---
marp: true
paginate: true
header: 'RTI — Riset Teknologi Informasi | Universitas Putra Bangsa Kebumen'
footer: 'Helmi Bahar Alim, S.Kom., M.Kom. | 2026'
---
# Bab 4 — RQ, Contribution & Hypothesis
## Merancang Pertanyaan Riset dan Hipotesis yang Dapat Diuji
*Pertemuan 4 (M4) | Sub-CPMK 1.4 | CPMK01 | CPL03*
Fase: **Thinking** (M1–M4) · Bagian I: Foundation
**Universitas Putra Bangsa** | Fak. Sains & Teknologi · Prodi Teknik Informatika
---
## Agenda Pertemuan 4
1. Bridge dari Bab 3 — dari gap ke pertanyaan
2. RQ Formation Model — pipeline RQ yang valid
3. Tiga jenis RQ: Comparison, Improvement, Exploratory
4. Kriteria RQ yang baik: SMART + Testable
5. Contribution statement — tiga jenis kontribusi
6. Hipotesis: H0 dan H1, syarat apa yang harus dipenuhi
7. RQ → Variable → Metric → Data → Analysis (chain of operationalization)
8. Cognitive Traps & Studi Kasus
9. Output Praktis: RQ + Contribution + H0/H1
---
## Capaian Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
- Merumuskan **Research Question (RQ)** yang tajam, terukur, dan dapat diuji
- Membedakan **3 jenis RQ**: Comparison, Improvement, Exploratory
- Menyusun **contribution statement** yang eksplisit (improvement/comparison/novel)
- Merumuskan **hipotesis H0/H1** yang testable secara statistik
- Memetakan **RQ → Variable → Metric → Data → Analysis**
> Sub-CPMK 1.4 → Merancang RQ, hypothesis, dan contribution (CPL03)
---
## Bridge dari Bab 3
Di Bab 3, Anda telah:
- Menavigasi literatur hingga menemukan **research gap**
- Memvalidasi gap (Performance / Method / Data / Context)
- Menetapkan **baseline** yang valid sebagai titik pembanding
**Pertanyaan berikutnya:**
> Dari gap yang teridentifikasi, **pertanyaan apa tepatnya** yang akan Anda jawab?
Gap adalah masalah yang belum terjawab. RQ adalah **rumusan presisi** dari pertanyaan yang akan dijawab melalui eksperimen. Tanpa RQ yang tajam, eksperimen tidak punya arah.
---
## RQ Formation Model
*Pipeline dari Problem hingga RQ yang siap dieksperimenkan*
**Problem** → Research Gap → Research Question → Hypothesis → **Experiment Design**
| Tahap | Output | Ciri Keberhasilan |
|-------|--------|------------------|
| **Problem** | Masalah yang teridentifikasi | Spesifik, terukur (dari Bab 2) |
| **Research Gap** | Celah di literatur | Jenis gap teridentifikasi (dari Bab 3) |
| **Research Question** | Pertanyaan eksplisit | Bisa dijawab melalui eksperimen |
| **Hypothesis** | H0 + H1 | Falsifiable, testable dengan statistik |
| **Experiment Design** | Blueprint eksperimen | Variabel terkontrol, baseline jelas |
> RQ bukan judul dalam bentuk tanya. RQ adalah **instrumen yang mengarahkan seluruh desain eksperimen**.
---
## Tiga Jenis Research Question
| Jenis RQ | Pertanyaan Template | Cocok Ketika |
|----------|-------------------|-------------|
| **Comparison** | "Seberapa besar perbedaan metode A vs B pada [metrik] untuk [konteks]?" | Ada dua+ pendekatan yang ingin dibandingkan |
| **Improvement** | "Sejauh mana modifikasi [X] meningkatkan [metrik] dibandingkan baseline?" | Ada celah performa yang ingin diisi |
| **Exploratory** | "Faktor apa yang paling berpengaruh terhadap [variabel] dalam [konteks]?" | Fenomena baru yang mekanismenya belum jelas |
**Contoh:**
- *Comparison:* "Seberapa besar perbedaan akurasi BERT vs IndoBERT dalam klasifikasi sentimen Bahasa Indonesia pada domain e-commerce?"
- *Improvement:* "Sejauh mana penambahan attention mechanism meningkatkan Recall pada model NER Bahasa Indonesia dibandingkan BiLSTM-CRF baseline?"
- *Exploratory:* "Faktor apa yang paling berpengaruh terhadap latensi inferensi model transformer pada perangkat edge (ARM Cortex-M7)?"
---
## Kriteria RQ yang Baik
**SMART + Testable:**
| Kriteria | Penjelasan | Contoh Gagal | Contoh Benar |
|----------|-----------|-------------|-------------|
| **Specific** | Satu masalah, satu konteks | "Bagaimana ML bekerja dalam bisnis?" | "Bagaimana XGBoost vs RF dalam fraud detection transaksi kartu kredit?" |
| **Measurable** | Ada metrik kuantitatif | "Apakah sistem lebih baik?" | "Apakah F1-score meningkat ≥ 5%?" |
| **Achievable** | Bisa dijawab dengan sumber daya yang ada | RQ butuh 10 tahun data | RQ bisa dijawab dalam 1 semester |
| **Relevant** | Terhubung ke gap yang teridentifikasi | RQ tidak ada gap-nya | RQ mengisi Method Gap yang jelas |
| **Testable** | Bisa diuji secara statistik | "Apakah AI itu berguna?" | "Apakah perbedaan signifikan (p<0.05)?" |
---
## Contribution Statement — Tiga Jenis
Setiap riset harus memiliki **contribution claim** yang eksplisit.
| Jenis Kontribusi | Definisi | Contoh Kalimat |
|-----------------|---------|---------------|
| **Improvement** | Meningkatkan performa metode yang sudah ada | "Riset ini meningkatkan Recall deteksi fraud dari 72% (baseline XGBoost) menjadi 89% melalui kombinasi SMOTE + cost-sensitive learning" |
| **Comparison** | Menyediakan perbandingan yang belum ada di konteks tertentu | "Riset ini menyediakan perbandingan komprehensif pertama antara 5 algoritma ML pada dataset transaksi perbankan syariah Indonesia" |
| **Novel Approach** | Metode atau kombinasi baru yang belum pernah digunakan | "Riset ini mengusulkan arsitektur hybrid CNN-Transformer dengan attention pruning untuk inferensi on-device dengan parameter 40% lebih sedikit" |
> Klaim "pertama di dunia" membutuhkan bukti dari systematic literature review yang ketat. Gunakan dengan hati-hati.
---
## Hipotesis: H0 dan H1
**H0 (Null Hypothesis):** tidak ada perbedaan / pengaruh signifikan antara kondisi yang dibandingkan
**H1 (Alternative Hypothesis):** ada perbedaan / pengaruh yang signifikan
**Syarat hipotesis yang valid:**
1. **Falsifiable** — bisa dibuktikan salah dengan data
2. **Testable** — bisa diuji dengan uji statistik yang tersedia
3. **Specific** — menyebutkan variabel, arah, dan ukuran efek yang diharapkan
4. **Grounded** — berdasarkan teori atau temuan literatur sebelumnya
**Contoh pair H0/H1:**
> **H0:** Penambahan *attention mechanism* pada BiLSTM tidak meningkatkan F1-score NER secara signifikan (p ≥ 0.05) dibandingkan BiLSTM baseline.
>
> **H1:** Penambahan *attention mechanism* pada BiLSTM meningkatkan F1-score NER secara signifikan (p < 0.05) dibandingkan BiLSTM baseline.
---
## RQ → Variable → Metric → Data → Analysis
*Rantai operasionalisasi yang tidak boleh putus*
**RQ** → Independent Var → Dependent Var → Metric → Data Type → **Statistical Test**
**Contoh lengkap:**
| Elemen | Nilai |
|--------|-------|
| **RQ** | Sejauh mana SMOTE meningkatkan Recall dalam fraud detection? |
| **Independent Variable** | Teknik resampling: tanpa SMOTE vs dengan SMOTE |
| **Dependent Variable** | Kemampuan deteksi fraud |
| **Metric** | Recall, F2-score, AUC-ROC |
| **Data Type** | Ratio scale |
| **Statistical Test** | Paired t-test / Wilcoxon signed-rank |
> Jika satu elemen tidak terhubung ke elemen lainnya → construct validity rusak.
---
# Cognitive Traps
## Bab 4 — RQ & Hypothesis
---
## Cognitive Traps — Bab 4
**"RQ = judul penelitian dalam bentuk kalimat tanya"**
Judul bersifat deskriptif. RQ bersifat *operational* — ia mendefinisikan variabel, konteks, dan ukuran keberhasilan. "Bagaimana sistem deteksi fraud berbasis ML?" bukan RQ — tidak ada yang bisa dieksperimenkan.
**"RQ tidak perlu metric — yang penting pertanyaannya jelas"**
Tanpa metrik, tidak ada cara mengukur apakah RQ berhasil dijawab. RQ harus mengandung atau secara implisit mengarah ke ukuran kuantitatif.
**"RQ bisa dijawab tanpa eksperimen"**
Jika RQ bisa dijawab hanya dengan membaca buku atau teori, itu bukan RQ penelitian — itu pertanyaan studi literatur. RQ harus membutuhkan data empiris.
---
## Studi Kasus 1 — RQ Terlalu Umum (Basic)
**RQ awal:** *"Bagaimana deep learning dapat meningkatkan akurasi klasifikasi teks?"*
**Masalah:**
- Terlalu luas: "deep learning" (ratusan arsitektur), "teks" (semua domain), "akurasi" (metrik tunggal + imbalance risk)
- Tidak ada konteks spesifik
- Tidak ada baseline yang jelas
- Tidak bisa diuji dalam satu semester
**RQ yang diperbaiki:** *"Sejauh mana fine-tuning IndoBERT pada dataset review produk e-commerce berbahasa Indonesia meningkatkan F1-score klasifikasi sentimen dibandingkan baseline IndoBERT tanpa fine-tuning, dengan distribusi kelas yang seimbang?"*
**Perbaikan:** domain (e-commerce Indonesia), model spesifik (IndoBERT), metrik (F1-score), baseline (IndoBERT vanilla), kontrol (distribusi kelas).
---
## Studi Kasus 2 — RQ Tanpa Baseline (Advanced)
**Situasi:** Peneliti ingin meneliti "efektivitas GAN dalam augmentasi data medis." RQ: *"Apakah GAN dapat menghasilkan data medis sintetis yang berguna?"*
**Masalah:**
- Tidak ada baseline pembanding
- "Berguna" tidak terukur
- Tidak ada metrik kualitas data sintetis yang dispesifikkan
- Tidak ada uji hipotesis yang bisa dirancang
**RQ yang diperbaiki:**
*"Sejauh mana augmentasi data menggunakan StyleGAN2 meningkatkan F1-score klasifikasi pneumonia pada chest X-ray dibandingkan baseline tanpa augmentasi dan augmentasi tradisional (flip+rotation+brightness), diukur pada dataset ChestX-ray14 dengan split 70/15/15?"*
**Perbaikan:** Metode GAN spesifik, 2 baseline (tanpa augmentasi + augmentasi tradisional), metrik jelas, dataset dan split terdefinisi.
---
## Ringkasan Pertemuan 4
| Konsep | Inti |
|--------|------|
| RQ Formation | Problem → Gap → RQ → Hypothesis → Experiment Design |
| 3 Jenis RQ | Comparison · Improvement · Exploratory |
| Kriteria RQ | SMART + Testable + ada metrik kuantitatif |
| Contribution | Improvement / Comparison / Novel (pilih satu, klaim eksplisit) |
| H0/H1 | Null vs Alternative, falsifiable, testable, specific |
| Operasionalisasi | RQ → IndepVar → DepVar → Metric → DataType → StatTest |
---
## Final Statement & Output Praktis
"Research Question bukan sekadar pertanyaan, tetapi blueprint dari eksperimen yang akan dilakukan."
### Output Praktis M4
Susun **3 dokumen akhir Fase Thinking**:
1. **Research Question** — 1 RQ yang memenuhi SMART+Testable, sesuai jenis (comparison/improvement/exploratory)
2. **Contribution Statement** — 1–2 kalimat eksplisit tentang kontribusi riset Anda
3. **Hipotesis** — H0 + H1 yang falsifiable, disertai StatTest yang direncanakan
*Ketiga dokumen ini + Problem Statement (M2) + Gap Statement (M3) = fondasi proposal riset Anda.*
---
## Referensi Utama — Bab 4
- Creswell, J. W., & Creswell, J. D. (2018). *Research design: Qualitative, quantitative, and mixed methods approaches* (5th ed.). SAGE Publications.
- Kitchenham, B. A., Pfleeger, S. L., Pickard, L. M., Jones, P. W., Hoaglin, D. C., El Emam, K., & Rosenberg, J. (2002). Preliminary guidelines for empirical research in software engineering. *IEEE Transactions on Software Engineering, 28*(8), 721–734.
- Runeson, P., & Höst, M. (2009). Guidelines for conducting and reporting case study research in software engineering. *Empirical Software Engineering, 14*(2), 131–164.
- Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., & Wesslén, A. (2012). *Experimentation in software engineering*. Springer.