---
marp: true
paginate: true
header: 'RTI — Riset Teknologi Informasi | Universitas Putra Bangsa Kebumen'
footer: 'Helmi Bahar Alim, S.Kom., M.Kom. | 2026'
---
# Bab 1 — Research Mindset in IT
## Etika Penelitian, Validitas, dan Paradigma
*Pertemuan 1 (M1) | Sub-CPMK 1.1 | CPMK01 | CPL03*
Fase: **Thinking** (M1–M4) · Bagian I: Foundation
**Universitas Putra Bangsa** | Fak. Sains & Teknologi · Prodi Teknik Informatika
---
## Agenda Pertemuan 1
1. Pertanyaan Pemantik — Engineer vs Peneliti
2. Research Trust Model — rantai kepercayaan ilmiah
3. Etika: penjaga validitas, bukan sekadar moral
4. Tiga jenis validitas
5. Paradigma penelitian: Positivisme, Interpretivisme, Pragmatisme
6. Cognitive Traps — jebakan berpikir umum
7. Studi Kasus
8. Output Praktis Pertemuan 1
---
## Capaian Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
- Membedakan pola pikir **engineer** dan **peneliti**
- Menjelaskan **Research Trust Model** dan risiko distorsi di setiap tahap
- Mengidentifikasi 3 jenis **validitas**: internal, external, construct
- Menjelaskan peran **etika** dalam menjaga integritas ilmiah
- Menentukan **paradigma** penelitian yang sesuai untuk studi kasus TI
> Sub-CPMK 1.1 → Menunjukkan pemahaman paradigma riset dalam TI (CPL03)
---
## Pertanyaan Pemantik
Seorang developer menyelesaikan sistem deteksi plagiarisme berbasis NLP.
Demo berjalan lancar. Sistem melaporkan: **akurasi 87%**.
> Apakah 87% itu **benar**?
Pertanyaan reviewer:
- 87% terhadap *data training* atau dunia nyata?
- Konsisten pada 1.000 dokumen dari domain berbeda?
- Ada bias dalam proses pengumpulan data?
- Apa *baseline*-nya?
**Inilah batas antara Engineer dan Peneliti.**
---
## Research Trust Model
*Rantai kepercayaan dari Realitas ke Pengetahuan — setiap panah = titik rawan distorsi*
**Reality** → Data → Processing → Analysis → Inference → **Knowledge**
| Transisi | Bahaya Distorsi |
|----------|----------------|
| Reality → Data | Sampling bias, instrumen tidak dikalibrasi |
| Data → Processing | Keputusan outlier & normalisasi mengubah makna |
| Processing → Analysis | Asumsi statistik dilanggar |
| Analysis → Inference | Overgeneralisasi, logical fallacy |
| Inference → Knowledge | Peer review bypass, selective reporting |
> **Etika** mencegah distorsi yang **disengaja**. **Validitas** mendeteksi distorsi yang **tidak disengaja**.
---
## Etika: Penjaga Validitas Ilmiah
Bukan sekadar "jangan plagiat" — etika menjaga integritas seluruh rantai penelitian.
| Pelanggaran | Contoh Konkret | Dampak |
|-------------|---------------|--------|
| **Fabrikasi** | Membuat data fiktif | Hasil tidak bisa direplikasi |
| **Falsifikasi** | Membuang outlier agar p < 0.05 | Kesimpulan menyesatkan |
| **Selective reporting** | Hanya laporkan eksperimen yang berhasil | Publication bias |
| **p-hacking** | Ganti metrik berulang sampai dapat p < 0.05 | False positive |
| **HARKing** | Hipotesis dibuat *setelah* melihat data | Inversi proses ilmiah |
**Prinsip etika utama** *(Resnik, 2020)*: Kejujuran · Kehati-hatian · Keterbukaan · Integritas
---
## Tiga Jenis Validitas
*(Shadish, Cook & Campbell, 2002)*
| Tipe Validitas | Pertanyaan Kunci | Ancaman Umum |
|---------------|-----------------|--------------|
| **Internal validity** | Apakah hubungan sebab-akibat ini benar? | *Confounding variables*, history effect |
| **External validity** | Bisa digeneralisasi ke populasi lain? | Dataset terlalu sempit, domain spesifik |
| **Construct validity** | Kita mengukur konsep yang tepat? | Metrik tidak merepresentasikan konsep |
> **Insight:** Model ML akurasi 98% bisa memiliki **external validity rendah** jika hanya diuji pada satu dataset yang tidak representatif terhadap distribusi nyata.
**Tambahan:** *Conclusion validity* — apakah ada cukup bukti statistik untuk menarik kesimpulan?
---
## Paradigma Penelitian
*(Creswell & Creswell, 2018)*
| Paradigma | Asumsi Realitas | Metode Utama | Cocok untuk TI |
|-----------|----------------|-------------|---------------|
| **Positivisme** | Realitas objektif, bisa diukur | Kuantitatif, eksperimen | Benchmark, performa sistem |
| **Interpretivisme** | Realitas dikonstruksi sosial | Kualitatif, wawancara | UX research, adopsi teknologi |
| **Pragmatisme** | Kebenaran = yang berguna | Mixed methods | Evaluasi sistem + usability |
**Posisi mata kuliah ini:** Positivisme + Design Science
> Design Science Research: membuat dan mengevaluasi *artefak* (sistem, model, metode) sebagai bentuk kontribusi ilmiah — menggabungkan membangun (*build*) dengan membuktikan (*evaluate*).
---
# Cognitive Traps
## Jebakan Berpikir Peneliti Pemula
---
## Cognitive Traps — Bab 1
**"Angka tinggi = benar"**
Akurasi 98% dari dataset imbalance (95% kelas negatif) tidak bermakna. Butuh F1, AUC, confusion matrix.
**"Data itu netral"**
Data dikumpulkan oleh manusia, melalui instrumen buatan manusia — bias selalu bisa masuk di setiap tahap.
**"Kalau sistemnya jalan, berarti benar"**
Sistem berfungsi ≠ klaim tentang sistem valid. Ini perbedaan mendasar engineer vs peneliti.
**"Kegagalan tidak perlu dilaporkan"**
Kegagalan adalah data — bahkan lebih informatif dari keberhasilan. Wajib didokumentasikan.
---
## Studi Kasus 1 — Manipulasi Dataset (Basic)
**Konteks:** Mahasiswa membangun model klasifikasi teks dengan akurasi 99%.
Masalah: Data train dan data test adalah subset dari corpus yang sama dan dipreprocess bersama-sama (*data leakage*). Model "hafal" data test, bukan belajar dari pola.
**Gejala yang terlewat:**
- Performa di data baru: 61%
- Training loss vs validation loss gap sangat kecil (tidak wajar)
Solusi: Lakukan **train/validation/test split** sebelum _preprocessing_ apapun. Gunakan held-out test set yang benar-benar tidak tersentuh selama pengembangan.
> Kunci: urutan operasi dalam pipeline ML menentukan validitas hasil.
---
## Studi Kasus 2 — AI Bias (Advanced)
**Konteks:** Model screening CV untuk rekrutmen — performa teknis baik, tapi bias gender tersembunyi.
Masalah: Model dilatih pada data historis perusahaan yang memang bias (lebih banyak merekrut pria untuk posisi teknis). Model belajar mereplikasi bias ini. Akurasi keseluruhan: 89% — tetapi *false rejection rate* kandidat perempuan 3× lebih tinggi.
Solusi:
1. Tambahkan **fairness metrics** (demographic parity, equalized odds)
2. Audit distribusi training data
3. Fairness constraint dalam objective function
4. Human-in-the-loop untuk keputusan final
---
## Research vs Engineering — Perbedaan Fundamental
| Aspek | Engineering Mindset | Research Mindset |
|-------|--------------------|--------------------|
| Pertanyaan | "Bagaimana membuatnya bekerja?" | "Apakah klaim ini benar?" |
| Standar sukses | "Sistemnya berjalan" | "Validitasnya terbukti" |
| Terhadap kegagalan | Dihindari, disembunyikan | Dilaporkan, dianalisis |
| Output utama | Produk/aplikasi | Pengetahuan yang terverifikasi |
| Standar penerimaan | Functional requirement | Peer review + replikasi |
| Sumber kebenaran | Testing fungsional | Eksperimen terkontrol + statistik |
> Mata kuliah RTI melatih Anda untuk menambahkan **research mindset** di atas engineering mindset yang sudah Anda miliki.
---
## Ringkasan Pertemuan 1
| Konsep | Inti |
|--------|------|
| Research Trust Model | Reality → Data → Processing → Analysis → Inference → Knowledge |
| Etika | Mencegah distorsi **disengaja** (fabrikasi, falsifikasi, p-hacking) |
| Validitas | Internal (kausalitas), External (generalisasi), Construct (ketepatan ukur) |
| Paradigma | Positivisme + Design Science (posisi MK ini) |
| Mindset shift | Engineer membangun → Peneliti **membuktikan** |
---
## Final Statement & Output Praktis
"Penelitian bukan tentang mendapatkan hasil, tetapi tentang memastikan hasil tersebut dapat dipercaya."
### Output Praktis M1
Buat **esai analisis** (min. 400 kata):
1. Identifikasi **1 kasus nyata** di dunia TI yang melanggar etika penelitian (boleh dari berita, paper retracted, atau studi kasus terkenal)
2. Jelaskan validitas **mana yang terganggu** dan mengapa
3. Tentukan **paradigma penelitian** yang paling tepat untuk kasus tersebut
*Format: narasi, bukan bullet points. Cantumkan minimal 2 referensi APA 7th.*
---
## Referensi Utama — Bab 1
- Creswell, J. W., & Creswell, J. D. (2018). *Research design: Qualitative, quantitative, and mixed methods approaches* (5th ed.). SAGE Publications.
- Resnik, D. B. (2020). *What is ethics in research & why is it important?* National Institute of Environmental Health Sciences. https://www.niehs.nih.gov/research/resources/bioethics/whatis
- Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). *Experimental and quasi-experimental designs for generalized causal inference*. Houghton Mifflin.
- Wieringa, R. J. (2014). *Design science methodology for information systems and software engineering*. Springer.