melihat pola dan kekosongan. Misalnya, Anda mungkin menemukan bahwa sebagian besar penelitian menggunakan data dari pengguna aplikasi mobile, tetapi sangat sedikit yang meneliti perilaku pengguna di platform IoT (Internet of Things).
Pemetaan temuan dapat dilakukan dengan membuat matriks: sumbu X adalah algoritma (misal: Random Forest, SVM, LSTM), sumbu Y adalah domain (e-commerce, media sosial, kesehatan). Dari matriks ini, Anda bisa melihat sel yang kosong—itulah gap potensial.
Langkah 4: Identifikasi Pola dan Kekosongan dari Sintesis Data
Setelah data terpetakan, analisis pola yang muncul. Beberapa pertanyaan yang bisa membantu:
- Apakah ada algoritma yang dominan dan yang jarang digunakan?
- Apakah ada dataset yang digunakan berulang-ulang, sementara dataset lain diabaikan?
- Apakah ada kelompok pengguna (misal: lansia, remaja) yang kurang terwakili?
- Apakah ada aspek etika yang jarang dibahas, seperti bias algoritma atau transparansi?
Contoh nyata: jika Anda menemukan 40 artikel, dan 35 di antaranya menggunakan data dari pengguna di negara maju, maka gap yang jelas adalah kurangnya studi di negara berkembang. Atau jika semua artikel mengukur akurasi, tetapi hanya sedikit yang mengukur keadilan (fairness), maka itu adalah gap metodologis.
Langkah 5: Kategorikan Research Gap Berdasarkan Jenisnya
Untuk memperkuat analisis, gunakan taksonomi gap yang umum dikenal. Beberapa jenis gap yang sering digunakan:
- Gap empiris: belum ada penelitian yang menguji topik tertentu pada populasi atau konteks tertentu.
- Gap teoretis: teori yang ada belum cukup menjelaskan fenomena, atau belum diintegrasikan dengan pendekatan ML.
- Gap metodologis: metode yang digunakan kurang tepat atau belum ada metode yang memadai untuk mengukur aspek tertentu.
- Gap populasi: kelompok pengguna tertentu belum diteliti.
- Gap etika: isu privasi, bias, dan keadilan belum banyak dibahas.
Dengan mengategorikan gap, Anda menunjukkan kedalaman analisis. Misalnya, Anda bisa menulis: "Mayoritas penelitian menggunakan pendekatan supervised learning, tetapi belum ada studi yang membandingkan performa model ketika data tidak seimbang (imbalanced data) pada konteks prediksi churn pengguna." Ini adalah gap metodologis dan empiris sekaligus.
Langkah 6: Rumuskan Pernyataan Research Gap yang Jelas dan Dapat Diuji
Setelah mengidentifikasi gap, tuangkan dalam pernyataan yang eksplisit. Hindari kalimat yang terlalu umum seperti "masih sedikit penelitian tentang ML dan perilaku pengguna". Sebaliknya, buat pernyataan yang spesifik dan dapat diuji, misalnya:
"Berdasarkan 42 artikel yang dianalisis, belum ditemukan studi yang menguji penggunaan algoritma gradient boosting untuk memprediksi perilaku pembelian impulsif pada platform e-commerce di Indonesia dengan mempertimbangkan faktor psikologis."
Pernyataan ini jelas, merujuk pada bukti dari SLR, dan menunjukkan apa yang belum dilakukan. Ini akan menjadi dasar bagi penelitian selanjutnya.
Langkah 7: Validasi Gap dengan Memeriksa Kembali Literatur
Langkah terakhir adalah memastikan bahwa gap yang Anda klaim benar-benar ada. Lakukan pencarian tambahan dengan kata kunci yang lebih spesifik untuk memastikan tidak ada artikel yang terlewat. Jika Anda menemukan artikel yang ternyata sudah mengisi gap tersebut, Anda perlu merevisi pernyataan gap atau mencari gap lain. Validasi ini penting untuk menjaga kredibilitas SLR Anda.
Checklist Analisis Research Gap
- Apakah pertanyaan penelitian saya spesifik dan terfokus?
- Apakah proses pencarian literatur terdokumentasi dengan baik?
- Apakah saya membuat tabel ekstraksi data yang lengkap?
- Apakah saya memetakan temuan untuk melihat pola?
- Apakah saya mengidentifikasi lebih dari satu jenis gap?
- Apakah pernyataan gap saya spesifik dan didukung bukti?
- Apakah saya sudah memvalidasi gap dengan pencarian ulang?
Kesimpulan
Menganalisis research gap bukanlah sekadar mencari apa yang belum diteliti, melainkan proses sistematis yang membutuhkan ketelitian dan kejujuran ilmiah. Dengan mengikuti tujuh langkah di atas, Anda dapat menyusun analisis gap yang kuat untuk SLR tentang ML dan prediksi perilaku pengguna. Ingatlah bahwa gap yang baik adalah yang relevan, dapat diteliti, dan memberikan kontribusi nyata bagi pengembangan ilmu pengetahuan. Teruslah berlatih, dan semoga panduan ini bermanfaat untuk penelitian Anda.