Apa Itu Novelty dalam Penelitian? Pengertian, Contoh, dan Cara Menentukannya

Dalam proposal penelitian, tesis, disertasi, maupun artikel jurnal, salah satu pertanyaan yang paling sering muncul adalah:

“Apa novelty penelitian ini?”

Pertanyaan tersebut terlihat sederhana, tetapi sering menjadi bagian yang sulit dijawab oleh peneliti.

Sebagian peneliti menganggap novelty berarti menciptakan metode yang benar-benar baru. Sebagian lainnya menyatakan bahwa penggunaan dataset baru, lokasi penelitian yang berbeda, atau penggabungan dua algoritma sudah cukup dianggap sebagai novelty.

Padahal, novelty tidak sesederhana “belum pernah dilakukan”.

Dalam penelitian ilmiah, novelty berkaitan dengan apa pengetahuan, pendekatan, evidence, atau pemahaman baru yang diberikan penelitian dibandingkan dengan pengetahuan yang sudah tersedia.

Kajian tentang scientific novelty juga menunjukkan bahwa novelty merupakan konsep multidimensional. Kebaruan dapat muncul melalui teori, metode, maupun hasil penelitian, dan tidak seluruh penelitian harus menghasilkan metode baru.

Artikel ini membahas pengertian novelty, perbedaannya dengan research gap, contoh novelty penelitian, jenis-jenis novelty, cara menemukannya, serta bagaimana membuktikan bahwa suatu novelty cukup kuat untuk dipertahankan secara akademik.

Apa Itu Novelty?

Secara sederhana, novelty adalah unsur kebaruan yang menunjukkan bagaimana suatu penelitian memberikan sesuatu yang berbeda dan bermakna dibandingkan dengan penelitian terdahulu.

Kata kuncinya bukan hanya:

berbeda

tetapi:

berbeda dan mempunyai makna ilmiah.

Perubahan kecil pada sebuah penelitian belum tentu menghasilkan novelty yang kuat.

Sebagai contoh:

Penelitian A menggunakan Random Forest pada Dataset X.

Kemudian penelitian baru melakukan:

Random Forest pada Dataset Y.

Ada perbedaan dataset, tetapi belum dapat disimpulkan bahwa penelitian kedua mempunyai novelty yang kuat.

Peneliti masih harus menjawab:

• Mengapa Dataset Y penting?
• Apa karakteristik Dataset Y yang berbeda?
• Pengetahuan baru apa yang dapat diperoleh?
• Apakah penelitian tersebut menjawab keterbatasan studi sebelumnya?
• Apa kontribusinya terhadap bidang penelitian?

Kajian Zhao dan Zhang mengenai pengukuran novelty pada publikasi ilmiah menunjukkan bahwa scientific novelty juga perlu dibedakan dari konsep yang berdekatan seperti originality, creativity, scientific innovation, dan scientific breakthrough. Artinya, penelitian tidak harus menjadi sebuah “breakthrough” agar mempunyai novelty.

Novelty Tidak Sama dengan “Belum Pernah Ada”

Salah satu kesalahan yang paling umum adalah mendefinisikan novelty sebagai:

“Sesuatu yang belum pernah dilakukan siapa pun.”

Definisi seperti ini terlalu absolut.

Dalam praktik penelitian, hampir mustahil memastikan bahwa suatu ide benar-benar tidak pernah dilakukan oleh siapa pun di seluruh dunia.

Literatur tersebar dalam:

• jurnal;
• conference proceedings;
• preprint;
• tesis dan disertasi;
• repository;
• patent;
• technical report;
• dataset;
• source code.

Karena itu, klaim seperti:

“Penelitian ini merupakan penelitian pertama di dunia yang…”

harus digunakan dengan sangat hati-hati.

Formulasi yang lebih defensible adalah:

“Berdasarkan corpus literatur yang dianalisis, belum ditemukan penelitian yang secara bersamaan mengevaluasi…”

atau:

“Existing studies identified in the literature predominantly focus on X, while evidence regarding Y remains limited.”

Pernyataan tersebut menghubungkan novelty dengan evidence dari literature search, bukan asumsi.

Novelty dan Research Gap, Apa Bedanya?

Research gap dan novelty mempunyai hubungan yang erat, tetapi keduanya bukan hal yang sama.

Research gap menjelaskan:

Apa yang masih kurang, belum diketahui, belum memadai, atau belum terselesaikan dalam penelitian terdahulu?

Sementara novelty menjelaskan:

Apa kontribusi baru yang ditawarkan penelitian untuk merespons gap tersebut?

Contohnya:

State of the Art

Beberapa model deep learning menghasilkan performa tinggi untuk klasifikasi citra medis.

Research Gap

Mayoritas penelitian hanya melakukan internal validation pada satu dataset sehingga kemampuan generalisasi model belum diketahui dengan baik.

Novelty

Penelitian melakukan cross-dataset external validation untuk mengevaluasi generalizability model pada populasi yang berbeda.

Hubungannya dapat dituliskan sebagai:

State of the Art → Research Gap → Proposed Solution → Novelty → Scientific Contribution

Karena itu, novelty sebaiknya tidak ditentukan sebelum peneliti memahami state of the art.

Apakah Setiap Penelitian Harus Memiliki Novelty?

Jawabannya bergantung pada tujuan penelitian dan konteks akademiknya.

Pada penelitian yang diarahkan untuk menghasilkan kontribusi ilmiah, terutama:

• disertasi doktoral;
• artikel penelitian;
• competitive research grant;
• jurnal bereputasi;

novelty biasanya menjadi salah satu aspek penting.

Akan tetapi, novelty tidak selalu berarti menciptakan teori atau teknologi revolusioner.

Penelitian dapat memberikan kontribusi melalui peningkatan pemahaman, evidence baru, metode baru, validasi baru, atau identifikasi batas keberlakuan hasil sebelumnya.

Studi Leahey, Lee, dan Funk terhadap artikel ilmiah berpengaruh mengidentifikasi tiga bentuk utama novelty, yaitu new theory, new method, dan new result. Ketiganya juga dapat muncul secara bersamaan dalam satu penelitian.

Jenis-Jenis Novelty dalam Penelitian

Tidak terdapat satu klasifikasi universal yang berlaku pada semua disiplin ilmu.

Secara praktis, novelty dapat muncul melalui beberapa bentuk berikut.

1. Theoretical Novelty

Theoretical novelty muncul ketika penelitian:

• menghasilkan penjelasan teoritis baru;
• mengembangkan teori;
• memperluas boundary condition teori;
• menghubungkan teori yang sebelumnya terpisah;
• menemukan hubungan baru antarkonstruk;
• menantang asumsi teori sebelumnya.

Contoh:

Penelitian menemukan bahwa hubungan penggunaan teknologi terhadap productivity dimediasi oleh digital capability.

Kontribusi penelitian tidak hanya berupa data baru, tetapi memperluas cara fenomena tersebut dijelaskan.

2. Methodological Novelty

Methodological novelty muncul ketika penelitian mengembangkan metode, prosedur, instrumen, atau teknik analisis yang memberikan kemampuan baru.

Contohnya:

• algoritma baru;
• arsitektur deep learning baru;
• measurement instrument;
• optimization procedure;
• sampling strategy;
• analytical framework;
• experimental procedure.

Bergh dan kolega menekankan bahwa methodological contribution dapat menjadi kontribusi ilmiah tersendiri maupun berjalan bersama theoretical contribution.

Dalam penelitian Artificial Intelligence, methodological novelty termasuk yang paling sering digunakan.

Contoh:

Penelitian mengembangkan lightweight segmentation architecture yang dirancang untuk mengurangi computational complexity tanpa kehilangan kemampuan representasi global.

Novelty bukan sekadar nama arsitektur baru.

Harus terdapat:

Existing Limitation → Proposed Mechanism → Expected Advantage → Experimental Evidence

3. Results-Based Novelty

Novelty juga dapat berasal dari hasil penelitian.

Misalnya, existing literature menunjukkan bahwa:

Model A dianggap superior dibandingkan Model B.

Penelitian baru menemukan:

Model A hanya lebih baik pada internal dataset, sedangkan Model B mempunyai generalisasi yang lebih stabil pada external dataset.

Tidak ada algoritma baru.

Tetapi terdapat pengetahuan baru mengenai perilaku kedua metode.

Leahey dan kolega memasukkan new results sebagai salah satu bentuk utama scientific novelty.

4. Data Novelty

Data dapat menghasilkan novelty apabila karakteristik data tersebut memungkinkan penelitian menjawab pertanyaan yang sebelumnya belum dapat dijawab.

Contohnya:

• multi-center dataset;
• longitudinal dataset;
• multimodal dataset;
• dataset populasi yang kurang terwakili;
• annotation baru;
• benchmark baru.

Tetapi:

“Saya menggunakan dataset berbeda”

belum cukup.

Peneliti perlu menunjukkan implikasi ilmiahnya.

5. Evaluation Novelty

Evaluation novelty muncul ketika penelitian memperkenalkan pengujian yang memberikan evidence baru mengenai suatu metode.

Contohnya:

• external validation;
• cross-dataset testing;
• robustness analysis;
• calibration analysis;
• uncertainty evaluation;
• fairness evaluation;
• computational efficiency;
• systematic ablation study.

Pada bidang AI, novelty jenis ini sering mempunyai nilai tinggi karena model yang menghasilkan accuracy tinggi belum tentu:

• robust;
• generalizable;
• calibrated;
• computationally feasible.

6. Contextual Novelty

Existing knowledge dapat diuji pada konteks baru yang mempunyai perbedaan ilmiah penting.

Misalnya:

Model sebelumnya dikembangkan menggunakan controlled clinical images.

Penelitian baru mengevaluasinya menggunakan smartphone images dengan variasi illumination, resolution, dan acquisition condition.

Yang membuat penelitian bernilai bukan hanya lokasi atau perangkat yang berbeda.

Novelty muncul karena kondisi baru menguji boundary condition dari existing knowledge.

7. Integrative Novelty

Novelty dapat muncul dari integrasi pengetahuan yang sebelumnya terpisah.

Contohnya:

Clinical variables + medical imaging + physiological signals.

Masing-masing sumber data bukan sesuatu yang baru.

Kontribusi dapat muncul ketika penelitian menunjukkan bahwa integrasi ketiganya menghasilkan informasi komplementer yang sebelumnya belum dapat diperoleh.

Tetapi:

Metode A + Metode B

tidak otomatis menghasilkan novelty.

Harus ada alasan ilmiah mengapa integrasi tersebut diperlukan.

Contoh Novelty yang Lemah

Perhatikan beberapa klaim berikut.

“Menggunakan algoritma X”

Belum novelty jika algoritma tersebut sudah digunakan untuk problem serupa.

“Menggunakan dataset yang berbeda”

Belum novelty jika dataset baru tidak mempunyai scientific significance.

“Penelitian dilakukan di Indonesia”

Perbedaan lokasi bukan otomatis kontribusi ilmiah.

“Menggabungkan CNN dan Transformer”

Kombinasi dua metode bukan otomatis novelty.

“Accuracy lebih tinggi 0,5%”

Peningkatan performa tidak selalu berarti kontribusi baru, terutama jika experimental comparison tidak fair atau model menjadi jauh lebih kompleks.

Contoh Novelty yang Lebih Kuat

Bandingkan dengan:

Existing segmentation models achieve competitive performance but rely on computationally intensive architectures. This study develops a lightweight hybrid architecture designed to balance segmentation accuracy and computational efficiency.

Atau:

Existing models have predominantly been evaluated using internal datasets. This study conducts cross-institutional external validation to examine model generalizability under distribution shift.

Atau:

Existing studies report high predictive accuracy but provide limited information regarding confidence reliability. This study integrates calibration and uncertainty analysis to evaluate whether predictive confidence reflects actual error probability.

Klaim-klaim tersebut mempunyai hubungan langsung antara:

limitation → contribution → scientific value.

Bagaimana Cara Menemukan Novelty?

Novelty sebaiknya ditemukan melalui pemetaan literatur.

Bukan melalui brainstorming semata.

Langkah 1: Tentukan Research Scope

Jangan mencari novelty dengan topik terlalu luas.

Misalnya:

Artificial Intelligence.

Persempit menjadi:

Lightweight deep learning untuk medical image segmentation.

Scope yang spesifik membuat pencarian literatur lebih terarah.

Langkah 2: Cari Literatur Utama

Cari penelitian relevan melalui database seperti:

• Scopus;
• Web of Science;
• PubMed;
• IEEE Xplore;
• ScienceDirect;
• SpringerLink;
• ACM Digital Library;
• Google Scholar.

Database yang digunakan menyesuaikan disiplin ilmu.

Langkah 3: Buat State of the Art Matrix

Jangan hanya menyimpan PDF.

Petakan penelitian.

Contohnya:

Studi	Dataset	Metode	Evaluasi	Hasil	Limitation
A	Dataset X	CNN	Internal	Tinggi	Single dataset
B	Dataset X	Transformer	Internal	Tinggi	Computationally expensive
C	Dataset Y	Hybrid	CV	Tinggi	No external test

Dengan matrix tersebut, pola research landscape menjadi lebih terlihat.

Langkah 4: Temukan Research Gap

Cari pola seperti:

• limitation berulang;
• evidence yang kontradiktif;
• aspek yang belum diuji;
• populasi yang kurang terwakili;
• methodological weakness;
• evaluation yang tidak lengkap;
• trade-off yang belum terselesaikan.

Gap yang kuat biasanya bukan berasal dari satu kalimat “future work” pada satu artikel.

Gap sebaiknya terlihat dari sintesis beberapa penelitian.

Langkah 5: Buat Candidate Novelty

Setelah gap ditemukan, jangan langsung menetapkan satu novelty final.

Buat beberapa alternatif.

Misalnya research gap-nya adalah computational complexity.

Candidate novelty:

A. Lightweight architecture.

B. Knowledge distillation.

C. Model compression.

D. Efficient state-space architecture.

Kemudian bandingkan:

• evidence;
• feasibility;
• complexity;
• available dataset;
• prior work;
• research risk.

Langkah 6: Cari Closest Prior Works

Ini salah satu tahap paling penting.

Jangan hanya mencari paper yang mendukung ide.

Cari paper yang paling berpotensi menggugurkan klaim novelty Anda.

Misalnya proposed research:

Lightweight CNN-Transformer untuk segmentation.

Cari:

• lightweight CNN Transformer segmentation;
• efficient hybrid Transformer segmentation;
• CNN Transformer medical segmentation;
• lightweight Transformer medical image;
• efficient hybrid segmentation architecture.

Jika ditemukan paper sangat mirip, novelty perlu diperbaiki.

Proses yang sehat adalah:

berusaha membantah novelty sendiri sebelum reviewer melakukannya.

Cara Membuktikan Novelty

Novelty yang baik seharusnya dapat dibandingkan secara eksplisit terhadap closest prior works.

Gunakan Novelty Comparison Matrix.

Feature	Study A	Study B	Study C	Proposed
Lightweight	✓	✕	✓	✓
Global Modeling	✕	✓	✓	✓
External Validation	✕	✕	✕	✓
Efficiency Analysis	✓	✕	✕	✓
Ablation	✕	✓	✕	✓

Tujuan matrix bukan memperbanyak tanda centang.

Tujuannya adalah menunjukkan:

Di mana tepatnya proposed research berbeda dari closest prior studies?

Novelty Harus Dapat Diuji

Novelty yang hanya terlihat menarik secara konseptual belum cukup.

Peneliti harus mampu menunjukkan evidence.

Jika mengklaim:

Model lebih ringan.

Ukur:

• parameters;
• FLOPs;
• inference time;
• memory usage.

Jika mengklaim:

Model lebih generalizable.

Lakukan:

• external validation;
• cross-dataset testing.

Jika mengklaim:

Komponen baru meningkatkan performa.

Lakukan:

• ablation study.

Jika mengklaim:

Model lebih robust.

Lakukan robustness experiment.

Dengan kata lain:

Setiap novelty claim sebaiknya mempunyai corresponding experiment.

Apakah Accuracy Tinggi Bisa Disebut Novelty?

Tidak otomatis.

Accuracy merupakan hasil.

Novelty adalah kontribusi.

Model dengan accuracy 99% belum tentu novel jika:

• metode sudah tersedia;
• dataset sama;
• protocol sama;
• experimental design sama;
• hanya melakukan hyperparameter tuning.

Sebaliknya, penelitian dengan improvement kecil dapat mempunyai novelty kuat jika menghasilkan pemahaman penting.

Contohnya:

penelitian menunjukkan bahwa performance turun secara sistematis pada kelompok tertentu.

Kontribusinya bukan sekadar accuracy.

Kontribusinya adalah knowledge mengenai limitation atau generalization.

Apakah Hybrid Model Bisa Disebut Novelty?

Bisa.

Tetapi jangan menggunakan logika:

A belum pernah digabung dengan B, sehingga novelty.

Pertanyaan yang perlu dijawab:

1. Apa limitation metode A?
2. Apa limitation metode B?
3. Mengapa A dan B saling melengkapi?
4. Apa mekanisme integrasinya?
5. Apa yang berbeda dibandingkan hybrid sebelumnya?
6. Eksperimen apa yang membuktikan manfaat integrasi?

Tanpa argumentasi tersebut, hybrid model berisiko terlihat sebagai engineering combination.

Novelty dan Kompleksitas Bukan Hal yang Sama

Terutama pada penelitian AI, ada kecenderungan menambah banyak komponen:

CNN + Transformer + Attention + GAN + Optimizer + SHAP.

Model menjadi terlihat canggih.

Tetapi reviewer dapat bertanya:

Mengapa seluruh komponen diperlukan?

Kompleksitas bahkan dapat menjadi kelemahan apabila:

• computational cost meningkat;
• interpretability menurun;
• ablation tidak lengkap;
• improvement kecil;
• baseline comparison tidak fair.

Novelty sebaiknya lahir dari problem ilmiah, bukan dari jumlah komponen.

Bagaimana Menulis Novelty Statement?

Novelty statement dapat menggunakan struktur berikut:

Existing studies + limitation + proposed contribution + scientific purpose.

Contoh:

Existing deep learning models achieve high segmentation performance but commonly rely on computationally intensive architectures. This study proposes a lightweight hybrid architecture designed to retain local and global feature representation while reducing computational complexity.

Versi lain:

Existing studies predominantly evaluate predictive models using internal validation, leaving their robustness under distribution shift insufficiently understood. This study performs cross-dataset external validation to quantify model generalizability across independent populations.

Novelty statement seperti ini lebih kuat dibandingkan:

“The novelty of this research is using Model X.”

Checklist Novelty Penelitian

Sebelum menyatakan novelty, tanyakan:

Literature Evidence

• Apakah state of the art sudah dipetakan?
• Apakah literatur terbaru sudah diperiksa?
• Apakah closest prior works sudah ditemukan?

Difference

• Apa yang benar-benar berbeda?
• Dapatkah perbedaannya dibuat dalam comparison matrix?
• Apakah perbedaannya substantif?

Scientific Significance

• Research gap apa yang dijawab?
• Mengapa gap tersebut penting?
• Apa knowledge baru yang dihasilkan?

Feasibility

• Apakah kontribusi dapat diimplementasikan?
• Apakah data tersedia?
• Apakah resources tersedia?

Validation

• Eksperimen apa yang membuktikan novelty?
• Baseline apa yang diperlukan?
• Apakah membutuhkan ablation?
• Apakah membutuhkan external validation?

Jika jawaban terhadap pertanyaan tersebut belum jelas, novelty kemungkinan masih berupa candidate novelty, belum menjadi novelty yang terverifikasi.

Novelty Bukan Jaminan Publikasi

Penelitian yang mempunyai novelty belum tentu diterima oleh jurnal.

Editor dan reviewer masih dapat menilai:

• significance;
• methodological rigor;
• experimental validity;
• reproducibility;
• clarity;
• ethical compliance;
• journal fit.

Penelitian dapat novel tetapi methodological design-nya lemah.

Sebaliknya, penelitian dapat sangat rigorous tetapi kontribusinya terlalu incremental untuk jurnal tertentu.

Karena itu, novelty merupakan satu komponen kualitas penelitian, bukan jaminan acceptance.

Kesimpulan

Novelty adalah kebaruan yang mempunyai arti ilmiah dibandingkan dengan pengetahuan yang tersedia.

Novelty tidak harus berarti:

• menemukan teori revolusioner;
• menciptakan algoritma dari nol;
• menjadi penelitian pertama di dunia.

Novelty dapat muncul melalui:

• teori;
• metode;
• hasil;
• data;
• evaluation;
• context;
• integrasi.

Literatur scientific novelty juga memperlihatkan bahwa kebaruan dapat bersifat multidimensional, termasuk melalui new theories, new methods, dan new results.

Proses yang lebih tepat untuk menemukan novelty adalah:

Literature Search → State of the Art → Research Gap → Candidate Novelty → Closest Prior Works → Novelty Validation → Scientific Contribution

Bukan:

Punya ide → belum menemukan paper yang sama → klaim novelty.

Pertanyaan terpenting pada akhirnya bukan:

“Apakah penelitian saya berbeda?”

Tetapi:

“Apa yang berbeda, mengapa perbedaan itu penting, apa evidence-nya, dan bagaimana kontribusi tersebut dapat dibuktikan?”

Ingin Mengetahui Novelty Penelitian Anda?

Jika Anda sudah memiliki topik, judul, atau ide penelitian tetapi belum yakin dengan posisi novelty-nya, CariNovelty membantu melakukan pemetaan berdasarkan literatur ilmiah.

Novelty Mapping dapat mencakup:

• State of the Art Matrix;
• research gap analysis;
• closest prior works;
• candidate novelty;
• novelty comparison;
• evidence strength;
• feasibility;
• research risk.

Lihat contoh hasil melalui halaman Sample Produk, atau pelajari layanan Novelty Mapping pada halaman Services.