Jenis-Jenis Novelty dalam Penelitian dan Contohnya: Mana yang Paling Kuat?

Novelty merupakan salah satu unsur penting yang menentukan kontribusi sebuah penelitian. Peneliti sering memahami novelty secara terlalu sempit, misalnya menganggap penelitian baru harus menghasilkan algoritma baru, model baru, atau teori yang sama sekali belum pernah ada.

Pemahaman tersebut kurang tepat.

Kebaruan penelitian dapat muncul pada berbagai dimensi. Sebuah penelitian dapat memberikan kontribusi melalui teori, metode, hasil empiris, data, strategi evaluasi, konteks penerapan, atau integrasi beberapa konsep yang sebelumnya belum terhubung secara memadai.

Pertanyaan yang lebih tepat bukan:

“Apakah saya harus menciptakan metode baru agar penelitian memiliki novelty?”

Pertanyaannya adalah:

“Pengetahuan baru apa yang dihasilkan penelitian saya dibandingkan dengan state of the art?”

Artikel ini membahas jenis-jenis novelty dalam penelitian, contoh masing-masing novelty, cara menilai kekuatannya, serta kesalahan yang perlu dihindari ketika menyusun klaim novelty.

Apakah Ada Klasifikasi Resmi Jenis Novelty?

Tidak terdapat satu klasifikasi jenis novelty yang berlaku secara universal untuk seluruh disiplin ilmu.

Bidang yang berbeda dapat mendefinisikan kebaruan dengan perspektif yang berbeda.

Dalam studi mengenai scientific novelty, Leahey, Lee, dan Funk membedakan novelty menjadi tiga bentuk utama, yaitu:

1. new theories;
2. new methods;
3. new results.

Kerangka penelitian lain juga menggunakan tiga dimensi yang serupa, yaitu theoretical novelty, methodological novelty, dan results-based novelty.

Ketiga kategori tersebut dapat dipandang sebagai dimensi inti novelty.

Dalam praktik penelitian terapan, novelty kemudian dapat muncul dalam bentuk yang lebih spesifik seperti dataset baru, strategi evaluasi baru, aplikasi pada konteks yang secara ilmiah berbeda, atau integrasi beberapa metode.

Artinya, jenis novelty tidak selalu bersifat eksklusif.

Sebuah penelitian bahkan dapat mempunyai beberapa novelty sekaligus.

Contohnya, penelitian Artificial Intelligence dapat mempunyai:

• methodological novelty melalui arsitektur baru;
• data novelty melalui dataset baru;
• evaluation novelty melalui external validation;
• results-based novelty melalui temuan baru mengenai kemampuan generalisasi model.

Karena itu, novelty sebaiknya dipandang sebagai multidimensional contribution, bukan sekadar label tunggal.

1. Theoretical Novelty

Theoretical novelty muncul ketika penelitian menghasilkan, memperluas, mengubah, mengintegrasikan, atau menantang penjelasan teoritis yang sudah tersedia.

Jenis novelty ini banyak ditemukan pada bidang:

• manajemen;
• psikologi;
• ilmu sosial;
• ekonomi;
• sistem informasi;
• pendidikan;
• organizational studies.

Theoretical novelty tidak selalu berarti menciptakan teori yang benar-benar baru.

Penelitian dapat menghasilkan theoretical contribution melalui beberapa cara.

Mengembangkan hubungan baru antarkonstruk

Contoh:

Penelitian terdahulu menunjukkan bahwa penggunaan teknologi berhubungan dengan produktivitas.

Penelitian baru menemukan bahwa hubungan tersebut hanya muncul ketika organizational digital capability berada pada tingkat tertentu.

Kontribusi tidak hanya berupa:

Technology → Productivity.

Tetapi menjadi:

Technology → Digital Capability → Productivity.

Penelitian tersebut memperluas penjelasan teoritis mengenai mekanisme hubungan antarvariabel.

Memperluas teori

Sebuah teori mungkin bekerja pada konteks tertentu tetapi belum mampu menjelaskan fenomena baru.

Penelitian dapat memperluas boundary conditions teori tersebut.

Mengintegrasikan dua perspektif teoritis

Misalnya penelitian mengintegrasikan Technology Acceptance Model dengan Self-Determination Theory untuk menjelaskan fenomena penggunaan teknologi tertentu.

Integrasi teori dapat memberikan novelty apabila menghasilkan penjelasan yang tidak dapat diperoleh hanya dari salah satu teori.

Menantang asumsi existing theory

Penelitian juga dapat menghasilkan theoretical novelty ketika evidence menunjukkan bahwa asumsi yang selama ini diterima tidak selalu berlaku.

Jenis kontribusi ini berpotensi kuat karena penelitian tidak hanya menambahkan variabel baru, tetapi mengubah cara suatu fenomena dipahami.

2. Methodological Novelty

Methodological novelty muncul ketika penelitian memperkenalkan atau mengembangkan metode yang menghasilkan kemampuan penelitian yang sebelumnya belum tersedia atau belum memadai.

Bergh dan kolega menjelaskan bahwa methodological contribution mempunyai posisi penting bersama theoretical advancement dalam perkembangan disiplin ilmu.

Methodological novelty dapat berbentuk:

• algoritma baru;
• arsitektur model baru;
• analytical procedure baru;
• measurement method baru;
• experimental procedure baru;
• optimization technique baru;
• sampling strategy baru;
• instrument baru;
• computational framework baru.

Dalam Computer Science dan Artificial Intelligence, methodological novelty merupakan jenis novelty yang sangat umum.

Contoh Methodological Novelty pada AI

Misalnya penelitian sebelumnya menggunakan:

CNN → Attention → Classifier

Penelitian baru mengembangkan:

CNN → Lightweight State-Space Block → Adaptive Attention → Classifier

Arsitektur baru tersebut belum otomatis menjadi novelty yang kuat.

Peneliti masih harus menjelaskan:

1. masalah metode sebelumnya;
2. alasan komponen baru diperlukan;
3. mekanisme yang membuat metode baru berbeda;
4. keuntungan yang diharapkan;
5. bagaimana kontribusi setiap komponen akan diuji.

Methodological novelty yang kuat mempunyai hubungan:

Existing limitation → methodological innovation → measurable improvement.

Bukan:

Metode A + metode B = novelty.

Apakah Hybrid Model Termasuk Methodological Novelty?

Bisa, tetapi tidak otomatis.

Misalnya:

CNN + Transformer

tidak otomatis mempunyai novelty hanya karena dua metode digabungkan.

Peneliti harus menjelaskan alasan integrasinya.

Contoh argumentasi yang lebih kuat:

CNN efektif menangkap local spatial features, tetapi memiliki keterbatasan dalam memodelkan long-range dependencies. Transformer dapat menangkap global relationship, tetapi mempunyai computational complexity tinggi. Penelitian mengembangkan mekanisme hybrid yang mempertahankan local representation sambil menggunakan efficient global modeling.

Novelty berada pada mekanisme dan kontribusi integrasinya, bukan sekadar pada tanda “+”.

3. Results-Based atau Empirical Novelty

Penelitian tidak selalu membutuhkan teori atau metode baru.

Novelty juga dapat muncul dari hasil atau evidence baru.

Results-based novelty terjadi ketika penelitian menghasilkan temuan yang sebelumnya belum diketahui, belum teruji secara memadai, atau berbeda dari pemahaman yang tersedia.

Jenis novelty ini sering diremehkan.

Padahal penelitian science-of-science menunjukkan bahwa new results merupakan salah satu bentuk utama scientific novelty.

Contohnya:

Penelitian sebelumnya berasumsi bahwa Model A selalu lebih baik dibandingkan Model B.

Penelitian baru melakukan pengujian lebih luas dan menemukan:

Model A hanya unggul pada kondisi data tertentu, sedangkan Model B lebih robust terhadap distribution shift.

Penelitian tersebut mungkin tidak menciptakan algoritma baru.

Kontribusinya adalah evidence baru yang mengubah pemahaman mengenai performa existing methods.

Contoh lain

Penelitian sebelumnya:

Deep learning menghasilkan accuracy tinggi pada Dataset A.

Penelitian baru:

Ketika model diuji pada Dataset B dari institusi berbeda, performanya turun secara signifikan.

Hasil tersebut dapat menghasilkan kontribusi penting mengenai:

generalizability.

Novelty-nya terletak pada evidence bahwa existing performance tidak dapat digeneralisasi secara langsung.

Empirical contribution seperti ini dapat sangat bernilai karena ilmu pengetahuan tidak hanya berkembang melalui metode baru, tetapi juga melalui evidence yang memperkuat, membatasi, atau menolak pemahaman sebelumnya.

4. Data atau Dataset Novelty

Dalam penelitian terapan, novelty dapat muncul dari data.

Data novelty terjadi ketika penelitian menyediakan data yang memungkinkan pertanyaan ilmiah baru dijawab.

Contohnya:

• dataset dari populasi yang belum terwakili;
• dataset multi-institusi;
• dataset multimodal;
• dataset longitudinal;
• dataset dengan annotation baru;
• dataset dengan granularitas lebih tinggi;
• benchmark dataset baru;
• dataset yang merepresentasikan kondisi nyata yang sebelumnya tidak tersedia.

Akan tetapi:

“Saya menggunakan dataset yang berbeda”

belum cukup untuk disebut novelty.

Data harus mempunyai scientific significance.

Contoh Data Novelty yang Lemah

Penelitian sebelumnya menggunakan Dataset A. Penelitian saya menggunakan Dataset B.

Tidak ada penjelasan mengapa Dataset B penting.

Contoh yang Lebih Kuat

Existing models predominantly rely on data from a single institution, limiting evidence regarding population heterogeneity. This study evaluates the models using a multi-center dataset representing heterogeneous demographic and acquisition characteristics.

Pada kasus tersebut, dataset baru memberikan kemampuan untuk menguji:

population generalization.

Novelty bukan sekadar “dataset berbeda”, tetapi evidence baru yang dapat diperoleh karena karakteristik dataset tersebut.

5. Evaluation atau Experimental Novelty

Novelty juga dapat berasal dari cara penelitian mengevaluasi sesuatu.

Jenis novelty ini sangat relevan untuk penelitian AI, machine learning, kesehatan, engineering, dan bidang eksperimental.

Existing research mungkin sudah mempunyai metode yang baik, tetapi evaluasinya belum cukup untuk mendukung klaim yang dibuat.

Contoh evaluation novelty:

• external validation;
• cross-dataset validation;
• subject-independent testing;
• temporal validation;
• robustness testing;
• fairness evaluation;
• calibration analysis;
• uncertainty evaluation;
• efficiency benchmarking;
• ablation study yang lebih komprehensif;
• statistical significance testing;
• sensitivity analysis.

Contoh

Penelitian terdahulu melaporkan:

Accuracy = 97%.

Kelihatannya sangat baik.

Setelah diperiksa, seluruh penelitian hanya menggunakan random split dari satu dataset.

Penelitian baru kemudian melakukan:

training pada Dataset A → external testing pada Dataset B.

Hasilnya menunjukkan accuracy turun menjadi 82%.

Penelitian tersebut menghasilkan informasi yang sebelumnya tidak tersedia mengenai kemampuan generalisasi model.

Novelty-nya bukan model baru.

Novelty-nya adalah evaluation framework yang menghasilkan evidence baru mengenai robustness atau generalizability.

Dalam beberapa penelitian, kontribusi seperti ini bahkan lebih bermakna daripada menambahkan satu layer baru pada model.

6. Contextual atau Application Novelty

Novelty dapat muncul ketika existing knowledge diterapkan pada konteks baru yang secara ilmiah mempunyai karakteristik berbeda.

Kata kuncinya adalah:

secara ilmiah berbeda.

Mengganti lokasi penelitian saja belum cukup.

Contoh yang lemah:

Penelitian sebelumnya dilakukan di Jakarta. Penelitian ini dilakukan di Yogyakarta.

Apa implikasi ilmiahnya?

Jika tidak ada, perbedaan lokasi bukan novelty yang kuat.

Contoh yang Lebih Kuat

Misalnya existing model dikembangkan menggunakan citra dari perangkat high-end.

Penelitian baru mengevaluasi metode pada citra smartphone dengan:

• resolusi berbeda;
• illumination tidak terkontrol;
• noise lebih tinggi;
• acquisition variability lebih besar.

Konteks baru tersebut mempunyai konsekuensi terhadap kemampuan model.

Penelitian dapat menghasilkan application novelty karena menjawab:

Apakah metode yang berhasil pada controlled environment masih dapat bekerja pada real-world mobile acquisition?

Konteks baru mempunyai nilai novelty apabila mengubah:

• asumsi;
• karakteristik data;
• kondisi operasional;
• populasi;
• boundary condition;
• requirement metode.

7. Integrative atau Recombinational Novelty

Ilmu pengetahuan sering berkembang bukan dengan menciptakan seluruh komponen dari nol, tetapi dengan menghubungkan pengetahuan yang sebelumnya terpisah.

Integrative novelty terjadi ketika penelitian:

• menggabungkan teori dari domain berbeda;
• mengintegrasikan beberapa modality;
• menghubungkan metode yang sebelumnya berkembang terpisah;
• membuat framework yang menyatukan komponen-komponen existing;
• mentransfer pendekatan dari satu disiplin ke problem berbeda dengan justifikasi ilmiah.

Contoh pada AI:

Vision features + physiological signals + clinical variables.

Masing-masing modality sudah pernah digunakan.

Novelty dapat muncul ketika penelitian mengembangkan multimodal framework yang mengintegrasikan ketiganya dan menunjukkan bahwa complementary information menghasilkan kemampuan prediksi yang lebih baik.

Sekali lagi:

kombinasi bukan otomatis novelty.

Integrasi harus menghasilkan sesuatu yang tidak dapat diperoleh secara memadai dari komponen individual.

Ringkasan Jenis Novelty

Secara praktis, novelty dapat dipetakan sebagai berikut.

Jenis Novelty	Pertanyaan Utama	Contoh
Theoretical	Apa penjelasan baru yang diberikan?	Framework atau hubungan teoritis baru
Methodological	Bagaimana metode diperbaiki atau dikembangkan?	Algoritma atau arsitektur baru
Results-Based	Pengetahuan empiris baru apa yang ditemukan?	Temuan yang membatasi atau menantang hasil sebelumnya
Data	Evidence baru apa yang dimungkinkan oleh data?	Multi-center atau multimodal dataset
Evaluation	Apa yang sebelumnya belum dievaluasi?	External validation atau robustness test
Contextual	Apakah existing knowledge berlaku pada kondisi berbeda?	Real-world deployment
Integrative	Apa yang dihasilkan dari integrasi pengetahuan?	Multimodal atau interdisciplinary framework

Kategori-kategori tersebut dapat saling beririsan.

Satu penelitian dapat memiliki tiga atau empat dimensi novelty sekaligus.

Mana Jenis Novelty yang Paling Kuat?

Tidak ada jenis novelty yang otomatis lebih kuat daripada lainnya.

Kekuatan novelty lebih ditentukan oleh:

relevance + evidence + significance + differentiation.

Methodological novelty yang terlihat kompleks dapat lemah apabila hanya meningkatkan accuracy sebesar 0,1% tanpa memberikan insight baru.

Sebaliknya, evaluation novelty dapat menjadi sangat kuat apabila membuktikan bahwa model yang dianggap state of the art ternyata gagal ketika diuji pada populasi eksternal.

Pertanyaan yang lebih tepat bukan:

“Jenis novelty mana yang paling bagus?”

Tetapi:

“Novelty mana yang menjawab research gap paling penting dalam bidang saya?”

Novelty yang Kuat Harus Menjawab Research Gap

Hubungan antara research gap dan novelty harus terlihat jelas.

Contoh pertama:

Research Gap

Existing deep learning models mempunyai computational complexity tinggi.

Novelty

Lightweight architecture dengan mekanisme efficient feature extraction.

Contoh kedua:

Research Gap

Existing studies hanya menggunakan internal validation.

Novelty

Cross-dataset external validation.

Contoh ketiga:

Research Gap

Kontribusi individual komponen hybrid model belum diketahui.

Novelty

Systematic component-level ablation analysis.

Contoh keempat:

Research Gap

Existing datasets tidak merepresentasikan kelompok populasi tertentu.

Novelty

Dataset baru dengan representasi populasi yang lebih beragam.

Dengan struktur tersebut, novelty tidak muncul secara tiba-tiba.

Novelty merupakan respons terhadap gap.

Apakah Novelty Harus Benar-Benar Baru 100%?

Tidak dalam pengertian bahwa seluruh elemen penelitian harus belum pernah ada.

Hampir semua penelitian dibangun di atas existing knowledge.

CNN bukan baru.

Transformer bukan baru.

SHAP bukan baru.

External validation bukan baru.

Multimodal learning juga bukan baru.

Novelty dapat muncul dari:

• problem baru yang signifikan;
• mekanisme baru;
• integrasi yang mempunyai alasan ilmiah;
• evidence baru;
• evaluasi yang belum dilakukan;
• kondisi baru yang menguji batas existing knowledge.

Hal yang harus dibandingkan adalah keseluruhan research contribution terhadap closest prior works.

Kebaruan Tidak Sama dengan Kompleksitas

Kesalahan yang sering muncul terutama pada penelitian AI adalah menyamakan novelty dengan jumlah komponen.

Misalnya:

CNN + Transformer + Attention + GAN + SHAP + Optimization Algorithm

terlihat kompleks.

Akan tetapi, kompleksitas bukan novelty.

Reviewer justru dapat bertanya:

• Mengapa setiap komponen diperlukan?
• Apa kontribusi masing-masing komponen?
• Apakah peningkatan performa berasal dari novelty atau sekadar penambahan parameter?
• Apakah terdapat ablation study?
• Bagaimana dibandingkan dengan baseline yang lebih sederhana?

Metode sederhana dengan research question yang kuat dapat memberikan kontribusi lebih bernilai dibandingkan model kompleks tanpa justification.

Cara Menentukan Jenis Novelty Penelitian

Gunakan proses berikut.

1. Petakan State of the Art

Identifikasi:

• metode dominan;
• dataset;
• theoretical perspective;
• evaluation strategy;
• key results;
• limitations.

Gunakan SOTA Matrix agar penelitian dapat dibandingkan secara sistematis.

2. Temukan Research Gap

Cari pola seperti:

• limitation berulang;
• contradictory results;
• population yang kurang terwakili;
• metode yang belum memadai;
• evaluation yang terbatas;
• trade-off yang belum terselesaikan.

3. Tentukan Bentuk Kontribusi yang Dibutuhkan

Tanyakan:

Apakah gap membutuhkan teori baru?

Metode baru?

Data baru?

Pengujian baru?

Evidence baru?

Konteks baru?

Jawaban tersebut mulai menunjukkan jenis novelty.

4. Cari Closest Prior Works

Jangan hanya mencari artikel yang mendukung ide Anda.

Cari penelitian yang paling menyerupai proposed research.

Jika Anda mengusulkan:

Lightweight CNN-Transformer with external validation.

Cari secara spesifik:

• lightweight CNN Transformer;
• efficient hybrid Transformer;
• CNN Transformer external validation;
• lightweight medical image Transformer;
• cross-dataset hybrid deep learning.

Tujuan tahap ini adalah menguji novelty, bukan membenarkannya.

5. Buat Novelty Matrix

Contoh:

Komponen	Study A	Study B	Study C	Proposed
Lightweight Architecture	✓	✕	✓	✓
Hybrid Global-Local	✕	✓	✓	✓
External Validation	✕	✕	✓	✓
Efficiency Analysis	✓	✕	✕	✓
Ablation Study	✕	✓	✕	✓

Tabel tersebut membantu menunjukkan:

di mana posisi proposed research dibandingkan penelitian terdekat.

Contoh Novelty pada Penelitian Machine Learning

Misalnya topiknya:

Sleep Stage Classification

Literature mapping menunjukkan:

• CNN banyak digunakan;
• CNN-LSTM juga sudah umum;
• Transformer mulai berkembang;
• beberapa model mencapai accuracy tinggi;
• computational complexity meningkat;
• interpretability masih terbatas;
• stability feature belum banyak dianalisis.

Candidate novelty yang lemah:

Menggunakan CNN-LSTM untuk sleep stage classification.

Mengapa lemah?

Karena metode tersebut sudah banyak digunakan.

Candidate yang lebih kuat:

Mengembangkan lightweight ensemble dengan feature selection berbasis explainable AI dan stability-aware evaluation.

Jenis novelty yang mungkin muncul:

Methodological novelty: lightweight ensemble strategy.

Evaluation novelty: stability-aware evaluation.

Results-based novelty: evidence mengenai hubungan feature stability dan classification performance.

Satu penelitian mempunyai beberapa novelty sekaligus.

Contoh Novelty pada Computer Vision

Research gap:

Model segmentation dengan performa tinggi mempunyai computational requirement besar.

Possible novelty:

Efficient segmentation architecture menggunakan lightweight state-space modeling.

Jenis novelty:

• methodological;
• computational efficiency;
• potentially results-based apabila menghasilkan trade-off baru.

Akan tetapi, peneliti tetap harus memeriksa apakah lightweight state-space segmentation sudah pernah dikembangkan untuk problem yang sama.

Contoh Novelty Tanpa Membuat Model Baru

Anggap model untuk medical image classification sudah tersedia.

Penelitian baru melakukan:

• training pada rumah sakit A;
• testing pada rumah sakit B;
• subgroup evaluation;
• calibration analysis;
• uncertainty estimation.

Tidak ada model baru.

Tetapi penelitian dapat menghasilkan:

Evaluation novelty

dan:

Results-based novelty

apabila pengujian tersebut menghasilkan evidence baru mengenai generalizability dan reliability.

Jenis penelitian seperti ini sering lebih dekat dengan masalah implementasi nyata dibandingkan sekadar menambah kompleksitas model.

Novelty yang Lemah dan Novelty yang Lebih Kuat

Lemah

Belum ada penelitian yang menggunakan XGBoost pada dataset ini.

Lebih kuat

Existing approaches demonstrate strong predictive performance but exhibit limited interpretability. This study evaluates an explainable gradient-boosting framework to quantify feature contributions while maintaining predictive performance.

---

Lemah

Penelitian ini menggabungkan CNN dan Transformer.

Lebih kuat

Existing CNN models capture local representations effectively but have limited global contextual modeling, while full Transformer architectures introduce substantial computational overhead. This study develops an efficient hybrid architecture designed to balance local-global representation and computational efficiency.

---

Lemah

Penelitian ini dilakukan di Indonesia.

Lebih kuat

Existing models were predominantly developed using populations from a limited geographic distribution. This study evaluates cross-population generalizability using an independently collected Indonesian cohort with distinct demographic characteristics.

Perbedaannya terletak pada scientific reasoning.

Bagaimana Menulis Novelty Statement?

Novelty statement sebaiknya menyebut:

1. keterbatasan existing research;
2. kontribusi penelitian;
3. aspek yang membedakannya;
4. tujuan atau konsekuensi ilmiah.

Struktur sederhana:

Existing studies primarily [state of the art], but remain limited by [research gap]. This study proposes [novel contribution] to [scientific objective].

Contoh:

Existing high-performance segmentation models rely on computationally intensive architectures, limiting their feasibility for resource-constrained deployment. This study proposes a lightweight hybrid architecture designed to maintain segmentation performance while substantially reducing computational complexity.

Kalimat tersebut lebih informatif dibandingkan:

The novelty of this study is the proposed hybrid model.

Apakah Satu Penelitian Harus Memiliki Banyak Novelty?

Tidak.

Satu novelty yang kuat lebih baik dibandingkan lima novelty yang artifisial.

Masalah yang sering terjadi adalah peneliti mencoba membuat terlalu banyak klaim:

• model baru;
• dataset baru;
• framework baru;
• algoritma baru;
• sistem baru;
• evaluation baru.

Padahal beberapa hanya merupakan bagian teknis dari satu kontribusi utama.

Lebih baik membedakan:

Primary novelty

dan:

Supporting contributions.

Contoh:

Primary Novelty

Lightweight hybrid architecture.

Supporting Contributions

• external validation;
• ablation analysis;
• efficiency benchmarking.

Struktur tersebut membuat positioning penelitian lebih jelas.

Checklist Menilai Kekuatan Novelty

Gunakan pertanyaan berikut sebelum menetapkan novelty.

Evidence

• Apakah novelty didukung literature mapping?
• Apakah closest prior works sudah diperiksa?
• Apakah publikasi terbaru sudah dicari?

Difference

• Apa tepatnya yang berbeda?
• Apakah perbedaannya dapat ditunjukkan dalam comparison matrix?
• Apakah perbedaannya substantif atau hanya teknis?

Significance

• Masalah apa yang diselesaikan?
• Mengapa masalah tersebut penting?
• Siapa yang memperoleh manfaat ilmiah dari kontribusi tersebut?

Feasibility

• Apakah novelty dapat diimplementasikan?
• Apakah dataset tersedia?
• Apakah computational resources memadai?
• Apakah novelty dapat diuji secara empiris?

Validation

• Eksperimen apa yang membuktikan novelty?
• Baseline apa yang diperlukan?
• Apakah dibutuhkan ablation study?
• Apakah diperlukan external validation?
• Apa metric yang tepat?

Novelty yang tidak dapat diuji akan sulit dipertahankan dalam artikel empiris.

Kesalahan Umum Ketika Menentukan Jenis Novelty

Menganggap novelty hanya berarti metode baru

Ini mengabaikan theoretical, empirical, evaluation, dan data contribution.

Menentukan novelty sebelum membaca literatur

Akibatnya, peneliti mencari pembenaran terhadap ide yang sudah dipilih.

Menyebut kombinasi metode sebagai novelty

Integrasi membutuhkan scientific justification.

Menganggap dataset berbeda otomatis baru

Dataset harus menghasilkan evidence atau kemampuan penelitian yang relevan.

Menganggap lokasi berbeda sebagai novelty

Konteks harus mempunyai konsekuensi ilmiah.

Mengabaikan closest prior works

Paper paling mirip jauh lebih penting untuk novelty validation dibandingkan banyak paper yang hanya memiliki kesamaan topik.

Membuat klaim absolut

Hindari:

“Belum pernah ada penelitian yang…”

Gunakan:

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

atau:

“Evidence terkait aspek tersebut masih terbatas dalam literatur yang dianalisis.”

Klaim seperti ini lebih proporsional terhadap keterbatasan literature search.

Kesimpulan

Novelty penelitian tidak hanya berbentuk metode atau algoritma baru.

Literatur scientific novelty menunjukkan tiga dimensi inti yang kuat, yaitu:

• theoretical novelty;
• methodological novelty;
• results-based novelty.

Dalam penelitian terapan, novelty tersebut dapat termanifestasi lebih spesifik melalui:

• data atau dataset;
• evaluation dan experimental design;
• application atau context;
• integrasi beberapa pendekatan.

Jenis novelty yang paling tepat bergantung pada research gap.

Urutan yang lebih defensible adalah:

State of the Art → Research Gap → Candidate Novelty → Closest Prior Work → Novelty Validation → Scientific Contribution

Bukan:

Pilih metode baru → cari paper → klaim novelty.

Pada akhirnya, kualitas novelty tidak ditentukan oleh seberapa kompleks ide tersebut.

Novelty menjadi kuat ketika penelitian dapat menunjukkan dengan evidence:

apa yang berbeda, mengapa perbedaan tersebut penting, dan bagaimana kontribusi tersebut dapat dibuktikan.

Belum Yakin Jenis Novelty Penelitian Anda?

Jika Anda sudah memiliki topik atau ide penelitian tetapi belum dapat menentukan research gap dan jenis novelty yang paling sesuai, CariNovelty menyediakan layanan Novelty Mapping untuk memetakan posisi penelitian berdasarkan literatur.

Analisis dapat mencakup:

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

Sebelum menggunakan layanan, Anda dapat melihat contoh deliverable melalui halaman Sample Produk CariNovelty.