Menemukan novelty atau kebaruan penelitian merupakan salah satu tantangan yang sering dihadapi mahasiswa ketika menyusun skripsi, tesis, maupun disertasi. Tidak sedikit peneliti yang sudah membaca banyak artikel ilmiah, tetapi masih kesulitan menjawab pertanyaan sederhana dari dosen pembimbing: “Apa yang membedakan penelitian Anda dengan penelitian sebelumnya?”
Persoalan tersebut sering muncul karena peneliti membaca artikel ilmiah secara terpisah tanpa melakukan analisis perbandingan. Akibatnya, peneliti memahami hasil setiap artikel, tetapi belum mampu mengidentifikasi keterbatasan penelitian terdahulu dan peluang kontribusi ilmiah yang dapat dikembangkan.
Salah satu pendekatan awal yang dapat digunakan adalah menganalisis 10 artikel ilmiah yang relevan secara sistematis. Melalui pendekatan ini, peneliti dapat memetakan metode yang digunakan, dataset yang diteliti, hasil yang diperoleh, serta keterbatasan yang masih membutuhkan penelitian lanjutan.
Artikel ini menjelaskan cara menemukan novelty penelitian dari 10 artikel ilmiah menggunakan matriks perbandingan, identifikasi research gap, dan perumusan kontribusi penelitian.
Apa Itu Novelty dalam Penelitian?
Novelty merupakan unsur kebaruan yang menunjukkan kontribusi suatu penelitian terhadap pengetahuan, metode, teori, atau penerapan yang telah ada sebelumnya.
Novelty tidak selalu berarti menemukan sesuatu yang sepenuhnya baru. Dalam penelitian ilmiah, kebaruan juga dapat muncul dari pengembangan metode terdahulu, pengujian asumsi yang belum terverifikasi, penyelesaian kelemahan pendekatan sebelumnya, atau penyajian bukti empiris baru yang memiliki implikasi penting.
Sebagai contoh, seorang peneliti mengembangkan model deep learning untuk mendeteksi penyakit diabetes. Apabila penelitian tersebut hanya mengganti algoritma Random Forest dengan XGBoost pada dataset yang sama tanpa memberikan kontribusi yang jelas, perubahan tersebut belum tentu memiliki novelty yang kuat.
Sebaliknya, penelitian yang mengembangkan mekanisme baru untuk mempertahankan keandalan prediksi ketika sebagian kelompok fitur kesehatan tidak tersedia berpotensi memberikan kontribusi metodologis. Potensi tersebut tetap harus dibuktikan melalui penelusuran literatur dan eksperimen yang sesuai.
Dengan demikian, novelty tidak cukup dinyatakan berdasarkan perbedaan antara dua penelitian. Peneliti harus menjelaskan mengapa perbedaan tersebut penting secara ilmiah.
Apa Perbedaan Novelty dan Research Gap?
Istilah novelty dan research gap sering digunakan secara bergantian, padahal keduanya memiliki makna yang berbeda.
Research gap merupakan kesenjangan pengetahuan, bukti, teori, atau metode yang belum dijawab secara memadai oleh penelitian sebelumnya. Sementara itu, novelty merupakan unsur kebaruan dari kontribusi yang ditawarkan untuk menjawab kesenjangan tersebut.
Misalnya, sejumlah penelitian terdahulu menunjukkan bahwa model prediksi diabetes bekerja dengan baik ketika seluruh fitur tersedia. Akan tetapi, kinerja model pada kondisi hilangnya kelompok fitur tertentu belum dievaluasi secara memadai.
Kondisi tersebut dapat menjadi kandidat research gap.
Peneliti kemudian mengusulkan suatu mekanisme pembelajaran yang mempertimbangkan ketersediaan kelompok fitur agar model tetap dapat melakukan prediksi pada kondisi input yang tidak lengkap.
Mekanisme yang diusulkan berpotensi menjadi novelty apabila memiliki perbedaan substantif dari metode sebelumnya dan memberikan kontribusi yang dapat diverifikasi.
Hubungan keduanya dapat diringkas sebagai berikut:
Research gap → Masalah ilmiah yang belum terselesaikan → Solusi yang diusulkan → Novelty → Kontribusi yang dibuktikan.
Perlu diperhatikan bahwa tidak semua research gap harus dijawab dengan algoritma baru. Pengembangan teori, rancangan eksperimen, bukti kausal, maupun pengujian pada konteks penting yang belum terwakili juga dapat memberikan kontribusi ilmiah.
Mengapa Menggunakan 10 Artikel Ilmiah?
Membaca 10 artikel ilmiah dapat menjadi langkah awal yang praktis untuk memahami perkembangan penelitian pada suatu topik tertentu.
Jumlah tersebut cukup untuk melatih peneliti melakukan perbandingan terstruktur tanpa harus langsung membaca puluhan artikel sekaligus.
Akan tetapi, 10 artikel bukan jumlah minimum yang ditetapkan secara universal untuk membuktikan novelty penelitian.
Kebutuhan literatur bergantung pada keluasan topik, perkembangan penelitian, tingkat pendidikan, dan jenis kontribusi yang diharapkan. Topik yang berkembang sangat cepat, seperti artificial intelligence, mungkin membutuhkan penelusuran literatur yang jauh lebih luas.
Snyder (2019) menekankan pentingnya proses identifikasi, analisis, dan sintesis literatur yang sistematis serta transparan agar suatu kajian mampu menghasilkan kontribusi yang dapat dipertanggungjawabkan.
Dengan demikian, 10 artikel dapat digunakan untuk membangun peta awal penelitian, sedangkan klaim novelty akhir harus didukung oleh penelusuran pustaka yang lebih komprehensif.
Langkah 1. Tentukan Topik Penelitian Secara Spesifik
Kesalahan pertama dalam menemukan novelty adalah memilih topik penelitian yang terlalu luas.
Sebagai contoh, topik “Artificial Intelligence dalam Kesehatan” memiliki cakupan yang sangat besar. Topik tersebut mencakup diagnosis penyakit, segmentasi citra medis, prediksi risiko kesehatan, analisis rekam medis, dan berbagai bidang lainnya.
Untuk mempermudah analisis, peneliti perlu membatasi topik berdasarkan masalah yang ingin diselesaikan.
Contoh penyempitan topik:
- Topik umum: Artificial Intelligence dalam Kesehatan.
- Bidang penelitian: Prediksi diabetes menggunakan machine learning.
- Fokus penelitian: Ketahanan model prediksi diabetes ketika sebagian fitur tidak tersedia.
- Pertanyaan awal: Bagaimana perubahan ketersediaan kelompok fitur memengaruhi kinerja dan kalibrasi model prediksi diabetes?
Topik yang spesifik memudahkan peneliti mengidentifikasi artikel yang relevan dan membandingkan kontribusinya.
Langkah 2. Cari 10 Artikel Ilmiah yang Relevan
Setelah menentukan topik, peneliti dapat mencari artikel menggunakan Google Scholar, Scopus, PubMed, IEEE Xplore, atau database lain yang sesuai dengan bidang penelitian.
Untuk topik prediksi diabetes menggunakan machine learning, beberapa contoh kata kunci yang dapat digunakan adalah:
- “diabetes prediction machine learning”
- “diabetes prediction missing data”
- “robust diabetes prediction models”
- “feature missingness in healthcare machine learning”
- “group-wise missing features prediction”
Gunakan operator Boolean seperti AND dan OR jika database mendukungnya. Sebagai contoh:
(“diabetes prediction” OR “diabetes risk prediction”) AND (“missing features” OR “missing data” OR “robustness”)
Prioritaskan artikel yang memiliki hubungan langsung dengan masalah penelitian. Peneliti juga perlu mempertimbangkan kebaruan publikasi, kualitas metodologi, relevansi kontribusi, dan artikel yang menjadi landasan penting dalam bidang tersebut.
Sepuluh artikel tidak harus seluruhnya berasal dari jurnal dengan peringkat kuartil tertentu. Relevansi dan kualitas bukti lebih penting daripada menggunakan label jurnal sebagai satu-satunya kriteria seleksi.
Pastikan judul, penulis, tahun publikasi, DOI, dan isi artikel dapat diverifikasi sebelum dimasukkan ke dalam analisis.
Langkah 3. Buat Matriks Perbandingan 10 Artikel
Setelah mengumpulkan artikel, jangan langsung menyimpulkan novelty berdasarkan bagian abstrak atau kesimpulan.
Peneliti sebaiknya membaca bagian metodologi, eksperimen, hasil, dan keterbatasan penelitian untuk memahami kontribusi masing-masing artikel.
Informasi penting yang perlu dicatat meliputi:
- Identitas artikel dan tahun publikasi.
- Masalah utama yang diteliti.
- Metode atau pendekatan penelitian.
- Dataset dan karakteristik sampel.
- Temuan atau hasil utama.
- Keterbatasan penelitian.
- Peluang pengembangan berdasarkan analisis peneliti.
Berikut contoh matriks sederhana untuk topik prediksi diabetes menggunakan machine learning.
Contoh matriks analisis 10 artikel ilmiah
| Artikel | Fokus atau metode | Keterbatasan yang diasumsikan | Peluang penelitian |
|---|---|---|---|
| A1 | Logistic Regression | Hubungan nonlinier belum dikaji | Evaluasi pola nonlinier |
| A2 | Random Forest | Data tidak lengkap belum dievaluasi | Uji ketahanan input |
| A3 | XGBoost | Fokus pada diskriminasi model | Evaluasi kalibrasi |
| A4 | Neural Network | Ketergantungan pada seluruh fitur | Mekanisme input adaptif |
| A5 | Feature Selection | Stabilitas fitur belum diuji | Analisis stabilitas |
| A6 | Ensemble Learning | Biaya komputasi belum dibandingkan | Evaluasi efisiensi |
| A7 | Deep Learning | Validasi eksternal terbatas | Pengujian lintas dataset |
| A8 | Explainable AI | Penjelasan model belum diuji kestabilannya | Analisis stabilitas interpretasi |
| A9 | Missing-Data Imputation | Dampak hilangnya kelompok fitur belum dibedakan | Evaluasi group missingness |
| A10 | Model Calibration | Kalibrasi pada kondisi fitur hilang belum diuji | Kalibrasi pada availability shift |
Catatan: Kesepuluh artikel A1 sampai A10 merupakan ilustrasi hipotetis untuk menunjukkan cara menyusun matriks. Tabel tersebut bukan hasil telaah terhadap 10 publikasi nyata.
Pada penerapan sebenarnya, setiap keterbatasan harus disimpulkan berdasarkan isi artikel dan bukti yang tersedia. Peneliti tidak boleh menganggap suatu metode memiliki kelemahan tertentu hanya karena kelemahan tersebut umum ditemukan pada penelitian lain.
Matriks membantu peneliti melihat hubungan antarpenelitian sekaligus mengidentifikasi permasalahan yang muncul berulang.
Langkah 4. Identifikasi Pola dan Keterbatasan Penelitian
Setelah menyusun matriks, tahap berikutnya adalah melakukan sintesis.
Sintesis berbeda dengan ringkasan. Ringkasan menjelaskan apa yang dilakukan oleh setiap peneliti, sedangkan sintesis menghubungkan temuan dari beberapa penelitian untuk memperoleh pemahaman yang lebih luas.
Sebagai contoh, berdasarkan matriks hipotetis sebelumnya, beberapa isu yang perlu diselidiki lebih lanjut adalah:
Pertama, ketersediaan fitur. Beberapa pendekatan prediksi mungkin dikembangkan menggunakan seluruh fitur yang tersedia selama pelatihan. Peneliti perlu memeriksa apakah pendekatan tersebut juga diuji pada kondisi hilangnya fitur saat implementasi.
Kedua, validasi eksternal. Hasil penelitian pada satu dataset belum tentu mencerminkan kemampuan generalisasi pada populasi atau periode pengumpulan data yang berbeda.
Ketiga, kalibrasi prediksi. Model dengan nilai ROC-AUC yang tinggi belum tentu menghasilkan estimasi probabilitas risiko yang terkalibrasi dengan baik.
Keempat, efisiensi model. Kompleksitas komputasi dapat menjadi pertimbangan ketika model direncanakan untuk diterapkan pada perangkat atau lingkungan dengan sumber daya terbatas.
Pola tersebut merupakan kandidat kesenjangan yang perlu diperiksa kembali melalui literatur tambahan.
Salah satu kesalahan yang harus dihindari adalah menganggap semua keterbatasan sebagai research gap yang penting. Suatu keterbatasan baru layak dikembangkan apabila relevan dengan masalah ilmiah, belum dijawab secara memadai, dan memungkinkan penyusunan kontribusi yang bermakna.
Langkah 5. Kelompokkan Research Gap Berdasarkan Jenisnya
Untuk mempermudah analisis, peneliti dapat mengelompokkan kandidat research gap ke dalam beberapa kategori.
1. Methodological Gap
Kesenjangan metodologis muncul ketika pendekatan yang tersedia belum mampu menjawab suatu masalah secara memadai.
Contohnya adalah kebutuhan terhadap mekanisme prediksi yang dapat mengakomodasi perubahan ketersediaan kelompok fitur secara eksplisit.
2. Empirical Gap
Kesenjangan empiris berkaitan dengan terbatasnya bukti penelitian pada populasi, periode, kondisi, atau lingkungan tertentu.
Contohnya adalah model yang hanya diuji pada satu dataset tanpa evaluasi eksternal.
3. Theoretical Gap
Kesenjangan teoretis muncul ketika teori yang tersedia belum dapat menjelaskan suatu fenomena atau hubungan antarkonsep secara memadai.
Jenis kesenjangan ini banyak ditemukan dalam penelitian ilmu sosial, psikologi, pendidikan, dan manajemen.
4. Evaluation Gap
Kesenjangan evaluasi muncul ketika aspek penting dari suatu metode belum diukur atau diuji dengan rancangan eksperimen yang memadai.
Contohnya adalah penelitian prediksi kesehatan yang hanya melaporkan akurasi tanpa menguji kalibrasi atau ketahanan model terhadap perubahan distribusi input.
5. Contextual Gap
Kesenjangan kontekstual berkaitan dengan kebutuhan pengujian pada konteks yang memiliki karakteristik substantif berbeda.
Perbedaan lokasi geografis semata tidak otomatis menciptakan novelty. Peneliti harus menunjukkan mengapa karakteristik konteks tersebut berpotensi mengubah temuan atau pemahaman ilmiah.
Klasifikasi ini merupakan alat bantu analisis, bukan standar kategori research gap yang bersifat universal.
Langkah 6. Rumuskan Novelty dari Hasil Perbandingan
Setelah mengidentifikasi kesenjangan, peneliti perlu merumuskan solusi yang berkaitan langsung dengan masalah ilmiah yang ditemukan.
Untuk mempermudah proses tersebut, gunakan kerangka berikut:
Penelitian sebelumnya → Keterbatasan yang terverifikasi → Masalah yang belum terjawab → Pendekatan yang diusulkan → Kontribusi yang diharapkan.
Sebagai ilustrasi, peneliti menemukan bahwa sejumlah pendekatan telah menunjukkan kinerja prediksi yang kompetitif pada kondisi input lengkap, tetapi belum memberikan evaluasi yang memadai ketika seluruh kelompok fitur tertentu tidak tersedia.
Peneliti kemudian mengusulkan pengembangan model yang mempertimbangkan ketersediaan kelompok fitur dalam proses pembelajaran.
Contoh rumusan kandidat novelty:
“Penelitian ini mengusulkan pendekatan prediksi diabetes yang mengintegrasikan representasi berbasis kelompok fitur dan mekanisme adaptasi ketersediaan input untuk meningkatkan ketahanan prediksi pada kondisi hilangnya kelompok fitur. Kontribusi pendekatan dievaluasi melalui skenario penghilangan kelompok fitur, analisis kalibrasi, serta perbandingan dengan metode baseline yang relevan.”
Rumusan tersebut masih berupa usulan kontribusi, bukan bukti bahwa metode tersebut benar-benar baru.
Untuk menguatkan klaim novelty, peneliti perlu memastikan bahwa pendekatan serupa belum menjawab masalah yang sama dan melakukan eksperimen yang dapat menunjukkan manfaat setiap komponen metode.
Langkah 7. Validasi Novelty Sebelum Menentukan Judul Penelitian
Setelah menemukan kandidat novelty, jangan langsung menganggapnya sebagai kontribusi final.
Peneliti perlu melakukan validasi melalui penelusuran literatur tambahan, terutama terhadap penelitian terbaru yang memiliki pendekatan serupa.
Beberapa pertanyaan yang perlu dijawab adalah:
- Apakah solusi serupa telah dikembangkan oleh peneliti lain?
- Apa perbedaan mendasar dari penelitian yang diusulkan?
- Apakah masalah yang diangkat memiliki urgensi ilmiah atau praktis?
- Apakah kontribusi dapat dibuktikan melalui eksperimen?
- Apakah rancangan penelitian memungkinkan perbandingan yang adil dengan penelitian terdahulu?
Jika kontribusi berkaitan dengan pengembangan algoritma, peneliti juga perlu mempertimbangkan eksperimen ablasi untuk memeriksa pengaruh komponen yang diusulkan.
Validasi tersebut penting karena novelty merupakan klaim ilmiah yang membutuhkan dukungan bukti. Peneliti sebaiknya menghindari pernyataan seperti “penelitian pertama di dunia” apabila belum memiliki dasar penelusuran yang cukup kuat.
Contoh Cara Menulis Research Gap dalam Artikel Ilmiah
Setelah analisis selesai, peneliti dapat menyusun paragraf research gap dengan menghubungkan capaian penelitian terdahulu, masalah yang belum terjawab, dan tujuan penelitian yang diusulkan.
Berikut contoh paragraf ilustratif:
“Penelitian terdahulu telah mengembangkan berbagai pendekatan machine learning untuk meningkatkan kemampuan prediksi risiko diabetes. Meskipun sejumlah pendekatan menunjukkan kinerja diskriminasi yang kompetitif, evaluasi ketahanan prediksi terhadap hilangnya kelompok fitur masih perlu ditelaah secara lebih mendalam. Kondisi tersebut relevan pada penerapan sistem kesehatan yang tidak selalu memiliki ketersediaan variabel secara lengkap. Penelitian ini mengusulkan pendekatan pembelajaran berbasis kelompok fitur untuk mengakomodasi variasi ketersediaan input dan mengevaluasi kinerjanya melalui pengujian diskriminasi, kalibrasi, serta ketahanan prediksi.”
Paragraf tersebut harus dilengkapi dengan sitasi yang benar-benar mendukung pernyataan mengenai penelitian terdahulu dan kesenjangan yang ditemukan.
Peneliti tidak sebaiknya menggunakan paragraf research gap generik tanpa mencocokkannya dengan hasil telaah literatur.
Kesalahan Umum Ketika Mencari Novelty Penelitian
1. Menganggap Mengganti Algoritma sebagai Novelty
Penggunaan algoritma berbeda tidak otomatis menghasilkan kontribusi ilmiah. Peneliti harus menjelaskan masalah yang diselesaikan dan alasan perubahan metode tersebut diperlukan.
2. Menganggap Dataset Baru Selalu Menunjukkan Kebaruan
Penggunaan dataset baru dapat memberikan kontribusi empiris, terutama ketika dataset tersebut mewakili kondisi yang belum terwakili. Akan tetapi, peneliti harus menjelaskan nilai ilmiah dari perbedaan tersebut.
3. Mengandalkan Bagian Future Work
Saran penelitian lanjutan yang terdapat dalam suatu artikel dapat menjadi sumber ide. Saran tersebut tidak otomatis menunjukkan bahwa permasalahannya masih terbuka karena penelitian lain mungkin telah menyelesaikannya.
4. Hanya Membandingkan Nilai Akurasi
Kualitas penelitian tidak selalu ditentukan oleh peningkatan akurasi. Robustness, calibration, generalization, interpretability, fairness, dan computational efficiency dapat menjadi dimensi evaluasi yang penting sesuai tujuan penelitian.
5. Menggunakan AI Tanpa Memverifikasi Referensi
AI dapat membantu merangkum artikel dan menyusun matriks perbandingan. Meskipun demikian, AI dapat menghasilkan interpretasi yang keliru atau referensi yang tidak dapat diverifikasi.
Peneliti tetap bertanggung jawab memeriksa isi publikasi asli, memastikan identitas referensi, dan mengevaluasi validitas kesimpulan.
Apakah ChatGPT Bisa Membantu Menemukan Novelty?
ChatGPT dapat digunakan sebagai alat bantu analisis literatur untuk menyusun tabel perbandingan, mengidentifikasi tema, merumuskan kandidat research gap, dan mengembangkan pertanyaan penelitian.
Sebagai contoh, peneliti dapat menggunakan prompt berikut setelah menyediakan 10 artikel ilmiah yang relevan:
Contoh prompt ChatGPT untuk mencari novelty:
“Analisis 10 artikel ilmiah yang saya lampirkan untuk mengidentifikasi kandidat research gap dan novelty penelitian. Buat matriks yang memuat judul, penulis, tahun, metode, dataset, hasil utama, keterbatasan, dan peluang penelitian lanjutan. Bedakan keterbatasan yang dinyatakan langsung oleh penulis dengan keterbatasan yang merupakan hasil interpretasi. Identifikasi persamaan dan perbedaan antarmetode, kemudian rumuskan tiga kandidat novelty beserta kontribusi, rancangan validasi, dan risiko kebaruan masing-masing. Sertakan sumber artikel dan lokasi bukti yang mendukung setiap kesimpulan. Jangan membuat referensi, hasil eksperimen, atau klaim novelty yang tidak didukung oleh dokumen.”
Hasil analisis tersebut perlu diperiksa kembali melalui pembacaan artikel asli.
ChatGPT dapat mempercepat pekerjaan analitis, tetapi tidak dapat menggantikan penilaian kritis peneliti mengenai signifikansi suatu kontribusi ilmiah.
Kesimpulan
Cara menemukan novelty penelitian dari 10 artikel ilmiah dapat dimulai dengan menentukan topik yang spesifik, memilih publikasi yang relevan, menyusun matriks perbandingan, dan mengidentifikasi keterbatasan yang memiliki hubungan langsung dengan masalah penelitian.
Setelah kandidat research gap ditemukan, peneliti perlu merumuskan solusi, membandingkannya dengan pendekatan terdahulu, serta merancang pengujian untuk membuktikan kontribusi yang diusulkan.
Hal terpenting dalam proses ini bukan jumlah artikel yang dibaca, melainkan kemampuan peneliti menyintesis bukti dan menjelaskan mengapa penelitian lanjutan perlu dilakukan.
Sepuluh artikel dapat menjadi titik awal yang efektif. Akan tetapi, klaim novelty yang kuat tetap membutuhkan penelusuran literatur yang memadai dan argumentasi ilmiah yang dapat diverifikasi.
Sedang kesulitan menemukan novelty penelitian untuk skripsi, tesis, disertasi, atau artikel jurnal? Pelajari berbagai panduan metodologi penelitian dan publikasi ilmiah melalui RisetMaster.id.
Pertanyaan yang Sering Diajukan (FAQ)
Apakah 10 artikel cukup untuk menemukan novelty penelitian?
Sepuluh artikel dapat digunakan sebagai langkah awal untuk memetakan penelitian terdahulu. Akan tetapi, jumlah tersebut tidak menjamin bahwa suatu novelty telah terverifikasi. Peneliti perlu memperluas penelusuran jika topiknya kompleks atau memiliki perkembangan publikasi yang cepat.
Bagaimana cara menemukan research gap dari jurnal?
Peneliti dapat membandingkan masalah penelitian, metode, dataset, hasil, dan keterbatasan sejumlah artikel. Research gap dirumuskan berdasarkan masalah penting yang belum dijawab secara memadai, bukan sekadar perbedaan antarpublikasi.
Apa contoh novelty dalam penelitian?
Contoh kandidat novelty adalah pengembangan mekanisme prediksi yang secara eksplisit mempertimbangkan hilangnya kelompok fitur, disertai pengujian ketahanan dan kalibrasi yang belum memadai dalam literatur relevan. Kebaruannya harus dibuktikan melalui perbandingan dengan penelitian sebelumnya.
Apakah novelty harus menggunakan metode baru?
Tidak. Novelty dapat berupa pengembangan teori, metode, bukti empiris, kerangka konseptual, atau pengujian pada kondisi penting yang belum terwakili. Nilai kontribusi ditentukan oleh signifikansi dan dukungan buktinya.
Apakah ChatGPT bisa menentukan novelty penelitian secara otomatis?
ChatGPT dapat membantu menemukan pola dan merumuskan kandidat novelty berdasarkan dokumen yang disediakan. Validitas kebaruan tetap membutuhkan verifikasi terhadap sumber asli, literatur relevan, dan evaluasi ilmiah.
Ingin belajar menemukan novelty langsung dengan pendampingan?
RisetMaster.id menyediakan Workshop Pencarian Novelty Penelitian Online dengan materi pemetaan literatur, identifikasi research gap, penyusunan state of the art, serta strategi publikasi Scopus.
Program mencakup pelatihan fleksibel selama 8 jam, template peta literatur, materi analisis gap menggunakan ChatGPT, rekaman workshop, dan ebook The Art of Novelty.