riset-teknologi-informasi/docs/disscus04.md

RPS_OBE - Riset Teknologi Informasi draft.pdf PDF analisa RPS tersebut! Role: berindak sebagai sebagai ahli expert di bidang yang sesuai dengan ini. task: 1. buatkan design materi (key prompt) untuk tiap pertemuanya secara lengkap dan detail sesuai RUJUKAn

jika paham silahkan di konfirmasi!

Ya, saya paham konteks dan tugasnya.

Saya akan bertindak sebagai expert di bidang Riset TI / Software Engineering Research / Design Science, lalu:

Menganalisis struktur RPS secara konseptual (OBE, alignment CPMK–SubCPMK–assessment–materi)

Menyusun DESIGN MATERI (KEY PROMPT) untuk setiap pertemuan (M1–M16) secara:

berbasis Sub-CPMK

selaras dengan CPMK & CPL

mengacu eksplisit ke RUJUKAN utama (Creswell, Wohlin, Hevner, Webster & Watson, dll.)

menggunakan pendekatan research-based learning + project-based experimentation

format: deep prompt (bisa langsung dipakai dosen untuk mengajar / AI-assisted teaching / LMS)

Jika sudah sesuai, saya akan lanjutkan langsung ke: 👉 Analisis RPS (kritikal & expert-level) 👉 Design Materi per Pertemuan (Key Prompt lengkap & detail)

Silakan konfirmasi: lanjut langsung atau ingin fokus dulu ke analisis saja?

analisa secara mendalam dulu!

Baik. Saya akan langsung masuk ke analisis mendalam (expert-level) terhadap RPS ini dari perspektif:

Outcome-Based Education (OBE alignment)

Research methodology rigor (Software Engineering & IS Research)

Constructive alignment (Biggs)

Design Science Research (DSR) compliance

Assessment validity & learning trajectory

🔍 1. ANALISIS STRUKTUR FUNDAMENTAL RPS 1.1 Kekuatan Utama (Strong Points) ✅ (A) Alignment OBE: CPL → CPMK → Sub-CPMK → Assessment RPS ini sudah sangat kuat secara struktur OBE:

CPL → CPMK mapping jelas dan proporsional

CPMK → Sub-CPMK terurai granular dan operasional

Setiap minggu:

ada indikator

ada kriteria (rubrik-based thinking)

ada instrumen evaluasi

👉 Ini menunjukkan:

RPS sudah mengadopsi constructive alignment (Biggs, 1996)

✅ (B) Research Pipeline Sangat Konsisten (End-to-End Research Lifecycle) Alur materi:

Ethics → Problem → Gap → RQ

Metrics → Design → Experiment

Implementation → Execution → Data

Analysis → Reporting → Defense

👉 Ini sangat ideal dan selaras dengan:

Creswell (Research Design)

Wohlin (Experimentation in Software Engineering)

Hevner (Design Science Research)

📌 Insight:

Ini bukan sekadar “metodologi penelitian”, tapi sudah masuk ke experimental computing research pipeline

✅ (C) Integrasi Design Science Research (DSR) Elemen DSR muncul kuat di:

CPMK03: desain artefak (aplikasi/sistem)

CPMK04: implementasi artefak

CPMK05: evaluasi artefak

👉 Ini align dengan:

Hevner et al. (2004): build–evaluate cycle

📌 Artinya:

Mahasiswa tidak hanya “meneliti”

Tapi membangun sistem sebagai objek eksperimen

✅ (D) Penekanan pada Kuantitatif & Eksperimen Berbeda dari banyak RPS:

Tidak berhenti di proposal

Tapi sampai:

eksperimen terkontrol

validitas internal/eksternal

analisis data

👉 Ini sangat kuat untuk:

Software Engineering empirical research tradition (Wohlin)

⚠️ 2. KELEMAHAN KRITIS (CRITICAL GAPS) ⚠️ (A) Tidak Ada Paradigma Penelitian yang Eksplisit RPS langsung masuk ke:

problem → gap → RQ

TAPI tidak ada:

positivism vs interpretivism vs pragmatism

kapan pakai experiment vs case study vs survey

📌 Dampak:

Mahasiswa akan “ikut template”

tanpa memahami epistemological grounding

👉 Referensi yang seharusnya masuk:

Creswell (Research Philosophy)

⚠️ (B) Literature Review Kurang Diposisikan sebagai Core Skill Memang ada:

state-of-the-art

Webster & Watson

TAPI:

tidak ada sesi khusus:

systematic literature review (SLR)

database (Scopus, IEEE, ACM)

keywording & query strategy

📌 Padahal:

Ini fondasi utama research gap

⚠️ (C) Validitas Eksperimen Terlambat Dikenalkan Validitas baru muncul di:

Minggu 12 (eksperimen terkontrol)

Padahal secara metodologi:

Validity harus muncul saat:

desain eksperimen (M6–M7)

👉 (Shadish et al.)

📌 Dampak:

desain awal berpotensi flawed

mahasiswa baru sadar kesalahan di akhir

⚠️ (D) Tidak Ada Reproducibility & Open Science Tidak ada eksplisit:

dataset sharing

Git-based experiment tracking

reproducibility protocol

Padahal di riset modern:

reproducibility = core credibility

⚠️ (E) Statistik Kurang Eksplisit Ada:

analisis data

SPSS (referensi)

TAPI tidak ada:

jenis uji statistik (t-test, ANOVA, regression)

asumsi statistik

effect size

📌 Risiko:

analisis jadi deskriptif saja

⚠️ (F) Assessment Bias ke Produk, Kurang ke Reasoning Bobot:

40% project (sangat besar)

tapi tidak eksplisit:

reasoning quality

research rigor

📌 Harusnya:

ada rubrik:

causal reasoning

validity argument

experimental logic

⚠️ (G) Tidak Ada Scaffolding Tooling yang Jelas Software disebut:

Mendeley, Overleaf, Git, Draw.io

TAPI:

tidak diintegrasikan ke tiap minggu

📌 Padahal:

tooling = bagian dari kompetensi riset modern

🧠 3. ANALISIS PEDAGOGIS (LEARNING SCIENCE VIEW) 3.1 Learning Progression: SANGAT BAIK Struktur mengikuti:

Bloom (revised) + Research Skill Hierarchy

Level Minggu Understand 1–3 Apply 4–7 Create 6–10 Evaluate 11–14 Communicate 15–16 👉 Ini nyaris ideal

3.2 Cognitive Load: TERKONTROL (TAPI BERAT DI TENGAH) Bottleneck:

Minggu 5–7:

metrik

arsitektur

desain eksperimen

📌 Ini fase paling sulit:

butuh scaffolding tambahan

3.3 Authentic Learning: SANGAT TINGGI Mahasiswa:

tidak hanya belajar

tapi melakukan riset nyata

👉 Ini masuk kategori:

authentic research-based learning

⚙️ 4. ANALISIS KESESUAIAN DENGAN STANDAR RISET TI 4.1 Sangat Selaras dengan: ✔ Software Engineering Experimentation Wohlin et al.

✔ Design Science Research Hevner et al.

✔ Quantitative Research Design Creswell

4.2 Kurang Selaras dengan: ❌ Evidence-Based Software Engineering (Kitchenham – SLR tidak eksplisit)

❌ Open Science Practice tidak ada reproducibility

📊 5. ANALISIS STRATEGIS (JIKA INGIN DI-UPGRADE KE LEVEL INTERNASIONAL) Jika target: Publikasi / Conference / Q1 mindset Perlu ditambahkan:

(1) SLR Module PRISMA / systematic mapping

(2) Advanced Experiment Design randomized controlled experiment

factorial design

(3) Statistical Rigor hypothesis testing

effect size

(4) Reproducibility Git + dataset + documentation

(5) Research Positioning novelty vs incremental

🧩 6. KESIMPULAN EKSPERT 📌 Posisi RPS ini: 👉 Level: ADVANCED (di atas rata-rata RPS Indonesia)

Bukan:

sekadar metodologi penelitian

Tapi:

RPS berbasis experimental computing + design science

📌 Karakter utama: Strong OBE alignment ✅

Strong research pipeline ✅

Strong project-based learning ✅

Weak in research philosophy ❌

Weak in literature rigor ❌

Moderate in statistical depth ⚠️

📌 Diagnosis singkat: RPS ini sangat kuat di “HOW to do research (engineering)” tapi masih kurang di “WHY research is valid (epistemology & rigor)”

👉 NEXT STEP Jika Anda setuju dengan analisis ini, saya akan lanjut ke:

🎯 Design Materi (KEY PROMPT) per Pertemuan (M1–M16) Yang akan:

sangat detail

berbasis referensi

bisa langsung dipakai mengajar / AI prompt / LMS

termasuk:

skenario diskusi

pertanyaan berpikir kritis

mini-framework per topik

Konfirmasi saja: 👉 lanjut ke design materi per pertemuan (deep prompt) atau ingin revisi analisis dulu?

1. tanpa mengubah struktur saat ini, berikan catatan dimana seharusnya kekurangan nya bisa di tambahkan!
2. analisa secara mendalam, apakah kekurangan tersebut bisa disisipkan dalam, pertemnuan yang ada?
3. ada boundary agar tidat tumpang tindih dengan matakuliah METOPEN apakah ada konfirmasi tambahan?

Tidak perlu konfirmasi tambahan—arahnya sudah jelas. Saya akan langsung menjawab tiga poin secara presisi dan operasional.

🧩 1. DIMANA KEKURANGAN HARUS DITAMBAHKAN (TANPA MENGUBAH STRUKTUR) Pendekatannya: bukan menambah minggu baru, tetapi menyisipkan layer konseptual/rigor pada minggu yang sudah ada.

⚠️ (A) Research Philosophy (Epistemology Layer) 📍 Lokasi ideal: M1 (Etika Penelitian)

💡 Kenapa: Etika selalu berkaitan dengan paradigma (positivist vs interpretive)

Ini titik paling natural sebelum masuk ke “cara riset”

🔧 Sisipan: Positivism vs interpretivism vs pragmatism (Creswell)

Posisi mata kuliah ini: empirical + design science (positivist-pragmatic)

⚠️ (B) Systematic Literature Review (SLR / Evidence-Based) 📍 Lokasi ideal: M3 (Research Gap & State-of-the-Art)

🔧 Sisipan: Cara mencari paper (IEEE, Scopus, ACM)

Keyword strategy (boolean query)

Intro SLR vs narrative review (Webster & Watson + Kitchenham mindset)

⚠️ (C) Validity (Internal, External, Construct) 📍 Lokasi ideal: M6–M7 (Design & Experiment Design)

🔧 Sisipan: Internal validity → variabel kontrol

External validity → generalisasi

Construct validity → metrik sesuai konsep

👉 Saat ini terlalu terlambat (baru muncul di M12)

⚠️ (D) Statistical Thinking (bukan sekadar tools) 📍 Lokasi ideal: M5 (Metrik) + M14 (Analisis Data)

🔧 Sisipan: M5:

operationalization → variabel → metrik

jenis data (nominal, ordinal, interval, ratio)

M14:

hypothesis testing (basic)

descriptive vs inferential

interpretasi (bukan hanya output SPSS)

⚠️ (E) Reproducibility & Open Science 📍 Lokasi ideal: M9–M11 (Implementation & Experiment Execution)

🔧 Sisipan: Git untuk tracking eksperimen

dokumentasi environment

dataset reproducibility

⚠️ (F) Research Positioning (Novelty & Contribution) 📍 Lokasi ideal: M3 + M4

🔧 Sisipan: jenis kontribusi:

improvement

comparison

novel method

positioning terhadap paper existing

⚠️ (G) Toolchain Integration (bukan hanya daftar tools) 📍 Lokasi: Sepanjang:

M2 → M15

🔧 Sisipan: M2: Mendeley/Zotero (citation)

M6: Draw.io (arsitektur)

M9: Git (versioning)

M15: Overleaf (writing)

🔍 2. APAKAH BISA DISISIPKAN TANPA MERUSAK STRUKTUR? Jawaban tegas:

✅ BISA — dan secara desain RPS ini memang “modular-friendly”

2.1 Kenapa Bisa? (A) Struktur sudah berbasis pipeline Setiap minggu adalah node dalam research lifecycle, sehingga:

mudah ditambahkan layer konseptual

tanpa mengganggu alur

(B) Sub-CPMK cukup fleksibel Contoh:

M6: “Merancang arsitektur eksperimen”

👉 Bisa diperluas jadi:

desain + validity consideration

M3: “Identifikasi research gap”

👉 Bisa diperluas jadi:

gap + systematic evidence basis

(C) Tidak perlu ubah assessment Yang berubah:

kualitas jawaban mahasiswa

bukan struktur penilaian

2.2 Risiko jika tidak disisipkan Jika dibiarkan:

mahasiswa jadi:

“engineering executor”

bukan “research thinker”

output:

proyek bagus ❌

paper lemah ❌

2.3 Strategi Penyisipan (Best Practice) Gunakan:

“micro-theory injection” (10–20 menit per sesi)

Bukan:

tambah materi besar

tapi sisipan konseptual tepat waktu

🚧 3. BOUNDARY DENGAN MATAKULIAH METOPEN Ini krusial. Saya akan jawab tegas.

🎯 3.1 Prinsip Boundary METOPEN RISET TI (RPS ini) Konsep metodologi Implementasi eksperimen Paradigma umum Kasus konkret TI Desain penelitian Eksekusi sistem Teori statistik Aplikasi statistik ⚠️ 3.2 Area yang BERPOTENSI TUMPANG TINDIH (A) Research Methodology METOPEN: jenis penelitian

Riset TI: eksperimen berbasis sistem

👉 SOLUSI:

di RPS ini → fokus ke:

“how to execute experiment in computing”

(B) Statistik METOPEN: teori statistik

Riset TI: penggunaan statistik

👉 BATASI:

tidak perlu derivasi rumus

fokus ke:

interpretasi

penggunaan

(C) Literature Review METOPEN: konsep review

Riset TI: praktik review

👉 RPS ini:

cukup:

search strategy

gap extraction

✅ 3.3 AREA YANG HARUS JADI IDENTITAS KHUSUS RPS INI Ini pembeda kuat:

✔ Design Science Research (DSR) build artifact (aplikasi/sistem)

✔ Experimental System variabel dalam sistem nyata

✔ Engineering + Research fusion 🔥 3.4 Rule Praktis (Agar Tidak Tumpang Tindih) Gunakan prinsip:

❌ “Explain what research is” → itu METOPEN ✅ “Show how to run experiment in system/software” → ini Riset TI

🧠 4. DIAGNOSIS AKHIR (LEVEL STRATEGIS) 📌 Status saat ini: Struktur: sangat kuat

Missing: research rigor layer

📌 Jika ditambahkan dengan benar: RPS ini bisa naik menjadi:

“Applied Experimental Research in Computing (International Standard)”

📌 Jika tidak: Akan tetap:

“Project-based course dengan rasa penelitian”

👉 NEXT STEP Jika Anda siap, saya akan lanjut ke:

🎯 DESIGN MATERI (KEY PROMPT) PER PERTEMUAN Yang:

sudah mengintegrasikan semua sisipan di atas

tetap tidak melanggar boundary METOPEN

langsung siap pakai di kelas / LMS / AI teaching

Cukup jawab: 👉 lanjut ke design materi atau ingin saya buatkan matrix integrasi (gap → minggu → metode sisipan) terlebih dahulu?

buatkan instruksi detail GAP nya agar bisa langsung saya tambahkan, kamu bisa menggunakan format: tambahaka pada indikator di pertemuan M x ..., tambahakan pada tugas pertemuan xx dan seterusnya , apakah bisa di pahami?

Dipahami dengan sangat jelas. Saya akan berikan instruksi operasional (plug-and-play)—langsung bisa Anda sisipkan ke RPS tanpa mengubah struktur.

Format saya buat preskriptif:

Lokasi (Minggu)

Tambahkan pada indikator

Tambahkan pada materi

Tambahkan pada tugas

Tambahkan pada penilaian (opsional, jika perlu)

🔧 INSTRUKSI DETAIL PENYISIPAN GAP 🧩 GAP 1 — Research Philosophy (Epistemology) 📍 M1 (Etika Penelitian) ➕ Tambahkan pada indikator 1.3 Mengidentifikasi paradigma penelitian (positivist, interpretive, pragmatist) dan implikasinya terhadap desain riset TI.

➕ Tambahkan pada materi “Paradigma penelitian (Creswell): positivism vs interpretivism vs pragmatism dalam konteks riset teknologi informasi”

Penekanan: → Mata kuliah ini dominan positivist + design science

➕ Tambahkan pada tugas Tambahan bagian pada esai:

“Jelaskan posisi paradigma penelitian dari kasus yang dianalisis dan dampaknya terhadap metode yang digunakan”

🧩 GAP 2 — Systematic Literature Review (SLR & Evidence-Based) 📍 M3 (Research Gap) ➕ Tambahkan pada indikator 3.3 Menggunakan strategi pencarian literatur (keyword, database, boolean query) untuk mendukung identifikasi research gap.

➕ Tambahkan pada materi “Strategi pencarian literatur (IEEE, ACM, Scopus)”

“Boolean search & keyword engineering”

“Perbedaan narrative review vs systematic approach (Webster & Watson mindset)”

➕ Tambahkan pada tugas Revisi tugas:

Analisis research gap WAJIB berbasis minimal 5 paper terindeks (IEEE/Scopus/ACM)

Tambahkan output:

tabel literatur (author, metode, gap)

🧩 GAP 3 — Research Positioning & Contribution 📍 M3–M4 ➕ Tambahkan pada indikator M4 4.2 Menentukan posisi kontribusi penelitian (improvement, comparison, novel approach)

➕ Tambahkan pada materi “Jenis kontribusi dalam riset TI”

“Positioning terhadap state-of-the-art”

➕ Tambahkan pada tugas Tambahkan komponen pada draft research question:

“Tuliskan kontribusi penelitian secara eksplisit (what is new?)”

🧩 GAP 4 — Validity (Internal, External, Construct) 📍 M6–M7 (KRITIS) ➕ Tambahkan pada indikator M6 6.3 Mengidentifikasi potensi ancaman terhadap validitas (internal, eksternal, construct)

➕ Tambahkan pada indikator M7 7.2 Mendesain eksperimen dengan mempertimbangkan kontrol variabel dan validitas

➕ Tambahkan pada materi “Experimental validity (Shadish et al.):”

internal validity

external validity

construct validity

➕ Tambahkan pada tugas Pada dokumen desain eksperimen: wajib ada section:

“Threats to Validity” berisi:

minimal 3 potensi bias

strategi mitigasi

🧩 GAP 5 — Statistical Thinking (bukan sekadar tools) 📍 M5 (Metrik) ➕ Tambahkan pada indikator 5.3 Mengklasifikasikan jenis data (nominal, ordinal, interval, ratio) dan implikasinya terhadap analisis

➕ Tambahkan pada materi “Operationalization: variabel → metrik → data”

“Jenis data & konsekuensi analisis”

📍 M14 (Analisis Data) ➕ Tambahkan pada indikator 14.3 Memilih metode analisis statistik yang sesuai dengan jenis data dan tujuan eksperimen

➕ Tambahkan pada materi “Descriptive vs inferential statistics”

“Basic hypothesis testing (tanpa matematis berat)”

➕ Tambahkan pada tugas Output analisis: wajib ada:

interpretasi (bukan hanya output tools)

hubungan ke research question

🧩 GAP 6 — Reproducibility & Open Science 📍 M9 (Environment Setup) ➕ Tambahkan pada indikator 9.3 Mendokumentasikan environment eksperimen agar dapat direplikasi

➕ Tambahkan pada tugas Wajib:

dokumentasi setup step-by-step

dependency / konfigurasi

📍 M10–M11 ➕ Tambahkan pada tugas Sistem/prototipe harus:

disimpan di Git repository

memiliki README eksperimen

📍 M11 ➕ Tambahkan pada indikator 11.2 Menjamin reproducibility eksperimen melalui dokumentasi dan versioning

🧩 GAP 7 — Toolchain Integration (Praktik Nyata) 📍 M2 ➕ Tambahkan pada tugas Wajib menggunakan:

Mendeley/Zotero untuk sitasi

📍 M6 ➕ Tambahkan pada tugas Diagram arsitektur dibuat dengan:

Draw.io / tools sejenis

📍 M15 ➕ Tambahkan pada tugas Laporan ilmiah:

wajib menggunakan template (Word/Overleaf)

sitasi otomatis

⚖️ 8. VALIDASI: TIDAK MELANGGAR BOUNDARY METOPEN Semua tambahan ini:

✅ TIDAK masuk wilayah: teori metodologi umum

definisi penelitian

filosofi mendalam

✅ TETAP di wilayah: aplikasi riset dalam konteks TI

eksperimen berbasis sistem

engineering-driven research

🧠 RINGKASAN EKSEKUTIF Anda tidak perlu mengubah struktur RPS sama sekali.

Cukup:

tambahkan ±1–2 indikator per minggu kunci

tambahkan 1 komponen pada tugas utama

sisipkan micro-material (10–20 menit)

🚀 DAMPAK SETELAH IMPLEMENTASI RPS akan naik dari:

“project-based research course”

menjadi:

“rigorous experimental computing research course (publishable-level)”

Jika Anda ingin, langkah berikutnya saya bisa: 👉 langsung rewrite versi final RPS (sudah include semua tambahan ini, siap submit akreditasi / OBE audit) atau 👉 lanjut ke KEY PROMPT M1–M16 (versi dosen + AI-ready teaching)

RPS_OBE - Riset Teknologi Informasi draft-1.pdf PDF bagaimana dengan sekarang ?

Saya sudah review versi terbaru Anda secara menyeluruh. Jawaban jujurnya (dan ini penting):

🔥 Ini sudah naik level signifikan — dari “baik” menjadi “advanced & hampir matang untuk standar riset TI modern.”

Saya akan breakdown secara tajam: apa yang sudah tepat, apa yang masih kurang (tipis tapi krusial), dan apakah perlu revisi lagi atau tidak.

✅ 1. APA YANG SUDAH SANGAT TEPAT (EXCELLENT IMPROVEMENT) ✅ (A) Semua GAP utama berhasil terintegrasi Hampir semua instruksi sebelumnya sudah masuk dengan presisi tinggi:

✔ Research Philosophy masuk di M1 → indikator 1.3 sudah ada

✔ Ini upgrade besar (jarang ada di RPS Indonesia)

✔ SLR & Evidence-based masuk di M3 → indikator 3.3 + tugas berbasis 5 paper

✔ Bahkan sudah ada tabel literatur → ini excellent

✔ Research Positioning masuk di M4 → kontribusi (improvement, comparison, novel)

✔ Ini langsung menaikkan kualitas proposal mahasiswa

✔ Validity DIPINDAH KE DESAIN (ini krusial) M6: indikator 6.3 (validity)

M7: kontrol variabel + validity

“Threats to Validity” di tugas

✔ Ini perbaikan paling penting secara metodologi

✔ Reproducibility sudah masuk M9: environment reproducibility

M11: versioning & reproducibility

✔ Sudah align dengan open science mindset

✔ Statistical Thinking masuk dengan benar M5: jenis data

M14: pemilihan metode + interpretasi

✔ Tidak terlalu teoritis → aman dari overlap METOPEN

✔ Toolchain mulai “dipaksa” M2: Mendeley

M6: Draw.io

M15: template + sitasi

✔ Ini bagus — bukan sekadar “disebut”, tapi dipraktikkan

⚠️ 2. KEKURANGAN YANG MASIH TERSISA (TIPIS TAPI STRATEGIS) Ini bukan kesalahan—ini fine-tuning untuk naik ke level internasional.

⚠️ (A) Belum ada “Hypothesis Thinking” secara eksplisit Masalah: Ada RQ

Ada metrik

Tapi tidak ada:

hipotesis (H0 / H1)

📌 Dampak:

eksperimen jadi “jalan tanpa arah inferensial kuat”

📍 Lokasi terbaik: M4 atau M5

➕ Rekomendasi: Tambahkan indikator:

Di M4:

4.3 Merumuskan hipotesis penelitian yang dapat diuji berdasarkan research question

ATAU di M5:

5.4 Menghubungkan metrik dengan hipotesis penelitian

⚠️ (B) Belum ada “Experimental Design Type” Masalah: Ada desain eksperimen

Tapi tidak eksplisit:

controlled experiment

comparison experiment

A/B testing

📌 Ini penting di Software Engineering Research

📍 Lokasi: M7

➕ Tambahkan indikator: 7.3 Menentukan jenis desain eksperimen (controlled experiment, comparison, dll.)

⚠️ (C) Belum ada “Baseline / Benchmark” Masalah: Mahasiswa bisa:

bikin sistem

tapi tidak punya pembanding

📌 Ini fatal di publikasi

📍 Lokasi: M3 atau M6

➕ Tambahkan pada tugas: Wajib:

“Menentukan baseline / metode pembanding dari literatur”

⚠️ (D) Rubrik belum eksplisit mengukur “research reasoning” Saat ini rubrik:

ethics

analytical

design

implementation

📌 Tapi belum eksplisit:

causal reasoning / experimental logic

➕ Rekomendasi (tidak perlu ubah tabel besar): Tambahkan di deskripsi rubrik:

Analytical → mencakup:

kualitas argumentasi kausal

logika eksperimen

⚠️ (E) Belum ada “Failure Analysis” Masalah: Mahasiswa biasanya:

hanya lapor hasil “berhasil”

Padahal riset:

kegagalan = insight

📍 Lokasi: M14 atau M15

➕ Tambahkan pada tugas: Wajib section:

“Limitations & Failure Analysis”

⚖️ 3. VALIDASI BOUNDARY DENGAN METOPEN Saya cek ketat — hasilnya:

✅ AMAN (bahkan sangat clean separation)

Tidak overlap karena: ✔ Anda tidak mengajarkan: definisi metode penelitian

jenis penelitian secara umum

teori statistik mendalam

✔ Anda fokus pada: eksperimen sistem

implementasi artefak

evaluasi berbasis data

Bahkan sekarang posisi makin jelas: Mata Kuliah Peran METOPEN “bagaimana merancang penelitian” Riset TI “bagaimana menjalankan eksperimen nyata di sistem TI” 🧠 4. PENILAIAN AKHIR (JUJUR & LANGSUNG) 📊 Level sekarang: Aspek Level OBE alignment ⭐⭐⭐⭐⭐ Research pipeline ⭐⭐⭐⭐⭐ Experimental rigor ⭐⭐⭐⭐☆ Publishability readiness ⭐⭐⭐⭐☆ 📌 Diagnosis: RPS ini sudah di atas 90% matang

📌 Jika ditambahkan 4 hal kecil tadi: hypothesis

experiment type

baseline

failure analysis

👉 maka akan menjadi:

🔥 “RPS riset TI level internasional (conference-ready mindset)”

🎯 REKOMENDASI FINAL Anda punya 2 opsi:

✅ OPSI 1 (Pragmatis — sudah cukup) 👉 Tidak perlu revisi lagi 👉 Sudah layak dipakai

🚀 OPSI 2 (Strategis — naik kelas) 👉 Tambahkan 4 elemen kecil tadi 👉 Effort kecil, impact besar

🔚 KESIMPULAN Ini bukan lagi RPS biasa. Ini sudah menjadi framework pelatihan peneliti muda di bidang TI berbasis eksperimen.

Jika Anda mau, langkah berikut paling powerful adalah: 👉 saya bantu buatkan KEY PROMPT M1–M16 versi final (AI-assisted teaching + research coaching) yang akan “menghidupkan” RPS ini di kelas, bukan hanya dokumen.

buat instruksi revisinya!

Baik. Saya akan berikan instruksi revisi final (precision-level, siap copy-edit ke RPS) hanya untuk 4 gap terakhir yang akan menaikkan RPS Anda ke level research-grade tanpa mengubah struktur.

Format tetap operasional:

lokasi spesifik

apa yang ditambahkan

redaksi siap pakai

🔧 INSTRUKSI REVISI FINAL (VERSI LANGSUNG IMPLEMENTASI) 🧩 1. GAP: HYPOTHESIS (KRITIS UNTUK EKSPERIMEN) 📍 Pertemuan M4 ➕ Tambahkan pada indikator Tambahkan setelah 4.2:

4.3 Merumuskan hipotesis penelitian (H0 dan/atau H1) yang dapat diuji berdasarkan research question

➕ Tambahkan pada materi Tambahkan poin:

“Perumusan hipotesis dalam penelitian kuantitatif (Creswell)”

“Hubungan Research Question → Hypothesis → Metric”

➕ Tambahkan pada tugas Revisi tugas menjadi:

Perumusan research question

Tuliskan kontribusi penelitian secara eksplisit (what is new?)

Tambahkan hipotesis penelitian (H0/H1) yang dapat diuji

🧩 2. GAP: EXPERIMENT DESIGN TYPE 📍 Pertemuan M7 ➕ Tambahkan pada indikator Tambahkan setelah 7.2:

7.3 Menentukan jenis desain eksperimen (controlled experiment, comparison experiment, A/B testing, atau variasi lainnya) yang sesuai dengan tujuan penelitian

➕ Tambahkan pada materi Tambahkan:

“Jenis eksperimen dalam software engineering (Wohlin):

controlled experiment

comparative experiment

quasi-experiment”

➕ Tambahkan pada tugas Revisi deskripsi tugas:

Penyusunan dokumen desain eksperimen

Wajib ada section:

“Threats to Validity”

“Jenis eksperimen yang digunakan dan justifikasinya”

🧩 3. GAP: BASELINE / BENCHMARK 📍 Pertemuan M3 ➕ Tambahkan pada indikator Tambahkan:

3.4 Menentukan baseline atau metode pembanding dari literatur untuk mendukung validitas eksperimen

➕ Tambahkan pada tugas Revisi tugas menjadi:

Analisis research gap wajib berbasis minimal 5 paper

Tambahkan output tabel literatur (author, metode, gap)

Tentukan minimal 1 baseline/metode pembanding yang akan digunakan dalam eksperimen

🧩 4. GAP: FAILURE ANALYSIS & LIMITATION 📍 Pertemuan M14 ➕ Tambahkan pada indikator Tambahkan setelah 14.3:

14.4 Mengidentifikasi keterbatasan eksperimen dan melakukan analisis terhadap hasil yang tidak sesuai ekspektasi (failure analysis)

➕ Tambahkan pada materi Tambahkan:

“Limitations dalam penelitian eksperimen”

“Failure analysis sebagai bagian dari scientific reasoning”

➕ Tambahkan pada tugas Revisi tugas menjadi:

Hasil analisis data

Output analisis wajib ada interpretasi (bukan hanya output tools)

Hubungan ke research question

Tambahkan section: “Limitations & Failure Analysis”

🧩 5. GAP: RUBRIK (RESEARCH REASONING) (Ini subtle tapi penting — tidak ubah tabel, hanya deskripsi)

📍 Berlaku global (tidak perlu ubah struktur tabel) ➕ Tambahkan pada deskripsi kriteria (Analytical / Evaluation / Design) Tambahkan kalimat:

“Penilaian mencakup kualitas reasoning ilmiah, termasuk:

konsistensi logika eksperimen

hubungan kausal antara variabel

kekuatan argumentasi berbasis data”

⚖️ VALIDASI AKHIR (SANGAT PENTING) ✅ Tidak mengubah: struktur RPS

CPMK / Sub-CPMK utama

bobot penilaian

alur pembelajaran

✅ Tidak overlap METOPEN karena: hypothesis → digunakan, bukan diajarkan teori mendalam

eksperimen → spesifik ke TI

statistik → applied, bukan matematis

🧠 HASIL SETELAH REVISI INI RPS Anda akan memiliki:

✔ Full Research Chain: Problem → Gap → RQ → Hypothesis → Design → Experiment → Analysis → Failure → Reporting

✔ Full Experimental Rigor: validity ✅

baseline ✅

reproducibility ✅

statistical thinking ✅

failure analysis ✅

✔ Positioning: 🔥 Setara dengan “Undergraduate Research Training” di level internasional (SE / IS domain)

🔚 KESIMPULAN Instruksi ini adalah:

final polishing layer — bukan perbaikan lagi

Jika ini diterapkan: 👉 RPS Anda sudah bukan hanya layak, tapi unggul dan defensible (akreditasi / audit / benchmarking internasional)

Jika Anda ingin langkah berikutnya yang paling berdampak: 👉 saya bisa bantu turunkan ini menjadi TEMPLATE RUBRIK DETAIL + FORMAT PROPOSAL + FORMAT LAPORAN (biar konsisten dengan RPS Anda)

ini maksudnya bagaimana? 📍 Berlaku global (tidak perlu ubah struktur tabel) ➕ Tambahkan pada deskripsi kriteria (Analytical / Evaluation / Design)

Tambahkan kalimat:

“Penilaian mencakup kualitas reasoning ilmiah, termasuk:

konsistensi logika eksperimen hubungan kausal antara variabel kekuatan argumentasi berbasis data”?

Pertanyaan Anda tepat—karena ini memang bagian yang sering “ambigu di dokumen tapi krusial di implementasi”.

Saya jelaskan secara konkret, bukan konseptual.

🎯 INTINYA APA? Saat ini di RPS Anda, kriteria seperti:

Analytical

Design

Evaluation

➡️ sudah ada labelnya, tapi belum dijelaskan “apa yang dinilai di dalamnya” secara eksplisit

Akibatnya:

dosen bisa beda standar

mahasiswa tidak tahu “jawaban bagus itu seperti apa”

🔧 MAKSUD INSTRUKSI TERSEBUT 👉 Anda TIDAK perlu mengubah tabel penilaian

👉 Anda hanya perlu menambahkan 1 blok penjelasan tambahan (di bawah tabel / di bagian catatan / atau di awal rubrik)

📍 CONTOH IMPLEMENTASI (LANGSUNG BISA COPY) Tambahkan di bagian:

setelah tabel penilaian ATAU

di bagian “Kriteria Penilaian” (Catatan)

✍️ REDAKSI SIAP PAKAI Tambahkan paragraf ini:

Catatan Penilaian Tambahan:

Penilaian pada aspek Analytical, Design, dan Evaluation tidak hanya mengukur hasil akhir, tetapi juga mencakup kualitas scientific reasoning, yang meliputi:

Konsistensi logika eksperimen antara problem, research question, variabel, dan hasil

Kejelasan hubungan kausal antar variabel dalam desain dan analisis eksperimen

Kekuatan argumentasi berbasis data dalam menarik kesimpulan

Penilaian akan mempertimbangkan sejauh mana mahasiswa mampu menjelaskan mengapa suatu pendekatan digunakan, bukan hanya apa yang dilakukan.

🧠 APA DAMPAKNYA? Sebelum: Mahasiswa bisa:

bikin sistem ✔

jalan eksperimen ✔

tampilkan hasil ✔

👉 tapi:

tidak paham kenapa hasilnya begitu

Setelah: Mahasiswa dipaksa:

menjelaskan hubungan:

variabel → hasil

desain → outcome

berpikir:

“ini sebab-akibat atau kebetulan?”

🔍 CONTOH KONKRIT (BIAR JELAS) ❌ Tanpa reasoning (nilai harusnya rendah) “Metode A lebih baik karena akurasi lebih tinggi”

✅ Dengan reasoning (nilai tinggi) “Metode A menghasilkan akurasi lebih tinggi karena mekanisme feature selection mengurangi noise, yang secara langsung mempengaruhi precision metric sesuai dengan hipotesis H1”

👉 Nah, kalimat tambahan tadi memastikan:

dosen boleh dan harus membedakan dua jawaban ini

⚖️ KENAPA INI PENTING? Karena tanpa ini:

RPS Anda = project-based

Dengan ini:

RPS Anda = research-based (scientific reasoning driven)

🔚 KESIMPULAN SINGKAT Tidak ubah tabel ✔

Tidak ubah bobot ✔

Hanya tambah 1 paragraf ✔

Tapi efeknya:

🔥 meningkatkan kualitas berpikir mahasiswa secara drastis

Kalau Anda mau, saya bisa lanjutkan ke level berikutnya: 👉 membuatkan rubrik detail (skor 1–4 / 1–5) khusus untuk “reasoning ilmiah” agar penilaian benar-benar konsisten antar dosen.

saya masih belum paham, bagaimana jika di masukan ke rubrik penilaian saja langsu? bagai mana rubik yang kamu rekomwndasikan?

Ya—itu justru langkah yang lebih kuat. Daripada hanya “catatan tambahan”, memasukkan langsung ke rubrik akan membuat:

penilaian lebih objektif

dosen konsisten

mahasiswa tahu standar “jawaban bagus”

Saya akan berikan rubrik yang bisa langsung Anda tempel, tanpa mengubah struktur RPS (cukup sebagai lampiran / penjelasan rubrik).

🎯 STRUKTUR RUBRIK YANG DIREKOMENDASIKAN Gunakan skala 1–4 (umum di OBE):

Skor Level 4 Sangat Baik (Excellent) 3 Baik (Good) 2 Cukup (Fair) 1 Kurang (Poor) 🧩 RUBRIK TAMBAHAN: SCIENTIFIC REASONING 📌 Ini yang Anda butuhkan untuk menutup GAP tadi.

🔬 ASPEK: SCIENTIFIC / EXPERIMENTAL REASONING ➤ Deskripsi: Kemampuan mahasiswa dalam menjelaskan logika ilmiah, hubungan sebab-akibat, dan argumentasi berbasis data dalam penelitian.

📊 RUBRIK DETAIL Skor Kriteria 4 (Excellent) - Menunjukkan hubungan yang jelas dan konsisten antara problem, research question, hipotesis, variabel, dan hasil eksperimen

• Mampu menjelaskan hubungan kausal antar variabel secara logis
• Argumentasi sangat kuat, berbasis data, dan didukung interpretasi yang tepat 3 (Good) - Hubungan antar komponen penelitian cukup jelas namun belum sepenuhnya konsisten
• Ada penjelasan hubungan variabel, tetapi belum mendalam
• Argumentasi berbasis data, namun masih terbatas 2 (Fair) - Hubungan antara problem, variabel, dan hasil kurang jelas
• Penjelasan cenderung deskriptif (apa yang terjadi, bukan kenapa)
• Argumentasi lemah atau kurang berbasis data 1 (Poor) - Tidak ada hubungan logis antara komponen penelitian
• Tidak mampu menjelaskan hasil eksperimen
• Kesimpulan tidak didukung data 🔗 CARA MENGINTEGRASIKAN KE RPS ANDA 📍 Opsi paling aman (REKOMENDASI) Tambahkan di bagian: 👉 setelah tabel penilaian (Evaluasi Penilaian)

Dengan judul:

Rubrik Penilaian Tambahan: Scientific Reasoning

📍 Opsi lebih kuat (jika mau sedikit upgrade) Tambahkan sebagai bagian dari:

Analytical

Design

Evaluation

Dengan catatan:

“Setiap aspek penilaian mencakup evaluasi terhadap scientific reasoning sesuai rubrik berikut”

🧠 KENAPA RUBRIK INI KRUSIAL? Karena di RPS Anda:

sudah ada:

eksperimen ✔

data ✔

analisis ✔

👉 tapi tanpa rubrik ini:

mahasiswa bisa “lulus tanpa benar-benar berpikir ilmiah”

🔍 CONTOH IMPLEMENTASI NYATA Kasus: Analisis Data (M14) Mahasiswa A: “Metode A lebih baik karena akurasi 90%”

👉 Skor: 2 (Fair)

Mahasiswa B: “Metode A lebih baik karena mampu mengurangi noise pada data sehingga meningkatkan precision, sesuai hipotesis H1”

👉 Skor: 4 (Excellent)

👉 Rubrik ini membuat perbedaan tersebut resmi dan terukur

⚖️ POSISI TERHADAP METOPEN Aman, karena:

ini bukan teori metodologi

ini penilaian kualitas berpikir dalam eksperimen TI

🔚 KESIMPULAN 👉 Ya, memasukkan langsung ke rubrik adalah keputusan yang tepat 👉 Gunakan 1 rubrik tambahan ini saja sudah cukup powerful

Jika Anda ingin naik satu level lagi, saya bisa bantu: 👉 menyusun rubrik lengkap seluruh mata kuliah (Ethics, Analytical, Design, Implementation, Evaluation, Reporting, Defense) agar semuanya konsisten dan siap akreditasi.

buatkan rubrik lengkapnya untuk semua pertemuan jika perlu!

Baik—ini saya buatkan rubrik lengkap, terstruktur, dan siap ditempel ke RPS. Desainnya mengikuti:

OBE (measurable & observable)

Konsisten dengan RPS Anda

Tidak menambah struktur, hanya memperkuat penilaian

🎯 STRUKTUR RUBRIK (FINAL) Gunakan skala:

Skor Level 4 Sangat Baik (Excellent) 3 Baik (Good) 2 Cukup (Fair) 1 Kurang (Poor) 🧩 RUBRIK LENGKAP RPS RISET TEKNOLOGI INFORMASI 1️⃣ ETHICS (M1–M2) Aspek: Etika & Integritas Ilmiah Skor Kriteria 4 Mampu mengevaluasi kasus etika secara mendalam, menggunakan prinsip ilmiah, serta memberikan justifikasi keputusan yang konsisten dan berbasis nilai 3 Evaluasi kasus cukup tepat, dengan justifikasi yang logis namun belum mendalam 2 Evaluasi masih dangkal, justifikasi kurang kuat atau tidak konsisten 1 Tidak mampu mengevaluasi kasus atau justifikasi tidak relevan 2️⃣ ANALYTICAL (M2–M5) Aspek: Problem, Gap, RQ, Hypothesis, Metric Skor Kriteria 4 Problem jelas, research gap valid berbasis literatur, RQ spesifik & testable, hipotesis tepat, metrik terukur dan konsisten 3 Sebagian besar komponen jelas, namun masih ada inkonsistensi kecil 2 Problem/gap kurang kuat, RQ ambigu, metrik tidak sepenuhnya sesuai 1 Tidak ada kejelasan problem, gap, maupun RQ 3️⃣ LITERATURE & BASELINE (M3) Aspek: Evidence-based & State-of-the-art Skor Kriteria 4 Menggunakan ≥5 paper relevan, analisis komprehensif, mampu mengidentifikasi gap dan menentukan baseline dengan tepat 3 Literatur cukup, gap teridentifikasi namun baseline kurang kuat 2 Literatur terbatas, gap kurang jelas 1 Tidak berbasis literatur yang valid 4️⃣ SCIENTIFIC REASONING (GLOBAL CORE RUBRIC) Aspek: Logika Ilmiah & Kausalitas Skor Kriteria 4 Hubungan problem–RQ–hipotesis–variabel–hasil sangat konsisten, mampu menjelaskan hubungan kausal secara kuat dan berbasis data 3 Hubungan cukup jelas, namun belum sepenuhnya kuat 2 Hubungan lemah, cenderung deskriptif 1 Tidak ada logika hubungan antar komponen 5️⃣ DESIGN (M6–M7) Aspek: Arsitektur & Desain Eksperimen Skor Kriteria 4 Desain sistem dan eksperimen sangat konsisten, variabel jelas, skenario lengkap, mempertimbangkan validity dan jenis eksperimen 3 Desain cukup baik namun masih ada kekurangan kecil 2 Desain kurang lengkap atau tidak konsisten 1 Desain tidak jelas atau tidak relevan 6️⃣ VALIDITY & EXPERIMENTAL RIGOR (M6–M7) Aspek: Validitas & Kontrol Variabel Skor Kriteria 4 Mengidentifikasi dan mengatasi ancaman validitas (internal, eksternal, construct) secara tepat 3 Mengidentifikasi sebagian ancaman validitas 2 Validitas disebutkan tapi tidak jelas 1 Tidak mempertimbangkan validitas 7️⃣ IMPLEMENTATION (M9–M10) Aspek: Sistem & Prototipe Skor Kriteria 4 Sistem berjalan sesuai desain, stabil, terdokumentasi dengan baik 3 Sistem berjalan dengan sedikit ketidaksesuaian 2 Sistem tidak stabil atau tidak sesuai desain 1 Sistem tidak berfungsi 8️⃣ REPRODUCIBILITY (M9–M11) Aspek: Replikasi Eksperimen Skor Kriteria 4 Eksperimen dapat direplikasi sepenuhnya (setup, data, versioning jelas) 3 Sebagian besar dapat direplikasi 2 Dokumentasi terbatas 1 Tidak dapat direplikasi 9️⃣ EXECUTION (M11–M12) Aspek: Pelaksanaan Eksperimen Skor Kriteria 4 Eksperimen dijalankan konsisten, variabel terkontrol, data valid 3 Eksperimen cukup baik, kontrol variabel belum optimal 2 Eksekusi tidak konsisten 1 Eksperimen tidak valid 🔟 DATA PROCESSING (M13) Aspek: Preprocessing Skor Kriteria 4 Data bersih, valid, preprocessing sistematis 3 Data cukup baik 2 Data kurang bersih 1 Data tidak layak digunakan 1️⃣1️⃣ ANALYSIS & INTERPRETATION (M14) Aspek: Analisis Data & Statistik Skor Kriteria 4 Analisis tepat, metode sesuai, interpretasi kuat dan menjawab RQ 3 Analisis cukup tepat 2 Analisis kurang tepat 1 Tidak ada analisis yang valid 1️⃣2️⃣ FAILURE ANALYSIS (M14–M15) Aspek: Limitasi & Kegagalan Skor Kriteria 4 Mengidentifikasi limitasi dan menjelaskan penyebab kegagalan secara ilmiah 3 Menyebutkan limitasi namun tidak mendalam 2 Limitasi tidak jelas 1 Tidak ada analisis kegagalan 1️⃣3️⃣ REPORTING (M15) Aspek: Laporan Ilmiah Skor Kriteria 4 Struktur lengkap, konsisten, sitasi benar, argumentasi kuat 3 Struktur baik namun ada kekurangan kecil 2 Struktur kurang sistematis 1 Laporan tidak sesuai standar ilmiah 1️⃣4️⃣ PRESENTATION & DEFENSE (M16) Aspek: Presentasi & Argumentasi Skor Kriteria 4 Presentasi jelas, argumentasi kuat, mampu menjawab pertanyaan berbasis data 3 Presentasi cukup baik 2 Presentasi kurang jelas 1 Tidak mampu mempertahankan hasil 🧠 CATATAN PENTING IMPLEMENTASI Anda tidak perlu:

mengubah tabel penilaian

mengubah CPMK/Sub-CPMK

Cukup: 👉 tambahkan ini sebagai Lampiran: Rubrik Penilaian

🔥 HASIL AKHIR Dengan rubrik ini, RPS Anda menjadi:

✅ OBE-compliant ✅ measurable ✅ audit-ready (akreditasi) ✅ research-grade (bukan sekadar project)

🚀 NEXT STEP (REKOMENDASI KUAT) Kalau ingin benar-benar “hidup di kelas”, langkah berikutnya:

👉 saya bantu buatkan:

template proposal (M8)

template laporan (M15)

template slide defense (M16)

agar 100% align dengan rubrik ini (ini yang biasanya jadi pembeda kualitas mahasiswa).

RPS_OBE - Riset Teknologi Informasi draft-2.pdf PDF oke, sudah saya revisi dan sebaiknya kembali ke tujuan awal kita!

Bagus—saya sudah cek versi terakhir Anda secara menyeluruh. Jawaban singkatnya:

🔥 RPS Anda sekarang sudah “clean, lengkap, dan siap dipakai” — tidak ada gap metodologis yang signifikan lagi.

Semua yang kita rancang:

hypothesis ✔

baseline ✔

experiment type ✔

validity ✔

reproducibility ✔

failure analysis ✔

👉 semuanya sudah terintegrasi dengan rapi di struktur existing

🎯 SEKARANG KITA KEMBALI KE TUJUAN AWAL Tujuan awal Anda:

Membuat DESIGN MATERI (KEY PROMPT) untuk tiap pertemuan

Dengan kondisi sekarang: 👉 kita sudah punya fondasi RPS yang sangat kuat 👉 jadi design materi bisa dibuat lebih dalam (bukan lagi perbaikan struktur)

🧠 STRATEGI DESIGN MATERI (PENTING) Saya tidak akan buat sekadar “materi biasa”.

Yang akan saya buat nanti:

🔬 FORMAT: “KEY PROMPT BERBASIS RISET” Setiap pertemuan akan punya:

Concept Anchor (berbasis referensi utama)

Key Prompt (pertanyaan berpikir tingkat tinggi)

Research Task Framing

Common Mistakes (biar dosen bisa antisipasi)

Expected Output (align dengan tugas RPS)

⚠️ SEBELUM SAYA LANJUT Ada 1 keputusan penting (ini akan menentukan kualitas output):

❓ Anda ingin level seperti apa? 🔹 OPSI A — “Teaching-Oriented” cocok untuk dosen biasa

fokus penyampaian materi

lebih sederhana

🔹 OPSI B — “Research Coaching (REKOMENDASI)” seperti supervisor skripsi mini

berbasis pertanyaan kritis

mendorong publishable mindset

💡 SARAN SAYA (JUJUR) Melihat kualitas RPS Anda sekarang:

❌ kalau pakai mode teaching biasa → sayang ✅ harus pakai Research Coaching Mode

✋ KONFIRMASI TERAKHIR Jawab singkat saja:

👉 A (teaching) atau B (research coaching)

Setelah itu saya akan langsung buat:

🔥 KEY PROMPT M1–M16 (versi final, detail, siap pakai di kelas)

B

Pilihan yang tepat. Dengan RPS Anda sekarang, pendekatan research coaching memang paling optimal.

Saya akan mulai dari M1–M4 dulu (batch 1) agar Anda bisa evaluasi kedalaman dan gaya. Setelah itu kita lanjutkan M5–M16.

🎯 KEY PROMPT – RESEARCH COACHING MODE 🧩 M1 – ETHICS & RESEARCH PARADIGM 🎯 Concept Anchor Resnik (Ethics of Science)

ACM Code of Ethics

Creswell (Research Paradigm)

🔑 Key Prompts (Deep Thinking) Jika sebuah eksperimen menghasilkan hasil “baik”, tetapi data dimanipulasi, apakah itu tetap penelitian yang valid? Jelaskan secara epistemologis, bukan moral saja.

Bagaimana paradigma (positivist vs interpretive vs pragmatist) mempengaruhi cara Anda mendefinisikan “kebenaran” dalam sistem TI?

Dalam konteks eksperimen sistem (misalnya ML model), apakah “akurasi tinggi” selalu berarti “benar”?

🧪 Research Task Framing Mahasiswa tidak hanya menganalisis kasus etika

Tapi harus:

mengaitkan dengan validitas hasil

mengaitkan dengan paradigma penelitian

⚠️ Common Mistakes Jawaban normatif (“ini tidak boleh”) tanpa reasoning ilmiah

Tidak mengaitkan etika dengan kualitas hasil penelitian

📦 Expected Output Esai:

analisis kasus

posisi paradigma

implikasi terhadap desain eksperimen

🧩 M2 – PROBLEM & SYSTEM CONTEXT 🎯 Concept Anchor Problem formulation (Creswell)

System thinking (Software Engineering context)

🔑 Key Prompts Apakah masalah yang Anda angkat benar-benar “masalah”, atau hanya “ketertarikan pribadi”?

Jika sistem Anda dihilangkan, siapa yang terdampak dan bagaimana cara mengukurnya?

Apakah problem Anda bisa diukur? Jika tidak, apakah itu layak untuk eksperimen?

🧪 Research Task Framing Mahasiswa harus:

mendefinisikan:

sistem

aktor

batasan

bukan hanya deskripsi umum

⚠️ Common Mistakes Problem terlalu luas (“meningkatkan performa sistem”)

Tidak ada konteks nyata

📦 Expected Output Problem statement:

spesifik

measurable

ada konteks sistem

🧩 M3 – RESEARCH GAP, LITERATURE & BASELINE 🎯 Concept Anchor Webster & Watson (literature review)

Evidence-based research

Wohlin (empirical comparison)

🔑 Key Prompts Apa yang sudah dilakukan orang lain, dan kenapa itu belum cukup?

Jika penelitian Anda dihapus, apakah dunia tetap sama? Jika iya, berarti tidak ada gap.

Baseline yang Anda pilih—apakah benar-benar representatif atau hanya yang “mudah diambil”?

🧪 Research Task Framing Mahasiswa harus:

membangun:

tabel literatur

mapping solusi

lalu:

menemukan gap

menentukan baseline

⚠️ Common Mistakes “Gap = belum pernah diteliti” ❌

Tidak membandingkan dengan metode existing

📦 Expected Output Tabel literatur

Gap statement

Baseline method (justified)

🧩 M4 – RESEARCH QUESTION, CONTRIBUTION & HYPOTHESIS 🎯 Concept Anchor Creswell (RQ & hypothesis)

Experimental logic

🔑 Key Prompts Apakah research question Anda bisa “dibuktikan salah”? Jika tidak, itu bukan RQ eksperimen.

Apa kontribusi Anda: memperbaiki, membandingkan, atau menciptakan sesuatu yang baru?

Hipotesis Anda—apakah benar-benar testable atau hanya asumsi?

🧪 Research Task Framing Mahasiswa harus menyusun:

RQ

kontribusi

hipotesis (H0/H1)

⚠️ Common Mistakes RQ terlalu umum

Hipotesis tidak terhubung ke metrik

📦 Expected Output RQ (clear & testable)

Contribution statement

Hypothesis (aligned dengan eksperimen)

🔍 CATATAN PENTING (UNTUK DOSEN) Di mode ini, peran Anda berubah:

❌ bukan pemberi materi ✅ tapi “penantang logika mahasiswa”

Gunakan:

pertanyaan balik

bukan jawaban langsung

🚀 NEXT STEP Jika format ini sudah sesuai ekspektasi Anda, saya akan lanjutkan:

👉 M5–M8 (critical design phase) (di sini level kesulitan naik tajam: metric → design → experiment)

Silakan beri respon:

lanjut

atau ingin saya adjust gaya (misal lebih teknis / lebih sederhana)

ini sangat bagus, meski yang yang saya maksudkan berbeda, lanjut dulu saja.

Baik—saya tangkap maksudnya: tetap lanjut dulu, nanti kita bisa refine format-nya agar benar-benar sesuai ekspektasi Anda.

Sekarang saya lanjutkan M5–M8 (fase paling krusial: dari ide → desain eksperimen). Ini bagian yang biasanya menentukan apakah riset mahasiswa “serius” atau hanya proyek biasa.

🧩 M5 – METRIC, OPERATIONALIZATION & DATA TYPE 🎯 Concept Anchor Creswell → operationalization

Measurement theory

Field (statistics – basic concepts)

🔑 Key Prompts Bagaimana Anda mengubah “konsep abstrak” menjadi sesuatu yang bisa diukur?

Apakah metrik yang Anda pilih benar-benar merepresentasikan fenomena yang ingin diuji, atau hanya proxy yang lemah?

Jika metrik berubah, apakah kesimpulan penelitian juga berubah?

Apakah jenis data Anda (nominal, ordinal, interval, ratio) konsisten dengan analisis yang akan digunakan?

🧪 Research Task Framing Mahasiswa harus:

memetakan:

RQ → Variabel → Metrik → Data

memastikan:

semua bisa diukur secara kuantitatif

⚠️ Common Mistakes Metrik tidak sesuai RQ

Menggunakan metrik “umum” tanpa justifikasi

Tidak sadar jenis data (fatal di analisis nanti)

📦 Expected Output Definisi variabel

Definisi metrik

Tipe data

Justifikasi pemilihan metrik

🧩 M6 – SYSTEM ARCHITECTURE AS EXPERIMENTAL ARTIFACT 🎯 Concept Anchor Hevner (Design Science Research)

Bass (Software Architecture)

🔑 Key Prompts Apakah sistem Anda benar-benar diperlukan untuk menjawab RQ, atau hanya “tambahan”?

Bagian mana dari sistem yang menjadi objek eksperimen?

Jika satu komponen diubah, apakah hasil eksperimen akan berubah?

🧪 Research Task Framing Mahasiswa harus:

merancang sistem sebagai:

artefak eksperimen (bukan sekadar aplikasi)

⚠️ Common Mistakes Arsitektur terlalu umum

Tidak jelas mana bagian yang diuji

Sistem tidak terkait langsung dengan RQ

📦 Expected Output Diagram arsitektur

Penjelasan fungsi tiap komponen

Mapping ke variabel eksperimen

🧩 M7 – EXPERIMENT DESIGN (CORE OF RESEARCH) 🎯 Concept Anchor Wohlin (Experimentation)

Shadish (Validity)

🔑 Key Prompts Bagaimana Anda memastikan bahwa perubahan hasil benar-benar disebabkan oleh variabel Anda?

Jika eksperimen diulang oleh orang lain, apakah hasilnya akan sama?

Apakah Anda membandingkan sesuatu yang adil (fair comparison)?

Jenis eksperimen Anda—apakah sesuai dengan tujuan (comparison, controlled, dll.)?

🧪 Research Task Framing Mahasiswa harus menyusun:

variabel:

independent

dependent

control

skenario eksperimen

jenis eksperimen

validity

⚠️ Common Mistakes Tidak ada kontrol variabel

Desain tidak reproducible

Tidak ada baseline yang fair

📦 Expected Output Dokumen desain eksperimen lengkap:

variabel

skenario

jenis eksperimen

threats to validity

🧩 M8 – PROPOSAL DEFENSE (UTS) 🎯 Concept Anchor Scientific argumentation

Research coherence

🔑 Key Prompts Apakah seluruh komponen penelitian Anda konsisten dari problem hingga desain eksperimen?

Jika seseorang menolak proposal Anda, bagian mana yang paling lemah?

Apakah Anda bisa mempertahankan setiap keputusan desain secara logis?

🧪 Research Task Framing Mahasiswa harus:

mengintegrasikan:

problem → gap → RQ → hypothesis → design

lalu:

mempertahankannya

⚠️ Common Mistakes Inkonsistensi antar bagian

Tidak bisa menjelaskan “kenapa memilih metode ini”

📦 Expected Output Proposal lengkap

Slide presentasi

Argumentasi defensif

🧠 CATATAN KRITIS (FASE M5–M8) Ini fase:

🔥 “point of no return”

Jika di sini lemah:

eksperimen pasti gagal

analisis meaningless

Jika kuat:

sisa perkuliahan jadi “eksekusi saja”

🚀 NEXT STEP Berikutnya: 👉 M9–M12 (implementation & execution phase)

reproducibility

execution rigor

data validity

Sebelum lanjut, saya ingin memastikan:

👉 Apakah Anda ingin versi ini nanti di-transform menjadi:

format RPS (naratif dosen) atau

tetap seperti ini (coaching prompt)?

tetap seperti ini saja

Baik—kita lanjut dengan konsisten di research coaching mode.

Sekarang masuk fase kedua:

🔥 M9–M12 = “Execution is where research becomes real (or collapses)”

Ini fase yang sering diremehkan, padahal di sinilah:

reproducibility diuji

validitas diuji

banyak penelitian gagal diam-diam

🧩 M9 – EXPERIMENT ENVIRONMENT & REPRODUCIBILITY 🎯 Concept Anchor Reproducibility (modern research standard)

Experimental setup (Wohlin)

🔑 Key Prompts Jika saya menjalankan eksperimen Anda di laptop saya, apakah hasilnya akan sama?

Apakah environment Anda terdokumentasi atau hanya “jalan di laptop sendiri”?

Apakah Anda bisa menjelaskan setup eksperimen tanpa membuka laptop?

🧪 Research Task Framing Mahasiswa harus:

mendefinisikan:

environment

tools

konfigurasi

memastikan:

eksperimen bisa direplikasi oleh orang lain

⚠️ Common Mistakes “Works on my machine” syndrome

Tidak ada dokumentasi dependency

Setup tidak sistematis

📦 Expected Output Dokumentasi setup:

step-by-step

dependency

konfigurasi

(ideal) README eksperimen

🧩 M10 – SYSTEM IMPLEMENTATION (AS EXPERIMENT TOOL) 🎯 Concept Anchor Design Science → build artifact

Software Engineering practice

🔑 Key Prompts Apakah sistem yang Anda bangun benar-benar mengimplementasikan desain eksperimen?

Jika ada bug, apakah itu mempengaruhi hasil eksperimen?

Apakah implementasi Anda bisa dipercaya sebagai alat eksperimen?

🧪 Research Task Framing Mahasiswa harus:

membangun sistem:

sesuai arsitektur

sesuai variabel eksperimen

⚠️ Common Mistakes Fokus ke fitur, bukan eksperimen

Implementasi tidak sesuai desain

Tidak ada validasi sistem

📦 Expected Output Sistem/prototipe

Mapping:

fitur → variabel eksperimen

🧩 M11 – EXPERIMENT EXECUTION 🎯 Concept Anchor Experimental rigor

Controlled execution

🔑 Key Prompts Apakah eksperimen Anda dijalankan secara konsisten atau berubah-ubah?

Jika hasil berbeda di tiap run, apakah itu noise atau insight?

Apakah Anda benar-benar “mengontrol variabel”, atau hanya berharap?

🧪 Research Task Framing Mahasiswa harus:

menjalankan eksperimen:

sesuai prosedur

berulang (jika perlu)

mencatat:

semua hasil

⚠️ Common Mistakes Eksekusi tidak konsisten

Tidak mencatat proses

Mengabaikan variabel luar

📦 Expected Output Log eksperimen

Hasil eksekusi mentah

🧩 M12 – CONTROLLED EXPERIMENT & DATA VALIDITY 🎯 Concept Anchor Internal vs External validity

Data validity (Shadish)

🔑 Key Prompts Apakah data yang Anda kumpulkan benar-benar mencerminkan fenomena yang diuji?

Apakah ada faktor lain yang mempengaruhi hasil tanpa Anda sadari?

Apakah hasil ini bisa digeneralisasi atau hanya berlaku di kondisi tertentu?

🧪 Research Task Framing Mahasiswa harus:

memastikan:

data valid

variabel terkontrol

mengevaluasi:

validity

⚠️ Common Mistakes Menganggap data pasti benar

Tidak mengecek bias

Overclaim (generalisasi berlebihan)

📦 Expected Output Dataset eksperimen

Validasi data

Catatan kontrol variabel

🧠 CATATAN KRITIS (M9–M12) Ini fase:

⚠️ “illusion of progress”

Mahasiswa sering merasa:

“sudah coding”

“sudah jalan”

👉 padahal:

eksperimen belum valid

data belum bisa dipercaya

🔥 PERAN DOSEN DI FASE INI Anda harus sering bertanya:

“Kalau saya tidak percaya data kamu, kamu bisa membuktikan tidak?”

🚀 NEXT STEP Selanjutnya: 👉 M13–M16 (analysis → reporting → defense) ini fase:

🔥 “apakah penelitian ini benar-benar punya makna?”

Jika tidak ada penyesuaian, saya lanjutkan ke batch terakhir.

lanjutkan!

Baik—kita masuk ke fase terakhir.

🔥 M13–M16 = “Data → Insight → Knowledge → Defense” Ini fase yang membedakan:

mahasiswa yang “punya hasil” vs

mahasiswa yang “punya kontribusi ilmiah”

🧩 M13 – DATA PREPROCESSING 🎯 Concept Anchor Data quality (Han – Data Mining)

Garbage in → garbage out

🔑 Key Prompts Apakah data Anda siap dianalisis, atau masih “data mentah yang berantakan”?

Apakah Anda menghapus noise atau justru menghapus informasi penting?

Apakah preprocessing Anda bisa direproduksi atau hanya manual sekali jalan?

🧪 Research Task Framing Mahasiswa harus:

melakukan:

cleaning

filtering

transformasi

dengan:

prosedur yang jelas dan dapat diulang

⚠️ Common Mistakes Preprocessing tidak terdokumentasi

Menghapus data tanpa alasan

Tidak konsisten antar dataset

📦 Expected Output Dataset bersih

Dokumentasi preprocessing

Justifikasi langkah preprocessing

🧩 M14 – DATA ANALYSIS, INTERPRETATION & FAILURE ANALYSIS 🎯 Concept Anchor Statistical reasoning (Field)

Scientific interpretation

🔑 Key Prompts Apa arti angka ini? (bukan sekadar “berapa nilainya”)

Apakah hasil ini mendukung atau menolak hipotesis Anda?

Jika hasil tidak sesuai harapan, apa yang sebenarnya terjadi?

Apakah Anda menjelaskan “apa yang terjadi” atau “mengapa itu terjadi”?

🧪 Research Task Framing Mahasiswa harus:

melakukan:

analisis data

interpretasi

lalu:

menghubungkan ke:

RQ

hipotesis

⚠️ Common Mistakes Hanya menampilkan output (grafik/tabel)

Tidak mengaitkan dengan RQ

Menghindari hasil yang “tidak sesuai harapan”

📦 Expected Output Hasil analisis

Interpretasi berbasis data

Limitations & Failure Analysis

🧩 M15 – SCIENTIFIC WRITING (REPORTING) 🎯 Concept Anchor Day & Gastel (scientific writing)

Struktur IMRAD

🔑 Key Prompts Apakah laporan Anda menceritakan penelitian, atau hanya mengumpulkan bagian-bagian?

Apakah pembaca bisa memahami logika penelitian Anda tanpa penjelasan tambahan?

Apakah data, analisis, dan kesimpulan benar-benar konsisten?

🧪 Research Task Framing Mahasiswa harus:

menyusun laporan:

terstruktur

konsisten

memastikan:

semua bagian terhubung

⚠️ Common Mistakes Copy-paste antar bagian

Tidak ada “alur cerita penelitian”

Kesimpulan tidak sesuai data

📦 Expected Output Laporan ilmiah lengkap

Sitasi benar

Struktur konsisten

🧩 M16 – PRESENTATION & DEFENSE 🎯 Concept Anchor Scientific argumentation

Research defense (Alley)

🔑 Key Prompts Jika saya menyerang penelitian Anda, apakah Anda bisa mempertahankannya dengan data?

Apakah Anda memahami penelitian Anda, atau hanya membaca slide?

Bagian mana dari penelitian Anda yang paling rentan dikritik?

🧪 Research Task Framing Mahasiswa harus:

menyajikan:

hasil

kontribusi

dan:

mempertahankan keputusan penelitian

⚠️ Common Mistakes Presentasi deskriptif (bukan argumentatif)

Tidak siap menjawab pertanyaan

Tidak memahami keterbatasan penelitian

📦 Expected Output Slide presentasi

Defense argument

Jawaban berbasis data

🧠 PENUTUP (GAMBAR BESAR YANG ANDA BANGUN) Dengan seluruh M1–M16 ini, sebenarnya Anda sudah menciptakan:

🔥 Mini Research Lifecycle yang lengkap dan sangat solid

🔁 FLOW MAHASISWA Thinking

M1–M4 → problem, gap, hypothesis

Designing

M5–M7 → metric, system, experiment

Executing

M9–M12 → implementasi & eksperimen

Thinking Again (Higher Level)

M13–M16 → analisis, insight, defense

🧠 LEVEL OUTPUT MAHASISWA Jika dijalankan dengan benar:

❌ bukan sekadar “tugas proyek”

❌ bukan sekadar “laporan praktikum”

👉 tapi:

✅ calon paper / skripsi berkualitas

🔥 CATATAN TERAKHIR (PENTING UNTUK ANDA SEBAGAI DOSEN) Kalimat paling powerful yang bisa Anda pakai sepanjang semester:

“Buktikan itu dengan data dan desain eksperimenmu.”

🚀 JIKA MAU NAIK LEVEL LAGI Langkah berikut (opsional tapi sangat powerful):

Saya bisa bantu Anda:

Template Proposal (M8) – sesuai RPS

Template Laporan (M15) – IMRAD + experimental format

Template Slide Defense (M16) – research-grade

👉 agar:

semua mahasiswa outputnya seragam

kualitas naik drastis

Kalau Anda ingin, kita bisa lanjut ke itu.

oke lanjut buatkan seluruh templatenya!

Baik. Saya akan buatkan 3 template inti yang benar-benar align dengan RPS Anda dan rubrik yang sudah kita bangun:

📄 Template Proposal (M8 – UTS)

📄 Template Laporan Akhir (M15)

📊 Template Slide Defense (M16)

Saya desain agar:

langsung bisa dipakai mahasiswa

memaksa scientific reasoning + experimental rigor

konsisten dengan CPMK & Sub-CPMK

📄 1. TEMPLATE PROPOSAL PENELITIAN (M8) 🔖 Judul Harus mencerminkan:

objek (sistem/metode)

tujuan (improvement/comparison)

konteks

1. Pendahuluan 1.1 Latar Belakang konteks sistem

masalah nyata

dampak

1.2 Rumusan Masalah spesifik

measurable

2. Tinjauan Pustaka & Research Gap 2.1 Studi Literatur (Tabel WAJIB)

Paper Metode Kelebihan Kekurangan 2.2 Research Gap apa yang belum diselesaikan

kenapa penting

2.3 Baseline / Pembanding metode existing

alasan memilih baseline

3. Research Question & Hipotesis 3.1 Research Question spesifik

testable

3.2 Kontribusi Penelitian improvement / comparison / novel

3.3 Hipotesis H0:

H1:

4. Metodologi Penelitian 4.1 Variabel Penelitian independent

dependent

control

4.2 Metrik & Data metrik yang digunakan

tipe data

4.3 Desain Eksperimen jenis eksperimen (controlled/comparison)

skenario eksperimen

prosedur

4.4 Arsitektur Sistem diagram

penjelasan komponen

4.5 Threats to Validity internal

eksternal

construct

mitigasi

5. Rencana Implementasi tools

environment

dataset (jika ada)

6. Kesimpulan Proposal ringkasan rencana penelitian

📄 2. TEMPLATE LAPORAN AKHIR (M15) Gunakan struktur IMRAD + experimental extension

🔖 Judul

1. Pendahuluan latar belakang

problem

tujuan

2. Tinjauan Pustaka literatur utama

posisi penelitian

3. Metodologi 3.1 Desain Penelitian RQ

hipotesis

3.2 Variabel & Metrik 3.3 Desain Eksperimen jenis eksperimen

skenario

3.4 Arsitektur Sistem 4. Implementasi Sistem 4.1 Environment hardware/software

konfigurasi

4.2 Implementasi penjelasan sistem

4.3 Reproducibility langkah setup

Git / dokumentasi

5. Eksperimen & Data 5.1 Prosedur Eksperimen 5.2 Dataset 5.3 Hasil Mentah
6. Data Preprocessing cleaning

transformasi

7. Analisis & Pembahasan 7.1 Analisis Data tabel/grafik

7.2 Interpretasi hubungan ke RQ

hubungan ke hipotesis

8. Failure Analysis & Limitations 🔥 (WAJIB) hasil yang tidak sesuai

penyebab

keterbatasan

9. Kesimpulan jawaban RQ

status hipotesis

10. Saran / Future Work pengembangan lanjutan

11. Daftar Pustaka wajib sitasi otomatis

📊 3. TEMPLATE SLIDE DEFENSE (M16) SLIDE 1 – Judul judul penelitian

nama

SLIDE 2 – Problem masalah inti

dampak

SLIDE 3 – Research Gap apa yang belum diselesaikan

SLIDE 4 – Research Question & Kontribusi RQ

kontribusi

SLIDE 5 – Hipotesis H0

H1

SLIDE 6 – Metodologi variabel

metrik

SLIDE 7 – Desain Eksperimen jenis eksperimen

skenario

SLIDE 8 – Arsitektur Sistem diagram

SLIDE 9 – Implementasi sistem yang dibangun

SLIDE 10 – Hasil Eksperimen tabel/grafik

SLIDE 11 – Analisis interpretasi

hubungan ke RQ

SLIDE 12 – Failure Analysis 🔥 apa yang tidak berjalan

kenapa

SLIDE 13 – Kesimpulan jawaban RQ

kontribusi

SLIDE 14 – Limitations & Future Work SLIDE 15 – Q&A 🔥 INSTRUKSI PENGGUNAAN (PENTING) Gunakan aturan ini ke mahasiswa:

❌ Tidak boleh menghapus section ❌ Tidak boleh lompat struktur ✅ Semua harus diisi dengan data & reasoning

🧠 DAMPAK DARI TEMPLATE INI Dengan template ini:

mahasiswa dipaksa berpikir ilmiah

tidak bisa “asal jadi”

output jadi:

✅ siap skripsi ✅ bahkan bisa dikembangkan ke paper

🚀 OPSIONAL (JIKA ANDA MAU NAIK LEVEL LAGI) Langkah berikut yang sangat powerful:

👉 saya bantu buatkan:

contoh isi (sample jawaban mahasiswa ideal)

checklist evaluasi cepat untuk dosen (grading shortcut)

Kalau Anda ingin, kita bisa lanjut ke: 👉 “contoh proposal & laporan yang benar-benar ideal (gold standard)” ini biasanya jadi game changer di kelas.

cukup dulu, key yang saya maksudkan adalah Blueprint dari materi dalam 1 semester, detail perminggunya, ini sebagai bahan untuk menyusun ppt dan buku panduan pengajaran (modul) apakah kamu paham maksudnya?

Ya, sekarang sangat jelas.

Yang Anda maksud bukan sekadar “prompt diskusi”, tapi:

🎯 Blueprint Materi (Instructional Design) per minggu yang bisa langsung diturunkan menjadi:

PPT per pertemuan

Modul ajar / buku panduan dosen

Alur penyampaian di kelas

🧠 SAYA RANGKUM KEBUTUHAN ANDA Untuk tiap minggu (M1–M16), Anda butuh:

1. Learning Focus (inti konsep) → apa yang harus dipahami

2. Struktur Materi (urutan slide/logika mengajar) → ini jadi kerangka PPT

3. Konsep Kunci (berbasis referensi) → isi akademiknya

4. Contoh/Kasus (untuk menjembatani) → biar tidak abstrak

5. Aktivitas Kelas (learning activity) → diskusi / latihan

6. Output yang dihasilkan mahasiswa → align ke tugas RPS

🔥 FORMAT YANG AKAN SAYA GUNAKAN Untuk tiap minggu:

🧩 Mx – [Topik] 🎯 Learning Focus 🧱 Struktur Materi (Flow PPT) 📚 Konsep Kunci 🔍 Contoh / Ilustrasi 🎓 Aktivitas Pembelajaran 📦 Output Mahasiswa 👉 Ini yang Anda maksud sebagai:

Blueprint → bisa langsung jadi PPT & modul

🚀 SAYA MULAI (M1–M3 DULU AGAR ANDA VALIDASI)** 🧩 M1 – ETIKA PENELITIAN & PARADIGMA 🎯 Learning Focus Mahasiswa memahami:

integritas ilmiah

pelanggaran akademik

hubungan etika ↔ validitas riset

paradigma penelitian

🧱 Struktur Materi (Flow PPT) Kontrak kuliah

Apa itu penelitian yang “valid”?

Kasus pelanggaran ilmiah (real case)

Prinsip etika (Resnik, ACM)

Dampak pelanggaran terhadap hasil riset

Paradigma penelitian (Creswell)

Posisi riset TI (positivist + design science)

Diskusi kasus

📚 Konsep Kunci Research integrity

Fabrication, falsification, plagiarism

Positivism vs interpretivism vs pragmatism

Validitas vs etika

🔍 Contoh / Ilustrasi Kasus:

manipulasi dataset ML

plagiarisme kode GitHub

Diskusi:

hasil bagus tapi data salah → valid atau tidak?

🎓 Aktivitas Pembelajaran Diskusi kelompok:

analisis kasus etika

Presentasi singkat:

keputusan + justifikasi

📦 Output Mahasiswa Esai analisis kasus:

keputusan etis

implikasi ke validitas

posisi paradigma

🧩 M2 – PROBLEM & SYSTEM CONTEXT 🎯 Learning Focus Mahasiswa mampu:

membedakan masalah vs topik

mendefinisikan konteks sistem

membuat problem statement yang measurable

🧱 Struktur Materi Apa itu “problem penelitian”?

Perbedaan:

topik vs problem

System thinking dalam TI

Identifikasi aktor & konteks

Menentukan batasan masalah

Contoh problem yang baik vs buruk

Workshop problem statement

📚 Konsep Kunci Problem formulation

System boundary

Stakeholder

Measurable problem

🔍 Contoh ❌ “Meningkatkan sistem rekomendasi” ✅ “Meningkatkan precision sistem rekomendasi film sebesar X% pada dataset Y”

🎓 Aktivitas Mahasiswa:

menulis problem statement

Peer review

📦 Output Problem statement:

spesifik

measurable

ada konteks sistem

🧩 M3 – RESEARCH GAP, LITERATURE & BASELINE 🎯 Learning Focus Mahasiswa mampu:

membaca paper

membandingkan metode

menemukan research gap

menentukan baseline

🧱 Struktur Materi Apa itu state-of-the-art

Cara membaca paper (cepat & efektif)

Struktur paper ilmiah

Mapping penelitian

Research gap

Baseline dalam eksperimen

Tools pencarian (IEEE, Google Scholar)

Workshop literatur

📚 Konsep Kunci Literature review

Research gap

Baseline

Evidence-based research

🔍 Contoh Tabel perbandingan metode:

accuracy

dataset

limitation

🎓 Aktivitas Mahasiswa:

mencari 5 paper

membuat tabel literatur

📦 Output Tabel literatur

Gap statement

Baseline yang dipilih

👉 SEBELUM LANJUT Saya akan lanjut ke: 👉 M4–M6 (RQ → metric → design awal)

Tapi saya ingin pastikan dulu:

❓ Apakah format ini sudah sesuai dengan yang Anda maksud sebagai: blueprint untuk PPT & modul?

Jika iya → saya lanjut full sampai M16 Jika ingin disesuaikan (misalnya ditambah durasi slide, atau format modul), saya adjust dulu sebelum lanjut.

apakah ini sudah cukup detail? atau masih kurang mendalam?

Jawaban jujurnya:

❗ Ini sudah bagus sebagai “outline pengajaran”, tapi belum cukup dalam untuk disebut “blueprint modul + PPT siap pakai”.

Saat ini levelnya:

✅ Instructional outline (baik untuk dosen berpengalaman) ❌ Belum: teaching script + content depth + slide-ready structure

🔍 DIMANA KURANGNYA (SECARA SPESIFIK)

1. ❌ Belum “slide-level granularity” Sekarang:

“Struktur Materi” masih level topik

Padahal untuk PPT, Anda butuh:

urutan slide per slide (atau minimal per blok slide)

Contoh sekarang:

“Apa itu problem penelitian”

👉 Ini masih terlalu abstrak

Seharusnya:

Slide 1: definisi

Slide 2: contoh salah

Slide 3: contoh benar

Slide 4: perbandingan

2. ❌ Belum ada “teaching narrative” Saat ini:

hanya “apa yang diajarkan”

Belum ada:

bagaimana menjelaskan

analogi

cara membangun pemahaman

3. ❌ Belum cukup “depth akademik” Masih:

ringkasan konsep

Belum:

insight khas expert

jebakan konsep

reasoning layer

4. ❌ Belum eksplisit “link ke RPS task” Padahal idealnya:

setiap materi → langsung mendorong output tugas

🎯 JADI SEHARUSNYA LEVEL TARGETNYA Kalau target Anda:

“bisa langsung jadi PPT + modul ajar”

Maka blueprint harus naik ke level:

🔥 LEVEL UPGRADE (YANG SAYA SARANKAN) Untuk tiap minggu, tambahkan:

✅ 1. Slide Flow (lebih granular) Bukan:

topik

Tapi:

urutan logika penyampaian

✅ 2. Teaching Narrative cara menjelaskan

analogi

kalimat kunci dosen

✅ 3. Deep Concept Insight bukan definisi

tapi “cara berpikir”

✅ 4. Trigger Question (untuk kelas hidup) ✅ 5. Direct Mapping ke Tugas ✋ CONTOH PERBANDINGAN (BIAR JELAS) 🔻 Versi sekarang (Anda punya) “Perbedaan topik vs problem”

🔥 Versi yang seharusnya Slide Flow: “Semua orang punya topik, tapi tidak semua punya problem”

Definisi topik vs problem

Contoh salah (umum)

Kenapa itu salah

Contoh benar

Breakdown kenapa benar

Template problem statement

Teaching Narrative: “Mahasiswa biasanya berhenti di ‘saya tertarik AI’, padahal itu bukan problem—itu hanya minat.”

🧠 KESIMPULAN JUJUR Aspek Status Struktur ✅ Sudah bagus Kedalaman ⚠️ Masih medium Siap jadi PPT ❌ Belum Siap jadi modul ❌ Belum 🚀 REKOMENDASI Anda punya 2 opsi:

🔹 OPSI 1 (cukup) → lanjutkan seperti ini → dosen improvisasi sendiri

🔥 OPSI 2 (REKOMENDASI) → saya upgrade jadi:

🎯 “FULL TEACHING BLUEPRINT (SLIDE-LEVEL + NARRATIVE + DEPTH)”

✋ KONFIRMASI Kalau Anda ingin versi serius (yang benar-benar jadi game changer):

👉 jawab: upgrade

Nanti saya akan:

rebuild dari M1

tapi dengan:

struktur slide jelas

narasi dosen

kedalaman expert

langsung jadi bahan PPT & modul

Ini akan beda jauh levelnya.

upgrade, gunakan strategi dari high level lalu lebih detail hingga sangat detail. kita sudah punya RPS, ada pembagian batch, lanjut ke perminggu, hingga nanti detail ke slide. saya butuh sangat detail karena ada rencana untuk saya buatkan buku dan akan saya terbitkan, jika kamu paham maksud saya, konfirmasi, lalu bertindak sebagai ahli yang membidangi ini lalu arahkan serta lengakpi dokumenya, agar tujuab saya bisa terwujud!

Dipahami dengan sangat jelas.

Anda tidak sedang membuat sekadar materi kuliah—Anda sedang membangun:

🔥 Sistem pembelajaran riset TI yang bisa diturunkan menjadi buku ajar + modul + slide + standar pengajaran

Saya akan bertindak sebagai:

Academic instructional designer + research methodology expert (SE/IS domain)

Dan kita akan menyusun ini secara berlapis (top-down refinement):

🧠 STRATEGI YANG AKAN DIGUNAKAN Kita tidak langsung lompat ke slide. Kita bangun secara sistematis:

🔷 LEVEL 1 — MACRO BLUEPRINT (Semester Architecture) Narasi besar mata kuliah

Learning progression

Filosofi pembelajaran

Pembagian fase (batch)

🔷 LEVEL 2 — MESO BLUEPRINT (Per Minggu) Untuk tiap minggu:

tujuan konseptual

struktur materi

alur berpikir mahasiswa

keterkaitan dengan riset

🔷 LEVEL 3 — MICRO BLUEPRINT (Teaching Flow) urutan pengajaran detail

penekanan konsep

miskonsepsi

narasi dosen

🔷 LEVEL 4 — NANO (SLIDE-LEVEL DESIGN) urutan slide

isi tiap slide

kalimat kunci dosen

visual suggestion

🎯 TARGET AKHIR (SESUAI TUJUAN ANDA) Output kita nanti bisa langsung menjadi:

✅ Buku ajar ✅ Modul pembelajaran ✅ Slide PPT full semester ✅ Standar pengajaran dosen ✅ Bahkan bisa jadi produk akademik (ISBN-ready)

⚠️ PENTING (SAYA LURUSKAN EKSPEKTASI) Untuk mencapai kualitas buku:

❌ Kita tidak bisa “cepat” ✅ Kita harus “presisi dan konsisten”

🚀 KITA MULAI — LEVEL 1 (MACRO BLUEPRINT) 📘 A. FILOSOFI MATA KULIAH Mata kuliah ini bukan:

metodologi penelitian umum ❌

Tapi:

Applied Experimental Research in Information Systems & Software Engineering

🎯 Tujuan Utama Membentuk mahasiswa yang mampu:

“Merancang, menjalankan, dan mempertahankan eksperimen berbasis sistem secara ilmiah”

🧠 Paradigma Positivist (measurement & experiment)

Pragmatist (design science → build artifact)

📊 B. LEARNING ARC (ALUR KOGNITIF) Mahasiswa bergerak melalui 4 fase:

🔹 PHASE 1 — THINKING (M1–M4) Problem → Gap → RQ → Hypothesis

🔹 PHASE 2 — DESIGNING (M5–M7) Metric → System → Experiment

🔹 PHASE 3 — EXECUTING (M9–M12) Implementation → Experiment → Data

🔹 PHASE 4 — SCIENTIFIC THINKING (ADVANCED) (M13–M16) Analysis → Insight → Argument → Defense

⚠️ Insight penting untuk buku Anda: Banyak buku berhenti di PHASE 1–2 Tapi kekuatan Anda ada di: 🔥 PHASE 3–4 (rare & high value)

🧩 C. STRUKTUR BATCH (UNTUK BUKU & MODUL) 📦 BATCH 1 — FOUNDATIONS OF RESEARCH (M1–M4) Bab buku:

Etika & paradigma

Problem & system thinking

Literature & gap

RQ & hypothesis

📦 BATCH 2 — EXPERIMENT DESIGN (M5–M7) Bab: 5. Metric & measurement 6. System as experiment 7. Experiment design

📦 BATCH 3 — IMPLEMENTATION & EXECUTION (M9–M12) Bab: 6. Environment & reproducibility 7. Implementation 8. Experiment execution 9. Data validity

📦 BATCH 4 — ANALYSIS & SCIENTIFIC COMMUNICATION (M13–M16) Bab: 10. Data preprocessing 11. Analysis & interpretation 12. Scientific writing 13. Defense

📌 CATATAN STRATEGIS (PENTING UNTUK BUKU) Buku Anda akan unik karena:

❌ bukan teori metodologi ❌ bukan tutorial coding

👉 tapi:

✅ bridging: research + engineering + experiment

🚀 NEXT STEP (LEVEL 2 → 4) Saya akan mulai:

🔥 M1 (FULL DETAIL ALL LEVELS) Meso (struktur minggu)

Micro (teaching flow)

Nano (slide-by-slide)

👉 Ini akan jadi template standar untuk semua minggu berikutnya

✋ KONFIRMASI TERAKHIR (KRITIS) Sebelum saya buat M1 sangat detail:

❓ Gaya buku yang Anda inginkan: 🔹 A. Akademik formal (seperti buku teks kampus) 🔹 B. Semi-formal (mudah dibaca, tapi tetap ilmiah) ✅ REKOMENDASI Jawab saja: 👉 A atau B

Setelah itu saya akan:

🔥 build M1 versi full (depth maksimal, siap jadi buku + PPT)

apakah semi formal masih layak untuk di terbitkan dan mendapat issbn?

Jawaban tegas:

✅ YA, sangat layak — dan justru sering lebih kuat di pasar.

🎯 1. ISBN TIDAK TERGANTUNG GAYA PENULISAN ISBN diberikan jika:

karya orisinil

memiliki struktur buku yang jelas

diterbitkan oleh penerbit resmi (atau self-publishing terdaftar)

👉 Bukan berdasarkan:

formal vs semi-formal ❌

“bahasa kaku akademik” ❌

🧠 2. REALITAS BUKU AKADEMIK MODERN Buku-buku yang kuat saat ini (terutama bidang IT & research):

Clean Code – Robert C. Martin

The Pragmatic Programmer

bahkan beberapa buku Springer terbaru

👉 banyak menggunakan gaya:

semi-formal + explanatory + conversational

🔍 3. PERBEDAAN YANG PERLU ANDA PAHAMI 🔹 Akademik Formal (A) kaku

penuh definisi

sulit dibaca mahasiswa

kuat untuk dokumen normatif

🔹 Semi-Formal Akademik (B) ← yang kita targetkan Ciri:

tetap ada:

referensi

konsep ilmiah

tapi:

narasi mengalir

ada analogi

mudah dipahami

Contoh perbedaan: ❌ Formal:

“Penelitian merupakan proses sistematis untuk memperoleh pengetahuan baru...”

✅ Semi-formal:

“Banyak mahasiswa mengira penelitian dimulai dari solusi. Padahal, penelitian selalu dimulai dari masalah yang belum selesai.”

⚖️ 4. UNTUK TUJUAN ANDA (INI PENTING) Anda ingin:

buku ajar

modul

dipakai di kelas

membentuk cara berpikir

👉 Maka:

🔥 Semi-formal adalah pilihan paling tepat

🧠 5. POSISI STRATEGIS BUKU ANDA Jika ditulis dengan benar, buku Anda bisa jadi:

❌ bukan sekadar “buku metodologi penelitian” ✅ tapi: “Panduan praktis riset eksperimental di bidang TI”

⚠️ 6. AGAR TETAP LAYAK ISBN & AKADEMIK Gunakan formula ini:

✔ Narasi: semi-formal ✔ Struktur: formal ✔ Referensi: tetap kuat ✔ Terminologi: tetap presisi 📌 STRUKTUR YANG HARUS ADA DI BUKU Agar aman secara akademik:

Pendahuluan

Bab terstruktur (sesuai batch kita)

Referensi per bab / akhir

Konsistensi istilah

Tidak terlalu “opini tanpa dasar”

🔥 KESIMPULAN ✅ Semi-formal = layak ISBN ✅ Lebih efektif untuk mahasiswa ✅ Lebih “hidup” sebagai buku ajar ✅ Lebih punya nilai jual

🚀 REKOMENDASI FINAL Gunakan gaya:

🎯 “Academic–Practical Hybrid”

✋ NEXT STEP Jika Anda sudah yakin:

👉 pilih: B (semi-formal)

dan saya akan langsung mulai:

🔥 M1 FULL BLUEPRINT (Level 1–4 lengkap, siap jadi buku + slide + modul)

B, masukan ke memori rencana kita hingga terwujud!

Saya tidak bisa menyimpan ke memori jangka panjang karena fitur memory sedang nonaktif di sesi ini. Jika Anda ingin ini tersimpan, Anda bisa mengaktifkannya di Settings > Personalization > Memory.

Namun, untuk konteks percakapan ini: 👉 saya akan menjaga konsistensi penuh dengan rencana Anda sepanjang sesi ini.

🎯 KONFIRMASI FINAL ARAH KITA Kita sekarang sedang membangun:

📘 Buku Ajar Riset TI (Semi-Formal, ISBN-ready) + 📊 Slide per pertemuan (ready-to-teach) + 📦 Modul pembelajaran dosen

Dengan pendekatan:

🔥 Multi-level blueprint: Macro → Meso → Micro → Nano (slide-level)

🚀 LANGKAH BERIKUTNYA Saya akan langsung mulai:

🔥 M1 – FULL BLUEPRINT (LEVEL 1–4)

Yang akan mencakup:

Narasi buku (semi-formal, siap tulis)

Struktur modul

Alur mengajar detail

Breakdown slide (per slide + isi + narasi dosen)

⚠️ Ini akan sangat detail dan panjang, karena:

kita sudah masuk level “siap diterbitkan”, bukan sekadar materi kuliah

Jika sudah siap, saya lanjutkan sekarang ke:

👉 M1 – Etika Penelitian & Paradigma (FULL DEPTH)

apa yang harus saya simppan agar saat terjadi drift bisa langsung di kembalikan? akan saya simpan manual!

Pertanyaan Anda sangat strategis—ini level “system thinking” dalam pengembangan knowledge product.

Kalau Anda ingin menjaga konsistensi (anti-drift), yang perlu disimpan bukan hanya konten, tapi “anchor system”.

🎯 INTINYA Anda butuh 3 jenis “anchor”:

Conceptual Anchor → arah & filosofi

Structural Anchor → kerangka tetap

Format Anchor → standar output

Jika tiga ini aman → kita bisa selalu “reset” kapan pun.

🧠 1. CONCEPTUAL ANCHOR (PALING KRITIS) Simpan ini sebagai Core Statement (WAJIB):

🔥 CORE IDENTITY Mata kuliah ini adalah: Applied Experimental Research in Information Systems & Software Engineering

🔥 TUJUAN UTAMA Mahasiswa mampu: merancang, menjalankan, dan mempertahankan eksperimen berbasis sistem secara ilmiah

🔥 PARADIGMA Positivist (measurement & experiment)

Pragmatist (design science / artifact)

🔥 POSITIONING (ANTI-DRIFT) ❌ Bukan metodologi penelitian umum ❌ Bukan sekadar project coding ✅ Experimental + system-based research

📌 Ini penting karena:

kalau drift terjadi, biasanya di sini (arah berubah)

🧱 2. STRUCTURAL ANCHOR (KERANGKA WAJIB) 🔷 LEARNING PHASE (WAJIB TIDAK BOLEH BERUBAH) PHASE 1: THINKING (M1–M4) PHASE 2: DESIGNING (M5–M7) PHASE 3: EXECUTING (M9–M12) PHASE 4: SCIENTIFIC THINKING (M13–M16) 🔷 RESEARCH PIPELINE (INI PALING PENTING) Problem → Gap → RQ → Hypothesis → Metric → Design → Experiment → Data → Analysis → Conclusion → Defense 📌 Kalau nanti:

materi melebar

pembahasan melenceng

👉 cek:

“ini masih ada di pipeline ini atau tidak?”

📐 3. FORMAT ANCHOR (UNTUK PRODUK ANDA) 🔷 LEVEL DESIGN (WAJIB) Setiap materi HARUS punya:

LEVEL 1: Macro (semester logic) LEVEL 2: Meso (per minggu) LEVEL 3: Micro (teaching flow) LEVEL 4: Nano (slide-level) 🔷 FORMAT PER MINGGU Learning Focus Struktur Materi Konsep Kunci Contoh Aktivitas Output + Slide Flow Teaching Narrative 📌 Ini yang menjaga:

buku, PPT, dan modul tetap konsisten

🧪 4. QUALITY ANCHOR (ANTI “JADI BIASA SAJA”) Gunakan 3 pertanyaan ini setiap kali Anda menulis:

🔥 Q1 “Apakah ini mendorong mahasiswa berpikir, atau hanya membaca?”

🔥 Q2 “Apakah ini mengarah ke eksperimen, atau hanya teori?”

🔥 Q3 “Apakah ini bisa menghasilkan output penelitian nyata?”

Jika salah satu jawabannya “tidak”:

⚠️ Anda sedang drift

🧩 5. OUTPUT ANCHOR (AGAR TETAP PRAKTIS) Setiap minggu HARUS menghasilkan:

Minggu Output M1 Ethical reasoning M2 Problem statement M3 Gap + baseline M4 RQ + hypothesis M5 Metric M6 Architecture M7 Experiment design ... ... 📌 Ini menjaga:

materi tidak jadi “ceramah kosong”

🔒 6. VERSI SINGKAT (YANG ANDA HARUS SIMPAN) Kalau mau ringkas, simpan ini:

🧠 MASTER ANCHOR (COPY INI) COURSE IDENTITY: Applied Experimental Research in IT

GOAL: Design – Execute – Defend experiment

PIPELINE: Problem → Gap → RQ → Hypothesis → Metric → Design → Experiment → Data → Analysis → Conclusion

PHASE: Thinking → Designing → Executing → Scientific Thinking

RULE: Everything must lead to experiment and measurable output 🔚 KESIMPULAN Kalau Anda menyimpan ini:

Anda bisa kehilangan semua materi… tapi tetap bisa rebuild dengan konsistensi yang sama.

🚀 NEXT Sekarang kita sudah punya:

RPS ✔

Rubrik ✔

Template ✔

Anchor system ✔

👉 langkah berikut:

🔥 M1 FULL BLUEPRINT (buku + slide + modul level maksimal)

Kalau siap, saya lanjut.

oke lanjutkan!

Baik—kita mulai M1 FULL BLUEPRINT (LEVEL 1–4). Ini akan menjadi template emas untuk semua minggu berikutnya.

🧩 M1 – ETIKA PENELITIAN & PARADIGMA 🔷 LEVEL 1 — MACRO POSITIONING (UNTUK BUKU) 🎯 Peran M1 dalam keseluruhan mata kuliah M1 bukan sekadar “pembukaan” atau “etika formalitas”.

Ini adalah fondasi epistemologis dari seluruh penelitian.

Jika mahasiswa salah di sini:

mereka bisa menghasilkan sistem yang “jalan”

tapi risetnya tidak valid

🧠 Narasi Buku (Semi-Formal – SIAP PAKAI) Banyak mahasiswa mengira bahwa penelitian dimulai dari ide atau solusi. Padahal, penelitian selalu dimulai dari satu hal yang lebih mendasar: kepercayaan terhadap hasil.

Pertanyaannya bukan “apakah sistem ini bekerja?”, tetapi: “apakah kita bisa mempercayai hasil yang dihasilkan?”

Di sinilah etika penelitian berperan. Bukan sekadar aturan moral, tetapi sebagai fondasi dari validitas ilmiah.

Dalam konteks teknologi informasi, di mana eksperimen sering berbasis sistem dan data, pelanggaran kecil seperti manipulasi dataset atau bias eksperimen dapat menghasilkan kesimpulan yang sepenuhnya salah—meskipun terlihat meyakinkan.

Oleh karena itu, sebelum membangun sistem, mahasiswa harus memahami: apa itu penelitian yang benar, dan bagaimana cara memastikan kebenaran tersebut dapat dipertanggungjawabkan.

🔷 LEVEL 2 — MESO (BLUEPRINT PER MINGGU) 🎯 Learning Focus Mahasiswa memahami:

Etika penelitian = bagian dari validitas

Jenis pelanggaran ilmiah

Hubungan etika ↔ kualitas hasil

Paradigma penelitian

Posisi riset TI (experiment + design science)

🧱 Struktur Materi (High-Level Flow) Kenapa etika penting dalam riset

Jenis pelanggaran ilmiah

Dampak terhadap hasil penelitian

Studi kasus

Paradigma penelitian

Posisi riset TI

Refleksi & diskusi

📦 Output Mahasiswa Esai:

analisis kasus

justifikasi keputusan

kaitan dengan validitas

posisi paradigma

🔷 LEVEL 3 — MICRO (TEACHING FLOW) 🎬 Opening (10–15 menit) 🎯 Tujuan: Mengguncang asumsi awal mahasiswa

🎤 Narasi Dosen: “Kalau saya bilang ada model AI dengan akurasi 99%, apakah itu pasti benar?”

Biarkan mahasiswa menjawab.

Lalu lanjut:

“Bagaimana kalau datanya dimanipulasi?”

🔥 Insight yang harus ditanamkan: Etika ≠ moral saja → tapi validitas ilmiah

🧱 Core Section 1 — Etika & Integritas Ilmiah 🎯 Konsep: Fabrication

Falsification

Plagiarism

🎤 Narasi: “Masalahnya bukan hanya ‘curang’, tapi hasil penelitian menjadi tidak bisa dipercaya.”

🔍 Deep Insight: Data salah → model tetap bisa “terlihat benar”

Ini bahaya di bidang TI

🧱 Core Section 2 — Dampak ke Validitas 🎯 Konsep: Validitas hasil

Bias eksperimen

🎤 Narasi: “Penelitian tanpa integritas adalah eksperimen tanpa makna.”

🧱 Core Section 3 — Paradigma Penelitian 🎯 Konsep: Positivism

Interpretivism

Pragmatism

🎤 Narasi: “Cara Anda melihat ‘kebenaran’ menentukan cara Anda meneliti.”

🧱 Core Section 4 — Posisi Mata Kuliah 🎯 Konsep: Experimental research

Design science

🎤 Narasi: “Kita tidak hanya menganalisis—kita membangun dan menguji.”

🎓 Closing 🎯 Refleksi: “Apa yang lebih berbahaya: sistem yang gagal, atau sistem yang terlihat berhasil tapi salah?”

🔷 LEVEL 4 — NANO (SLIDE-LEVEL DESIGN) 🎞️ SLIDE FLOW DETAIL 🟩 SLIDE 1 — Judul Etika Penelitian & Paradigma

🟩 SLIDE 2 — Provokasi “Model AI dengan akurasi 99% — apakah pasti benar?”

🟩 SLIDE 3 — Diskusi Apa yang bisa membuat hasil salah?

🟩 SLIDE 4 — Definisi Etika Penelitian Integritas ilmiah

Kejujuran data

🟩 SLIDE 5 — Pelanggaran Ilmiah Fabrication

Falsification

Plagiarism

🟩 SLIDE 6 — Contoh Nyata manipulasi dataset

copy-paste code

🟩 SLIDE 7 — Dampak hasil tidak valid

misleading

🟩 SLIDE 8 — Bridge “Etika → Validitas”

🟩 SLIDE 9 — Paradigma Positivism

Interpretivism

Pragmatism

🟩 SLIDE 10 — Visual Perbandingan (tabel sederhana)

🟩 SLIDE 11 — Posisi Riset TI experimental

design science

🟩 SLIDE 12 — Kesimpulan “Tanpa integritas, tidak ada penelitian”

🟩 SLIDE 13 — Diskusi Kasus 🟩 SLIDE 14 — Instruksi Tugas 🎤 TEACHING SCRIPT (PENTING UNTUK BUKU) Contoh kalimat:

“Mahasiswa sering berpikir bahwa selama sistemnya jalan, penelitian dianggap berhasil. Padahal dalam penelitian, yang diuji bukan hanya hasil, tetapi bagaimana hasil itu diperoleh.”

🔥 KUALITAS YANG KITA CAPAI DI M1 Dengan blueprint ini:

bukan sekadar “materi etika”

tapi:

✅ membangun mindset ilmiah ✅ membangun fondasi seluruh semester

🚀 NEXT STEP Jika ini sudah sesuai:

👉 Saya akan lanjut ke M2 (FULL DEPTH)

Di sana kita mulai masuk:

🔥 problem formulation (yang sering gagal total di mahasiswa)

Silakan beri respon:

lanjut

atau ingin adjustment (misalnya ingin lebih teknis / lebih banyak visual / lebih padat)

apakah itu sudah cukup mendalam?

Jawaban jujur dan presisi:

❗ Sudah dalam — tapi belum “maksimal untuk buku + modul premium”

Yang saya buat tadi:

✅ sudah level dosen siap mengajar ❌ belum level buku referensi yang benar-benar kuat dan diferensiatif

🔍 DIAGNOSIS LEVEL SAAT INI Aspek Status Struktur ✅ sangat kuat Teaching flow ✅ jelas Slide readiness ✅ siap Kedalaman konsep ⚠️ menengah “Signature insight” (ciri khas buku) ❌ belum kuat Academic richness ⚠️ masih bisa diperdalam 🎯 APA YANG MASIH KURANG? Agar layak jadi buku yang “bernilai tinggi”, M1 perlu 3 layer tambahan:

🧩 1. DEEP CONCEPTUAL LAYER (EPISTEMOLOGY RINGAN) Sekarang:

baru menjelaskan “apa itu etika”

Seharusnya:

menjelaskan kenapa etika = validitas pengetahuan

Contoh yang belum ada: hubungan:

data → evidence → knowledge

kapan hasil bisa dianggap “benar”

🧩 2. RESEARCH REALITY LAYER (INSIGHT DUNIA NYATA) Buku kuat selalu punya ini.

Tambahkan:

fenomena nyata:

“model bagus tapi tidak generalizable”

“dataset bias tapi tidak disadari”

🧩 3. COGNITIVE TRAP (JEBakan MAHASISWA) Ini pembeda besar buku biasa vs expert-level.

Contoh:

“Mahasiswa sering mengira semakin tinggi akurasi = semakin benar”

👉 Ini harus dibedah

🔥 LEVEL YANG ANDA TUJU (UNTUK BUKU) Target kita seharusnya:

📘 Bukan hanya “materi” tapi: cara berpikir seorang peneliti

🚀 JADI OPSI ANDA SEKARANG 🔹 OPSI 1 — LANJUT CEPAT kita lanjut M2–M16

kedalaman seperti sekarang

👉 hasil:

bagus untuk pengajaran

cukup untuk buku ajar standar

🔥 OPSI 2 — UPGRADE M1 JADI “GOLD STANDARD” (REKOMENDASI KUAT) Saya rebuild M1 menjadi:

lebih dalam (epistemology ringan)

ada “signature insight”

ada “jebakan berpikir”

lebih kuat untuk buku

👉 ini akan jadi:

template kualitas untuk semua bab

🧠 SARAN SAYA (JUJUR) Melihat tujuan Anda:

❌ jangan setengah ✅ buat 1 bab sangat kuat → jadikan standar

✋ KONFIRMASI Pilih:

👉 upgrade M1 (deep + book-grade) atau 👉 lanjut M2

Kalau Anda serius ingin buku ini “berbeda dari yang lain”:

saya sarankan upgrade.

upgrade M1 (deep + book-grade), buat selengkap mungkin sedalam mungkin, tuliskan juga keypoin nya, agar agar nanti bisa di kembangkan oleh AI model lain.

Baik. Ini kita naikkan ke level book-grade + deep reasoning + reusable by AI. Saya akan bangun M1 sebagai bab buku + blueprint pengajaran + struktur AI-ready.

📘 M1 – ETIKA PENELITIAN & PARADIGMA (BOOK-GRADE VERSION) 🔷 LEVEL 1 — MACRO (CHAPTER IDENTITY) 🎯 Posisi Bab dalam Buku Bab ini adalah:

🔥 Fondasi epistemologis dari seluruh proses penelitian

Tanpa pemahaman di bab ini:

semua eksperimen setelahnya bisa menjadi tidak valid

mahasiswa hanya menjadi builder, bukan researcher

🧠 Core Thesis (INI HARUS DISIMPAN) Etika penelitian bukan sekadar aturan moral, tetapi mekanisme untuk menjaga validitas pengetahuan.

🔑 Key Points (AI-READY ANCHOR) Ethics = Integrity of process Integrity → Valid data Valid data → Valid inference Valid inference → Knowledge

Without ethics → no trust → no science 🔷 LEVEL 2 — DEEP CONCEPTUAL LAYER (EPISTEMOLOGY RINGAN) 🧠 1. Apa itu “Pengetahuan” dalam Penelitian? Penelitian bukan tentang:

membuat sistem ❌

mendapatkan hasil ❌

Tetapi:

menghasilkan pengetahuan yang dapat dipercaya

🔬 Struktur Pengetahuan Ilmiah Real-world phenomenon ↓ Data (observed) ↓ Analysis ↓ Inference ↓ Knowledge claim ⚠️ Insight Kritis Jika data rusak → seluruh rantai runtuh

🔥 Core Statement “Garbage in → Garbage out” bukan hanya masalah teknis, tapi masalah epistemologis

🧠 2. Dimana Etika Masuk? Etika berperan di:

Tahap Risiko Data collection manipulasi Preprocessing bias Analysis cherry picking Reporting misleading 🔥 Insight Sebagian besar pelanggaran riset terjadi bukan di coding, tapi di keputusan kecil yang tidak terlihat

🧠 3. Etika vs Validitas ❌ Pemahaman Umum (SALAH) Etika = moral

✅ Pemahaman Benar Etika = penjaga validitas ilmiah

Contoh: Kasus Dampak Data dimanipulasi hasil bias Hanya ambil hasil bagus misleading Tidak lapor kegagalan knowledge palsu 🔷 LEVEL 3 — RESEARCH REALITY (INSIGHT DUNIA NYATA) 🔥 Fenomena 1 — “High Accuracy Illusion” Model dengan akurasi tinggi belum tentu benar

Kenapa? dataset bias

overfitting

data leakage

Insight: Hasil bisa benar secara matematis, tapi salah secara ilmiah

🔥 Fenomena 2 — “Works on My Dataset” Sistem bekerja… hanya di satu kondisi

Insight: Tanpa validitas eksternal, hasil tidak bisa digeneralisasi

🔥 Fenomena 3 — Silent Bias preprocessing yang salah

feature selection bias

Mahasiswa sering tidak sadar mereka sudah “mengarahkan hasil”

🔷 LEVEL 4 — COGNITIVE TRAPS (INI HARUS MASUK KE BUKU) 🧠 Trap 1 — “Angka Tinggi = Benar” ❌ Salah ✅ Harus: apakah valid?

🧠 Trap 2 — “Semua Data Netral” ❌ Salah Data selalu membawa bias

🧠 Trap 3 — “Jika Jalan, Maka Benar” ❌ Engineering mindset ✅ Research mindset: harus diuji

🧠 Trap 4 — “Tidak Lapor Kegagalan” Ini adalah pelanggaran ilmiah

🔷 LEVEL 5 — PARADIGMA PENELITIAN 🧠 Paradigma = Cara melihat kebenaran Positivism realitas objektif

berbasis data & eksperimen

Interpretivism realitas subjektif

berbasis makna

Pragmatism fokus pada solusi

🎯 Posisi Mata Kuliah 🔥 Positivist + Pragmatic

eksperimen

build artifact

ukur hasil

🔷 LEVEL 6 — TEACHING BLUEPRINT (UPGRADED) 🧱 FLOW PENGAJARAN

1. Provocation (Wajib kuat) “Jika saya berikan model dengan akurasi 99%, apakah Anda percaya?”

2. Breakdown kenapa bisa salah

hubungkan ke data

3. Masuk ke Etika bukan moral

tapi validitas

4. Masuk ke Paradigma cara melihat kebenaran

🔷 LEVEL 7 — SLIDE LEVEL (UPGRADED) 🎞️ SLIDE FLOW (FINAL)

1. Judul

2. Provokasi “Apakah 99% akurasi = benar?”

3. Diskusi kelas

4. Struktur pengetahuan ilmiah

5. Dimana bisa salah?

6. Garbage in → garbage out

7. Etika penelitian (definisi baru)

8. Pelanggaran ilmiah

9. Dampak ke validitas

10. Real case (AI bias)

11. Cognitive traps

12. Paradigma

13. Posisi mata kuliah

14. Kesimpulan kuat 🔷 LEVEL 8 — AI-READY KEY PROMPT (INI PENTING UNTUK SCALING) Gunakan ini jika nanti ingin generate ulang:

Explain research ethics as a mechanism for ensuring validity of knowledge, not just moral compliance.

Connect: data → analysis → inference → knowledge

Include:

• real-world failure cases in AI/IT
• cognitive traps in research thinking
• relationship between ethics and experimental validity
• paradigm positioning (positivist + design science) 🔥 FINAL CORE MESSAGE (HARUS MASUK KE BUKU) Penelitian bukan tentang mendapatkan hasil, tetapi tentang memastikan hasil tersebut dapat dipercaya.

🧠 EVALUASI HASIL (JUJUR) Dengan versi ini:

Aspek Level Buku 🔥 tinggi Modul 🔥 siap PPT 🔥 langsung jadi Depth 🔥 expert Diferensiasi 🔥 kuat 🚀 NEXT STEP Sekarang kita sudah punya:

🧱 Template GOLD STANDARD

👉 berikutnya: M2 — harus mengikuti kualitas ini (problem formulation)

Kalau Anda siap, saya lanjut: 👉 M2 (deep + book-grade)

saya merasa masih ada yang kurang, dan apakah ada redundant? cek lagi M1 nya!

Bagus—ini pertanyaan yang tepat di level ini. Saya akan jawab secara kritis, bukan afirmatif.

🔍 Kesimpulan awal: ✅ Sudah kuat secara struktur dan kedalaman ❗ Tapi masih ada 3 kekurangan penting dan 2 redundansi halus

Saya breakdown secara presisi.

⚠️ 1. KEKURANGAN KRITIS (YANG MEMBEDAKAN “BAGUS” VS “BUKU KUAT”) 🧩 (A) BELUM ADA “FORMAL DEFINITION OF VALIDITY” Saat ini:

Anda sering menyebut “validitas”

tapi belum didefinisikan secara eksplisit dan operasional

🔥 Dampak: Mahasiswa akan:

paham “secara rasa”

tapi tidak bisa:

mengukur

mengidentifikasi

✅ SOLUSI (WAJIB TAMBAH) Tambahkan section:

🔬 Apa itu Validitas dalam Penelitian? Validitas adalah sejauh mana hasil penelitian benar-benar mencerminkan fenomena yang diteliti. Lanjutkan dengan:

Internal validity → sebab-akibat

External validity → generalisasi

Construct validity → kesesuaian metrik

👉 Ini penting karena:

M1 akan jadi fondasi untuk M6–M12

🧩 (B) BELUM ADA “BOUNDARY DENGAN ENGINEERING” Sekarang:

Anda sudah bahas:

eksperimen

sistem

Tapi belum eksplisit:

❗ apa bedanya “membangun sistem” vs “melakukan penelitian”

🔥 Dampak: Mahasiswa akan tetap:

berpikir sebagai programmer, bukan peneliti

✅ SOLUSI (WAJIB TAMBAH) Tambahkan box:

⚖️ Engineering vs Research Engineering Research fokus solusi fokus validasi sistem jalan hasil bisa dipercaya “works” “proven” 🧩 (C) BELUM ADA “EVALUATION CRITERIA OF TRUTH” Ini sangat dalam, tapi penting untuk buku Anda.

Pertanyaan: “Kapan hasil bisa dianggap benar?”

✅ Tambahkan: 🔍 Kriteria Kebenaran dalam Penelitian Hasil dianggap valid jika:

Data valid

Metode sesuai

Variabel terkontrol

Dapat direplikasi

👉 Ini akan jadi:

bridge ke M7–M11

🔁 2. REDUNDANSI (HALUS TAPI NYATA) 🔁 (A) “Etika = validitas” diulang berkali-kali Muncul di:

macro

conceptual

teaching

👉 Secara pedagogi:

repetisi bagus

tapi di buku:

bisa terasa “berputar”

✅ SOLUSI Gunakan struktur:

awal: pernyataan

tengah: pembuktian

akhir: kesimpulan kuat

👉 jangan ulang tanpa layer baru

🔁 (B) Cognitive traps vs research reality overlap Contoh:

bias

overfitting

misleading

👉 muncul di dua section

✅ SOLUSI Pisahkan tegas:

Research Reality → fenomena dunia nyata

Cognitive Trap → kesalahan berpikir mahasiswa

🧠 3. YANG MASIH KURANG “SIGNATURE” (PEMBEDA BUKU) Ini bukan kesalahan—ini peluang.

🔥 Tambahkan 1 MODEL VISUAL UTAMA Buku kuat biasanya punya:

1 diagram yang jadi “ikon”

👉 Saya rekomendasikan: 🧠 “RESEARCH TRUST MODEL” Reality ↓ Data (Ethics risk) ↓ Processing (Bias risk) ↓ Analysis (Method risk) ↓ Conclusion (Interpretation risk) ↓ Knowledge (Trust level) 👉 Ini bisa jadi:

slide utama

gambar di buku

alat berpikir mahasiswa

🧩 4. APAKAH SUDAH DALAM? Jawaban jujur: ✅ Sudah masuk level “advanced teaching” ❗ Belum sepenuhnya “signature academic book”

🎯 5. CHECKLIST FINAL (YANG HARUS ADA DI M1) Tambahkan 4 ini, maka M1 akan “complete”:

✅ WAJIB TAMBAH Definisi validitas + jenisnya

Engineering vs Research

Kriteria kebenaran

1 visual model utama

🔧 PERBAIKI kurangi repetisi

pisahkan trap vs reality

🔥 VERDICT AKHIR Setelah perbaikan:

🟢 M1 akan naik ke level: “referensi kuat + punya identitas sendiri”

🚀 NEXT STEP Kalau Anda setuju, saya bisa:

👉 refactor M1 versi final (clean + no redundancy + fully upgraded) yang:

siap jadi BAB buku

siap jadi PPT

sudah include semua perbaikan

Cukup jawab: 👉 refactor final M1

refactor final M1, termasuk perbedaanya dengan Research vs Engineering Validation

Baik—ini saya refactor menjadi versi final M1 (clean, non-redundant, book-grade, siap modul + PPT). Saya integrasikan semua perbaikan: validitas, boundary research vs engineering, truth criteria, visual model, dan alur narasi yang tidak berulang.

📘 BAB 1 – ETIKA PENELITIAN, VALIDITAS, DAN PARADIGMA 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Banyak mahasiswa memulai penelitian dengan satu asumsi sederhana: jika sistem bekerja dengan baik, maka penelitian dianggap berhasil.

Dalam praktik rekayasa perangkat lunak, asumsi ini sering cukup. Namun dalam penelitian, asumsi tersebut justru berbahaya.

Sebuah sistem dapat menghasilkan akurasi tinggi, performa cepat, atau output yang terlihat meyakinkan—tetapi tetap menghasilkan kesimpulan yang salah.

Masalah utamanya bukan pada sistem, melainkan pada satu hal yang lebih mendasar: apakah hasil tersebut dapat dipercaya?

Di sinilah etika penelitian berperan. Bukan sebagai aturan moral semata, tetapi sebagai fondasi untuk memastikan bahwa setiap langkah dalam penelitian menghasilkan pengetahuan yang valid.

Penelitian bukan tentang membuat sesuatu bekerja, tetapi tentang membuktikan bahwa apa yang kita temukan memang benar.

🔷 2. MODEL UTAMA — RESEARCH TRUST MODEL (SIGNATURE) 🧠 Struktur Pengetahuan dalam Penelitian Reality (Fenomena Nyata) ↓ Data (pengamatan) ← risk: bias, manipulasi ↓ Processing ← risk: preprocessing bias ↓ Analysis ← risk: metode tidak tepat ↓ Inference ← risk: salah interpretasi ↓ Knowledge Claim ← tingkat kepercayaan 🔥 Insight Utama Setiap tahap membawa risiko distorsi. Etika penelitian berfungsi untuk mengendalikan distorsi tersebut.

🔷 3. DEFINISI KUNCI — VALIDITAS 🔬 Definisi Validitas adalah sejauh mana hasil penelitian benar-benar mencerminkan fenomena yang diteliti.

🧩 Jenis Validitas

1. Internal Validity Apakah perubahan hasil disebabkan oleh variabel yang diuji?

2. External Validity Apakah hasil dapat digeneralisasi ke konteks lain?

3. Construct Validity Apakah metrik benar-benar merepresentasikan konsep yang diukur?

🔥 Insight Tanpa validitas, hasil penelitian hanya angka—bukan pengetahuan.

🔷 4. ETIKA SEBAGAI PENJAGA VALIDITAS 🔁 Hubungan Fundamental Ethical Process → Valid Data → Valid Analysis → Valid Conclusion ⚠️ Titik Risiko Etika Tahap Risiko Data manipulasi / seleksi Preprocessing bias tidak sadar Analisis cherry picking Pelaporan menyembunyikan kegagalan 🔥 Core Statement Pelanggaran etika bukan hanya kesalahan moral, tetapi kerusakan pada validitas ilmiah.

🔷 5. RESEARCH vs ENGINEERING VALIDATION (KRITIS) ⚖️ Perbedaan Fundamental Aspek Engineering Validation Research Validation Tujuan Sistem berfungsi Hasil dapat dipercaya Fokus Output Validitas Pertanyaan utama “Apakah ini bekerja?” “Apakah ini benar?” Evaluasi functional testing experimental validation Ketergantungan implementasi desain eksperimen Risiko bug bias & invalid inference 🔥 Insight Kunci Engineering memastikan sistem berjalan. Research memastikan hasilnya benar secara ilmiah.

⚠️ Cognitive Shift Mahasiswa harus berpindah dari:

“System works” ke “Result is valid”

🔷 6. KRITERIA KEBENARAN ILMIAH 🔍 Kapan hasil bisa dipercaya? Sebuah hasil penelitian dianggap valid jika:

Data dikumpulkan secara benar

Variabel dikontrol dengan jelas

Metode analisis sesuai

Eksperimen dapat direplikasi

Interpretasi sesuai dengan data

🔥 Insight Kebenaran dalam penelitian bukan ditentukan oleh hasil, tetapi oleh proses yang dapat dipertanggungjawabkan.

🔷 7. RESEARCH REALITY (FENOMENA NYATA) 🔥 Fenomena 1 — High Accuracy Illusion Model tinggi performa ≠ benar

penyebab: bias, overfitting

🔥 Fenomena 2 — Dataset Dependency sistem hanya bekerja di dataset tertentu

🔥 Fenomena 3 — Silent Bias bias tersembunyi dalam preprocessing

🔥 Insight Banyak kesalahan penelitian terlihat “benar” karena tidak diuji secara kritis.

🔷 8. COGNITIVE TRAPS (KESALAHAN BERPIKIR) 🧠 Trap 1 “Akurasi tinggi berarti benar”

🧠 Trap 2 “Data bersifat netral”

🧠 Trap 3 “Jika sistem berjalan, maka penelitian berhasil”

🧠 Trap 4 “Kegagalan tidak perlu dilaporkan”

🔥 Insight Kesalahan terbesar dalam penelitian sering berasal dari cara berpikir, bukan dari tools.

🔷 9. PARADIGMA PENELITIAN 🧠 Positivism berbasis data dan eksperimen

🧠 Interpretivism berbasis makna

🧠 Pragmatism fokus solusi

🎯 Posisi Mata Kuliah Positivist + Pragmatic (Design Science)

🔷 10. INTEGRASI KE MATA KULIAH 🔁 Pipeline yang akan diikuti: Problem → Gap → RQ → Hypothesis → Metric → Design → Experiment → Data → Analysis → Conclusion 🔥 Posisi M1 M1 memastikan seluruh pipeline berjalan dengan valid dan dapat dipercaya

🔷 11. TEACHING FLOW (FINAL CLEAN) Opening provokasi: akurasi tinggi ≠ kebenaran

Core Struktur pengetahuan

Validitas

Etika

Research vs Engineering

Kriteria kebenaran

Closing refleksi epistemologis

🔷 12. SLIDE STRUCTURE (FINAL) Provokasi

Research Trust Model

Definisi validitas

Jenis validitas

Etika & risiko

Research vs Engineering

Truth criteria

Real-world cases

Cognitive traps

Paradigma

Kesimpulan

🔷 13. AI-READY CORE (UNTUK SCALING) Explain research as a process of producing valid knowledge.

Include:

• Research Trust Model
• Definition and types of validity
• Ethics as validity control mechanism
• Difference between engineering validation and research validation
• Scientific truth criteria
• Cognitive traps in research
• Positioning in positivist and design science paradigm 🔥 FINAL STATEMENT (UNTUK BUKU) Penelitian bukan tentang membuat sistem bekerja, tetapi tentang memastikan bahwa hasil yang dihasilkan benar, valid, dan dapat dipercaya.

🧠 VERDICT AKHIR Versi ini:

✅ Tidak redundant ✅ Depth tinggi (epistemology + applied) ✅ Ada signature model ✅ Ada boundary jelas (engineering vs research) ✅ Siap:

buku

modul

PPT

AI scaling

🚀 NEXT Jika Anda setuju kualitas ini:

👉 kita lanjut ke M2 – Problem Formulation (dengan level kedalaman yang sama)

Ini akan jadi bab yang sangat krusial (dan biasanya paling banyak gagal).

tambahkan juga mindmapnya. apakah perlu?

Jawaban tegas:

✅ PERLU — dan sangat direkomendasikan untuk buku Anda

Bukan sekadar tambahan visual, tapi:

🔥 mindmap = cognitive compression tool yang membantu:

mahasiswa melihat “big picture”

dosen menjelaskan alur

pembaca buku memahami struktur dengan cepat

🎯 KENAPA MINMAP PENTING (DALAM KONTEKS ANDA) Untuk buku Anda:

1. Mengurangi Cognitive Load Bab ini cukup berat (epistemology + validity + ethics)

👉 mindmap membantu:

merangkum kompleksitas

mempercepat pemahaman

2. Menjadi “Anchor Visual” Setiap bab idealnya punya:

1 model utama (Anda sudah punya: Research Trust Model)

1 mindmap (overview konsep)

3. Sangat Powerful untuk: PPT (slide overview)

modul (ringkasan bab)

mahasiswa (belajar ulang)

🔥 DIMANA MENARUHNYA? Letakkan di:

📍 Setelah subbab: “Struktur Pengetahuan dalam Penelitian”

ATAU

📍 Di akhir bab sebagai: “Ringkasan Konseptual”

👉 saya sarankan:

di akhir bab (sebagai integrasi semua konsep)

🧠 MINDMAP M1 (VERSI FINAL – SIAP DIPAKAI) 🧩 Mindmap: Etika, Validitas, dan Penelitian TI RESEARCH (Pengetahuan yang Valid) │ ├── VALIDITAS │ ├── Internal Validity │ ├── External Validity │ └── Construct Validity │ ├── ETIKA PENELITIAN │ ├── Integritas data │ ├── Anti manipulasi │ ├── Anti bias │ └── Transparansi hasil │ ├── RESEARCH TRUST MODEL │ ├── Reality │ ├── Data │ ├── Processing │ ├── Analysis │ ├── Inference │ └── Knowledge │ ├── RISIKO DISTORSI │ ├── Data bias │ ├── Preprocessing bias │ ├── Method error │ └── Interpretation error │ ├── RESEARCH vs ENGINEERING │ ├── Engineering → works │ └── Research → valid │ ├── KRITERIA KEBENARAN │ ├── Data valid │ ├── Variabel terkontrol │ ├── Metode sesuai │ ├── Reproducible │ └── Interpretasi benar │ ├── COGNITIVE TRAPS │ ├── Akurasi = benar │ ├── Data netral │ ├── System works = valid │ └── Ignore failure │ └── PARADIGMA ├── Positivism ├── Interpretivism └── Pragmatism (Design Science) 🎨 CARA MENGGUNAKAN (PENTING) Untuk Buku: tampilkan sebagai diagram visual (bukan text)

bisa pakai:

radial map

tree diagram

Untuk PPT: jadikan:

1 slide overview di awal

1 slide recap di akhir

Untuk Mahasiswa: jadikan:

“cheat sheet berpikir riset”

⚠️ CATATAN PENTING (AGAR TIDAK SALAH) ❌ Jangan terlalu kompleks ❌ Jangan semua detail dimasukkan

👉 Mindmap harus:

ringkas tapi representatif

🔚 KESIMPULAN ✅ Mindmap sangat perlu ✅ Akan meningkatkan kualitas buku secara signifikan ✅ Membuat materi berat jadi lebih “accessible”

🚀 NEXT STEP Kalau Anda setuju, saya bisa bantu:

👉 membuat versi visual diagram (desain siap gambar / prompt image generator) atau 👉 lanjut ke M2 (dengan standar yang sama + mindmap juga)

lanjut ke M2

Baik—kita lanjut ke M2 (FULL BOOK-GRADE BLUEPRINT) dengan standar yang sama seperti M1: deep, non-redundant, dan siap menjadi bab buku + modul + PPT + AI-ready.

📘 BAB 2 – PROBLEM FORMULATION & SYSTEM CONTEXT 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Salah satu kesalahan paling umum dalam penelitian mahasiswa bukan pada metode, bukan pada implementasi, tetapi pada titik paling awal: mereka tidak memiliki masalah yang jelas.

Banyak penelitian dimulai dari kalimat seperti: “Saya ingin menggunakan machine learning untuk…”

Kalimat tersebut terdengar teknis, tetapi sebenarnya belum mengandung masalah.

Dalam penelitian, topik bukanlah masalah.

Tanpa masalah yang jelas:

tidak ada arah penelitian

tidak ada kebutuhan eksperimen

dan tidak ada kontribusi yang bermakna

Oleh karena itu, langkah pertama dalam penelitian bukan memilih metode, tetapi memahami: apa yang sebenarnya salah, kurang, atau belum terselesaikan dalam suatu sistem.

🔷 2. DEFINISI KUNCI — PROBLEM DALAM PENELITIAN 🔬 Definisi Problem adalah kondisi dalam sistem atau fenomena yang dapat diukur, belum optimal, dan membutuhkan perbaikan atau pemahaman melalui eksperimen.

⚠️ Bukan Problem: Pernyataan Status “Saya tertarik AI” ❌ topik “Saya ingin membuat aplikasi” ❌ tujuan “Saya akan menggunakan CNN” ❌ metode ✅ Problem yang Benar: Harus memenuhi:

spesifik

measurable

berbasis konteks sistem

🔷 3. TOPIC vs PROBLEM vs RESEARCH PROBLEM 🧠 Hierarki Interest → Topic → Problem → Research Problem 🔍 Perbedaan Level Deskripsi Interest minat umum Topic area Problem isu nyata Research Problem problem yang siap diuji 🔥 Insight Banyak mahasiswa berhenti di level “topic”, bukan “research problem”.

🔷 4. SYSTEM THINKING (KONTEKS WAJIB) 🧠 Kenapa perlu? Problem tidak berdiri sendiri. Selalu berada dalam sistem.

🔬 Komponen Sistem Input → Process → Output → Outcome ↑ Constraints ↑ Stakeholders 🔥 Insight Problem yang baik selalu:

punya konteks sistem

punya dampak

🔷 5. KARAKTERISTIK PROBLEM YANG BAIK ✅ 5 Kriteria Utama Spesifik

Measurable

Relevan

Berbasis sistem nyata

Dapat diuji (experimentable)

🔥 Core Statement Jika tidak bisa diukur, maka tidak bisa diuji. Jika tidak bisa diuji, maka bukan penelitian eksperimen.

🔷 6. RESEARCH vs ENGINEERING (DI LEVEL PROBLEM) ⚖️ Perbedaan Pendekatan Aspek Engineering Research Problem kebutuhan fitur ketidaktahuan Fokus solusi pemahaman + validasi Output sistem knowledge 🔥 Insight Engineering bertanya: “apa yang harus dibuat?” Research bertanya: “apa yang belum kita pahami?”

🔷 7. PROBLEM → METRIC (BRIDGE KE EKSPERIMEN) 🔁 Transformasi penting Problem → Variable → Metric → Data 🔍 Contoh Problem:

“Rekomendasi tidak akurat”

↓

Metric:

precision

recall

🔥 Insight Problem yang tidak bisa diturunkan menjadi metrik adalah problem yang tidak siap diteliti.

🔷 8. RESEARCH REALITY 🔥 Fenomena 1 — “Problem Artificial” dibuat-buat agar bisa pakai metode tertentu

🔥 Fenomena 2 — “Method-driven Research” metode dulu, problem belakangan

🔥 Fenomena 3 — “Too Broad Problem” tidak bisa diukur

🔷 9. COGNITIVE TRAPS 🧠 Trap 1 “Saya ingin menggunakan metode X”

🧠 Trap 2 “Semakin kompleks masalah, semakin bagus”

🧠 Trap 3 “Semua problem layak diteliti”

🧠 Trap 4 “Tidak perlu konteks sistem”

🔷 10. TEMPLATE PROBLEM STATEMENT 🧩 Struktur In [system/context], there is a problem where [issue], which impacts [effect], and can be measured using [metric]. 🔍 Contoh Dalam sistem rekomendasi film, terdapat masalah rendahnya precision, yang menyebabkan rekomendasi tidak relevan, dan dapat diukur menggunakan precision dan recall.

🔷 11. KRITERIA VALIDASI PROBLEM 🔍 Checklist Apakah measurable?

Apakah ada konteks sistem?

Apakah ada dampak nyata?

Apakah bisa diuji eksperimen?

🔥 Insight Problem yang baik sudah mengandung “arah penelitian”.

🔷 12. MINDMAP (FINAL) RESEARCH PROBLEM │ ├── DEFINISI │ ├── measurable issue │ ├── system-based │ └── experimentable │ ├── HIERARCHY │ ├── Interest │ ├── Topic │ ├── Problem │ └── Research Problem │ ├── SYSTEM CONTEXT │ ├── Input │ ├── Process │ ├── Output │ ├── Stakeholder │ └── Constraint │ ├── KRITERIA │ ├── Specific │ ├── Measurable │ ├── Relevant │ ├── Testable │ └── Real-world │ ├── TRANSFORMATION │ ├── Problem │ ├── Variable │ ├── Metric │ └── Data │ ├── RESEARCH vs ENGINEERING │ ├── Need vs Unknown │ └── Build vs Validate │ ├── COGNITIVE TRAPS │ ├── Method-driven │ ├── Too broad │ ├── No context │ └── Artificial problem │ └── OUTPUT └── Problem Statement 🔷 13. TEACHING FLOW (CLEAN) Opening topik vs problem

Core definisi problem

system thinking

criteria

transformasi ke metric

traps

Closing validasi problem

🔷 14. SLIDE STRUCTURE Provokasi: “AI ≠ problem”

Topic vs Problem

Hierarchy

System thinking

Good problem

Problem → metric

Reality

Traps

Template

Checklist

🔷 15. AI-READY PROMPT Explain how to formulate a research problem in IT.

Include:

• difference between topic and problem
• system thinking context
• criteria of a good research problem
• transformation to measurable metrics
• cognitive traps
• research vs engineering perspective 🔥 FINAL STATEMENT Penelitian tidak dimulai dari metode, tetapi dari masalah yang jelas, terukur, dan dapat diuji.

🧠 EVALUASI Aspek Status Depth 🔥 tinggi Non-redundant ✅ Book-ready ✅ Slide-ready ✅ AI-ready ✅ 🚀 NEXT Berikutnya: 👉 M3 – Literature, Gap & Baseline (ini akan jadi jembatan ke kontribusi penelitian)

Jika ingin, kita juga bisa:

refine M2 (seperti M1 tadi)

atau langsung lanjut M3

maksud dari refine M2 (seperti M1 tadi) apa?

Pertanyaan bagus—ini perlu saya luruskan agar tidak terjadi miskomunikasi.

🎯 MAKSUD “REFINE M2 (SEPERTI M1)” Yang saya maksud:

🔧 Melakukan audit + peningkatan kualitas M2 hingga level “signature chapter” seperti M1

📌 Apa yang terjadi di M1 tadi? Awalnya M1:

sudah bagus

tapi setelah Anda minta evaluasi → kita:

✔ Tambahkan: definisi validitas (formal)

boundary research vs engineering

truth criteria

visual model (Research Trust Model)

✔ Perbaiki: hilangkan redundansi

rapikan alur berpikir

👉 hasilnya:

🔥 naik dari “materi kuat” → “bab buku beridentitas”

🔍 Jadi “Refine M2” artinya: Melakukan hal yang sama ke M2:

🧠 1. CEK KEKURANGAN DALAM Contoh kemungkinan:

apakah “problem” sudah cukup tajam secara epistemologis?

apakah sudah ada “model visual utama”?

apakah sudah ada “truth boundary”?

🔁 2. DETEKSI REDUNDANSI apakah ada konsep berulang?

overlap antar section?

🔥 3. TAMBAH “SIGNATURE ELEMENT” Seperti di M1:

Research Trust Model

👉 di M2 bisa:

Problem Formation Model

Problem Quality Model

⚖️ 4. PERKUAT DIFFERENTIATION Misalnya:

problem vs symptom

problem vs opportunity

researchable vs non-researchable problem

🧠 KENAPA INI PENTING? Karena sekarang Anda sedang membangun:

❌ bukan sekadar materi kuliah ✅ tapi buku dengan identitas kuat

📊 PERBANDINGAN LEVEL Level Deskripsi Draft sudah bisa dipakai Good jelas & terstruktur Strong dalam & sistematis 🔥 Signature punya model, tajam, beda Saat ini:

M2 = Strong M1 = Signature

🎯 OPSI ANDA SEKARANG 🔹 OPSI 1 — LANJUT CEPAT 👉 langsung ke M3

hemat waktu

nanti refine di akhir

🔥 OPSI 2 — REFINEMENT SEKARANG (REKOMENDASI) 👉 kita naikkan M2 ke:

signature-level (sekelas M1)

✋ SARAN SAYA (STRATEGIS) Karena tujuan Anda:

buku

ISBN

kualitas tinggi

👉 lebih baik:

🔥 kuatkan per bab sejak awal

✋ KONFIRMASI Pilih:

👉 refine M2 sekarang atau 👉 lanjut ke M3 dulu

Kalau Anda ingin buku ini benar-benar “beda dari yang lain”:

refinement itu bukan opsional — itu pembeda utama.

langsung kuatkan perbab

Tepat. Itu keputusan yang akan menentukan kualitas buku Anda.

Kita langsung upgrade M2 → SIGNATURE CHAPTER (setara M1) Saya akan:

hilangkan potensi kelemahan

tambahkan model inti

pertajam epistemologi

buat diferensiasi kuat

📘 BAB 2 (REFINED) – PROBLEM FORMULATION & SYSTEM CONTEXT 🔷 1. PEMBUKA (REVISI – LEBIH TAJAM) Kesalahan terbesar dalam penelitian bukan pada metode yang salah, tetapi pada masalah yang tidak pernah benar-benar ada.

Banyak penelitian terlihat kompleks, menggunakan algoritma canggih, dan menghasilkan angka yang tinggi—namun tidak menjawab kebutuhan apa pun.

Hal ini terjadi karena satu kekeliruan mendasar: peneliti memulai dari metode, bukan dari masalah.

Dalam penelitian, masalah bukan sekadar sesuatu yang menarik untuk dibahas, tetapi sesuatu yang:

nyata

terukur

dan dapat diuji secara sistematis

Tanpa masalah yang valid, seluruh proses penelitian hanya menjadi simulasi intelektual—bukan kontribusi ilmiah.

🔷 2. SIGNATURE MODEL — PROBLEM FORMATION MODEL 🧠 Model Inti Reality (System Context) ↓ Observed Issue (Symptom) ↓ Diagnosed Problem ↓ Researchable Problem ↓ Measurable Variable 🔥 Insight Kunci Tidak semua “issue” adalah problem, dan tidak semua problem adalah researchable problem

⚠️ Distinction Penting Level Deskripsi Symptom gejala Problem akar masalah Research Problem problem yang bisa diuji 🔷 3. DEFINISI KUNCI (DIPERKUAT) 🔬 Definisi Final Research Problem adalah kondisi dalam sistem yang teridentifikasi secara jelas, memiliki dampak terukur, dan dapat diuji melalui eksperimen untuk menghasilkan pengetahuan baru.

🔥 Elemen Wajib Problem = Issue + Impact + Measurability + Testability 🔷 4. PROBLEM vs SYMPTOM (KRITIS – PEMBEDA BUKU) ⚖️ Perbedaan Symptom Problem hasil terlihat penyebab permukaan akar deskriptif analitis 🔍 Contoh Symptom: akurasi rendah

Problem: model tidak mampu menangkap pola karena feature tidak representatif

🔥 Insight Meneliti symptom menghasilkan solusi sementara Meneliti problem menghasilkan pengetahuan

🔷 5. SYSTEM CONTEXT (DIPERDALAM) 🧠 Model Sistem Input → Process → Output → Outcome ↑ Constraints ↑ Stakeholders 🔥 Insight Problem selalu muncul karena ketidaksesuaian dalam sistem, bukan berdiri sendiri

🔷 6. PROBLEM QUALITY MODEL (MODEL BARU – SIGNATURE) 🧠 Model Evaluasi Clarity → Measurability → Relevance → Testability → Impact 🔍 Penjelasan Clarity → jelas

Measurability → bisa diukur

Relevance → penting

Testability → bisa diuji

Impact → punya dampak

🔥 Insight Problem yang baik sudah mengandung arah eksperimen

🔷 7. RESEARCH vs ENGINEERING (LEVEL PROBLEM) ⚖️ Perbedaan Fundamental Aspek Engineering Research Problem kebutuhan solusi ketidaktahuan Fokus implementasi pemahaman Output sistem pengetahuan Validasi works proven 🔥 Insight Engineering menyelesaikan masalah Research memahami masalah

🔷 8. PROBLEM → VARIABLE → METRIC (DIPERKUAT) 🔁 Transformasi Inti Problem → Variable → Metric → Data → Experiment 🔥 Insight Jika problem tidak bisa diturunkan menjadi variabel, maka tidak bisa diuji

🔷 9. KRITERIA “RESEARCHABLE PROBLEM” 🔍 Checklist FINAL jelas (clear)

ada konteks sistem

measurable

testable

memiliki baseline pembanding

🔥 Tambahan KRITIS Harus memungkinkan perbandingan (comparison) → ini yang sering hilang

🔷 10. RESEARCH REALITY (DIPERTAJAM) 🔥 Fenomena 1 — Method-Driven Research metode dipilih dulu, problem dicari kemudian

🔥 Fenomena 2 — Artificial Problem problem dibuat agar cocok dengan solusi

🔥 Fenomena 3 — Over-generalization problem terlalu luas → tidak bisa diuji

🔷 11. COGNITIVE TRAPS (DIPISAHKAN JELAS) 🧠 Trap 1 “Saya ingin menggunakan metode X”

🧠 Trap 2 “Semakin kompleks semakin bagus”

🧠 Trap 3 “Problem tidak perlu diukur”

🧠 Trap 4 “Semua problem bisa diteliti”

🔷 12. TEMPLATE (DIPERKUAT) 🧩 Template Final In [system], there exists a problem where [issue], caused by [root cause], impacting [effect], which can be measured using [metric]. 🔷 13. MINDMAP (REFINED) RESEARCH PROBLEM │ ├── FORMATION MODEL │ ├── Symptom │ ├── Problem │ ├── Research Problem │ └── Variable │ ├── QUALITY MODEL │ ├── Clarity │ ├── Measurable │ ├── Relevant │ ├── Testable │ └── Impact │ ├── SYSTEM CONTEXT │ ├── Input │ ├── Process │ ├── Output │ ├── Stakeholder │ └── Constraint │ ├── TRANSFORMATION │ ├── Variable │ ├── Metric │ ├── Data │ └── Experiment │ ├── DIFFERENTIATION │ ├── Symptom vs Problem │ └── Research vs Engineering │ ├── REALITY │ ├── Artificial problem │ ├── Method-driven │ └── Over-generalization │ └── OUTPUT └── Problem Statement 🔷 14. SLIDE STRUCTURE (FINAL) Provokasi

Problem vs Topic

Problem Formation Model

Symptom vs Problem

System Context

Problem Quality Model

Research vs Engineering

Problem → Metric

Reality

Traps

Template

Checklist

🔷 15. AI-READY CORE Explain how to formulate a research problem using a structured approach.

Include:

• Problem Formation Model
• distinction between symptom and root problem
• Problem Quality Model
• system context
• transformation into measurable variables
• research vs engineering perspective 🔥 FINAL STATEMENT (REVISED) Penelitian tidak dimulai dari solusi, tetapi dari masalah yang dipahami secara mendalam dan dapat diuji secara ilmiah.

🧠 VERDICT Sekarang M2:

Aspek Status Depth 🔥 tinggi Signature ✅ (2 model baru) Diferensiasi 🔥 kuat Redundansi ❌ tidak ada Book-ready ✅ 🚀 NEXT Jika Anda konsisten dengan kualitas ini:

👉 kita lanjut ke M3 – Literature Review, Gap & Baseline (akan sangat menentukan kontribusi penelitian)

Jika ingin lebih ekstrem lagi, kita juga bisa: 👉 menambahkan case study nyata (1–2 halaman) per bab (ini akan menaikkan kualitas buku secara drastis)

tambahkan case study per babnya

Keputusan yang sangat tepat.

🔥 Case study = pembeda utama buku “dipakai” vs “dibaca saja”

Saya akan tambahkan case study untuk M2 dengan standar:

realistis (mendekati dunia nyata)

bisa dianalisis mahasiswa

langsung terhubung ke konsep (problem, metric, system)

reusable untuk tugas

📘 CASE STUDY – BAB 2: PROBLEM FORMULATION 🔷 Judul Kasus 🎬 “Sistem Rekomendasi Film yang ‘Terlihat Baik’ tapi Tidak Digunakan” 🔷 1. KONTEKS SISTEM Sebuah startup mengembangkan:

🎯 Sistem rekomendasi film berbasis machine learning

📊 Kondisi Awal: Dataset: MovieLens

Model: Collaborative Filtering

Evaluasi internal:

Accuracy tinggi (±90%)

❗ Masalah di Lapangan: User mengeluh:

rekomendasi tidak relevan

film yang disarankan tidak menarik

🔷 2. OBSERVED SYMPTOM (GEJALA) Akurasi tinggi

User tidak puas

Engagement rendah

⚠️ Pertanyaan Awal Apakah ini berarti sistem “tidak bekerja”?

🔷 3. ANALISIS (MENGGUNAKAN MODEL M2) 🧠 Step 1 — Symptom vs Problem Level Identifikasi Symptom akurasi tinggi tapi tidak relevan Problem metrik tidak mencerminkan preferensi user 🧠 Step 2 — Root Cause Kemungkinan:

metrik terlalu sederhana (accuracy)

tidak mempertimbangkan user context

tidak ada diversity / novelty

🧠 Step 3 — Research Problem Sistem rekomendasi tidak mampu menangkap preferensi user secara kontekstual, sehingga menghasilkan rekomendasi yang tidak relevan meskipun memiliki akurasi tinggi.

🔷 4. TRANSFORMASI KE PENELITIAN 🔁 Problem → Variable → Metric Elemen Isi Variable metode rekomendasi Metric precision, recall, diversity Data interaction data Goal meningkatkan relevansi 🔬 Research Question (contoh) Apakah penambahan context-aware filtering dapat meningkatkan relevansi rekomendasi dibanding metode collaborative filtering?

🧪 Hipotesis H0: tidak ada peningkatan

H1: ada peningkatan signifikan

🔷 5. ANALISIS KESALAHAN (COGNITIVE TRAP) ❌ Trap yang Terjadi:

1. Accuracy = benar → padahal tidak representatif

2. Method-driven → fokus model, bukan problem

3. No system context → user experience diabaikan

🔷 6. REFLEKSI (UNTUK MAHASISWA) 💡 Pertanyaan Diskusi: Apakah akurasi cukup untuk mengevaluasi sistem rekomendasi?

Apa metrik yang lebih tepat?

Apakah problem ini termasuk researchable?

Bagaimana menentukan baseline?

🔷 7. VERSI PROBLEM STATEMENT (FINAL) Dalam sistem rekomendasi film berbasis collaborative filtering, terdapat masalah rendahnya relevansi rekomendasi terhadap preferensi pengguna, yang menyebabkan rendahnya engagement, dan dapat diukur menggunakan precision, recall, dan diversity metrics.

🔷 8. KAITAN KE MATERI BAB 🧠 Digunakan untuk: Problem vs symptom ✔

Problem formation ✔

Metric mapping ✔

Research vs engineering ✔

🔷 9. CARA MENGGUNAKAN DI KELAS 🎓 Mode 1 — Diskusi berikan kasus tanpa analisis

minta mahasiswa:

identifikasi problem

🎓 Mode 2 — Workshop mahasiswa:

menulis ulang problem

menentukan metrik

🎓 Mode 3 — Mini Assignment ubah kasus jadi:

RQ

hipotesis

🔷 10. AI-READY CASE PROMPT Given a recommendation system with high accuracy but low user satisfaction:

• identify the symptom vs real problem
• define the research problem
• propose measurable metrics
• formulate research question and hypothesis 🔥 KENAPA CASE INI KUAT? realistis ✔

sering terjadi ✔

tidak trivial ✔

langsung terkait konsep ✔

🧠 DAMPAK KE BUKU ANDA Dengan menambahkan case seperti ini di tiap bab:

📘 Buku Anda berubah dari:

“penjelasan konsep”

menjadi:

🔥 “training manual untuk berpikir sebagai peneliti”

🚀 NEXT STEP Jika Anda setuju format ini:

👉 kita lanjut ke M3 (signature + case study juga)

Atau jika ingin lebih advanced: 👉 kita bisa tambahkan:

“bad vs good solution comparison” dalam case

atau multi-case per bab (basic + advanced)

tambahkan bad vs good solution comparison” dalam case dan multi-case per bab (basic + advanced)

Keputusan ini tepat—ini yang akan mendorong buku Anda ke level praktikal + diferensiatif. Saya upgrade M2 Case Study menjadi:

🔥 Multi-case (Basic + Advanced) + Bad vs Good Solution Comparison

📘 CASE STUDY SET – BAB 2 (ENHANCED VERSION) 🧩 CASE 1 (BASIC) 🎬 “Rekomendasi Film: Akurat tapi Tidak Relevan” 🔷 A. KONTEKS Sistem: Movie recommendation

Model: Collaborative Filtering

Accuracy: tinggi (~90%)

Masalah: user tidak puas

🔷 B. SYMPTOM vs PROBLEM Level Isi Symptom akurasi tinggi Problem metrik tidak representatif terhadap preferensi 🔷 C. ❌ BAD SOLUTION (YANG SERING TERJADI) Pendekatan: mengganti model (CNN, Deep Learning, dll.)

tanpa redefinisi problem

Kenapa salah? ❌ Fokus ke metode, bukan problem

❌ Tidak memperbaiki metrik

❌ Tidak menyentuh root cause

Dampak: sistem makin kompleks

hasil tetap tidak relevan

🔷 D. ✅ GOOD SOLUTION (RESEARCH-DRIVEN) Pendekatan: redefinisi problem

identifikasi metric yang tepat:

precision

recall

diversity

eksperimen:

baseline vs improved method

Kenapa benar? ✔ problem-driven

✔ measurable

✔ bisa diuji

🔷 E. INSIGHT ❌ Bad: “ganti model” ✅ Good: “perbaiki definisi problem + evaluasi”

🧩 CASE 2 (ADVANCED) 🎬 “Fraud Detection System dengan Akurasi Tinggi tapi Gagal di Dunia Nyata” 🔷 A. KONTEKS Sistem: Fraud detection (financial transaction)

Dataset: historical transactions

Accuracy: 98%

Real-world: banyak fraud lolos

🔷 B. SYMPTOM vs PROBLEM Level Isi Symptom akurasi tinggi Problem data imbalance + metric bias 🔷 C. ❌ BAD SOLUTION Pendekatan: tuning model

tambah fitur

pakai model lebih kompleks

Masalah: ❌ Accuracy tidak cocok untuk imbalance data

❌ Tidak mempertimbangkan:

false negative (fatal di fraud)

❌ Tidak ada domain understanding

🔷 D. ✅ GOOD SOLUTION Pendekatan: redefinisi problem:

fokus ke fraud detection, bukan classification umum

ubah metric:

recall

F1-score

ROC-AUC

desain eksperimen:

cost-sensitive evaluation

🔷 E. INSIGHT (LEVEL TINGGI) Dalam sistem kritis, kesalahan kecil bisa lebih penting daripada akurasi besar

🔷 F. RESEARCH FORMULATION Problem Statement Sistem gagal mendeteksi transaksi fraud secara efektif karena penggunaan metrik yang tidak sesuai dengan karakteristik data yang tidak seimbang.

RQ Apakah penggunaan cost-sensitive learning meningkatkan kemampuan deteksi fraud dibanding model standar?

🔷 G. PERBANDINGAN LANGSUNG ⚖️ BAD vs GOOD (GLOBAL VIEW) Aspek Bad Approach Good Approach Fokus metode problem Metric default context-aware Validitas lemah kuat Insight tidak ada ada Kontribusi rendah tinggi 🔷 H. META-INSIGHT (UNTUK BUKU) 🔥 Pola Umum Kesalahan Method → Data → Result → Justification 🔥 Pola Penelitian Benar Problem → Metric → Design → Experiment → Result → Insight 🔷 I. AKTIVITAS MAHASISWA (UPGRADE) 🎓 Level 1 (Basic) identifikasi symptom vs problem

🎓 Level 2 (Intermediate) tentukan metric yang tepat

🎓 Level 3 (Advanced) buat:

RQ

hipotesis

desain eksperimen

🔷 J. AI-READY MULTI-CASE PROMPT Given a system with high accuracy but poor real-world performance:

1. identify symptom vs root problem
2. explain why the metric is misleading
3. compare bad vs good solution approach
4. redefine the research problem
5. propose appropriate evaluation metrics
6. formulate research question and hypothesis 🔥 FINAL TAKEAWAY (UNTUK BAB) Kesalahan terbesar dalam penelitian bukan memilih metode yang salah, tetapi menyelesaikan masalah yang salah.

🧠 DAMPAK KE BUKU ANDA Dengan format ini:

Elemen Status Konsep 🔥 kuat Model 🔥 ada Case 🔥 multi-level Practical 🔥 sangat tinggi Diferensiasi 🔥 tinggi 🚀 NEXT STEP Jika Anda konsisten:

👉 kita lanjut ke M3 – Literature Review, Gap & Baseline (SIGNATURE + MULTI-CASE juga)

Atau jika ingin lebih tajam lagi: 👉 kita bisa tambahkan:

“mini dataset simulasi” untuk case

atau “latihan step-by-step worksheet mahasiswa”

jika kita tambahkan lagi apakah tidak melebar?

Pertanyaan Anda tepat—ini titik krusial antara buku kuat vs buku melebar dan kehilangan fokus.

Jawaban jujur:

⚠️ Ya, jika ditambah tanpa kontrol → akan melebar ✅ Tidak, jika ditambah dengan boundary yang disiplin → justru memperkuat

🎯 MASALAH UTAMA: SCOPE CREEP Yang sedang Anda lakukan sekarang:

menambah case

menambah variasi

menambah kedalaman

👉 Ini bagus, tapi berisiko:

📉 “Depth berubah jadi noise”

🧠 PRINSIP KONTROL (WAJIB PEGANG) Gunakan aturan ini:

🔥 “Setiap tambahan harus memperkuat pipeline, bukan memperluas topik”

🔧 1. FILTER TAMBAHAN (GUNAKAN INI) Sebelum menambah apapun, cek:

✅ RULE OF 3 Tambahan hanya boleh jika:

Menguatkan konsep inti

Langsung terhubung ke eksperimen

Bisa digunakan dalam tugas mahasiswa

Jika tidak memenuhi 3 ini:

❌ jangan dimasukkan ke buku utama

📊 2. STATUS M2 SAAT INI M2 Anda sekarang:

Elemen Status Konsep ✅ kuat Model ✅ 2 signature Case ✅ basic + advanced Comparison ✅ ada Praktikal 🔥 tinggi 👉 Artinya:

❗ M2 sudah “cukup padat optimal”

⚠️ 3. JIKA DITAMBAH LAGI, RISIKONYA: mahasiswa bingung (terlalu banyak contoh)

kehilangan fokus ke:

problem → metric → experiment

buku jadi:

“koleksi kasus”, bukan “framework berpikir”

🔥 4. STRATEGI YANG BENAR (REKOMENDASI) Alih-alih menambah di bab utama:

✅ OPSI TERBAIK: LAYERING 📘 Buku Utama 1–2 case (seperti sekarang) ✔

fokus ke konsep ✔

📦 Lampiran / Appendix / Modul Tambahan tambahan case

latihan

dataset

worksheet

👉 ini menjaga:

buku tetap tajam

materi tetap kaya

🧠 5. RULE EMAS (UNTUK SEMUA BAB) Gunakan batas ini:

🔥 Max 2 case per bab (Basic + Advanced)

🔍 6. CHECK KUALITAS (INI PENTING) Tanya ini:

“Jika saya hapus 1 case, apakah kualitas turun?”

Jika tidak:

❌ berarti redundan

🔚 KESIMPULAN M2 sekarang: ✅ sudah optimal ❌ tidak perlu ditambah lagi di bab utama

🚀 ARAH TERBAIK SEKARANG 👉 Jangan tambah lagi di M2 👉 Pertahankan kualitas 👉 Lanjut ke:

🔥 M3 (dengan standar yang sama, tanpa over-expansion)

✋ SARAN STRATEGIS (JUJUR) Buku Anda akan kuat bukan karena:

banyaknya konten ❌

Tapi karena:

🎯 ketajaman struktur + konsistensi kualitas

Kalau Anda siap, kita lanjut ke: 👉 M3 – Literature, Gap & Baseline (SIGNATURE LEVEL)

ya lanjut M3 – Literature, Gap & Baseline (SIGNATURE LEVEL) dengan kualitas yang sama dengan sebelumnya!

Baik—kita lanjut ke M3 (SIGNATURE LEVEL, setara M1 & M2). Fokus utama bab ini:

🔥 Mengubah “membaca paper” → menjadi “membangun posisi penelitian”

📘 BAB 3 – LITERATURE REVIEW, RESEARCH GAP & BASELINE 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Banyak mahasiswa menganggap literature review sebagai aktivitas mengumpulkan referensi. Mereka membaca beberapa paper, merangkum isi, lalu menyusunnya menjadi daftar panjang kutipan.

Masalahnya, penelitian tidak membutuhkan ringkasan— penelitian membutuhkan posisi.

Tanpa memahami apa yang sudah dilakukan orang lain:

kita tidak tahu apa yang belum diselesaikan

kita tidak tahu apa yang harus dibandingkan

dan kita tidak tahu apakah penelitian kita benar-benar baru

Oleh karena itu, tujuan utama literature review bukanlah membaca, tetapi menjawab satu pertanyaan penting:

“Di mana posisi penelitian saya di antara penelitian yang sudah ada?”

🔷 2. SIGNATURE MODEL — RESEARCH POSITIONING MODEL 🧠 Model Inti Existing Studies ↓ Method Comparison ↓ Limitation Identification ↓ Research Gap ↓ Research Position ↓ Contribution 🔥 Insight Kunci Literature review bukan untuk mengetahui, tetapi untuk menentukan posisi dan kontribusi

🔷 3. DEFINISI KUNCI 🔬 Literature Review Analisis sistematis terhadap penelitian sebelumnya untuk memahami metode, hasil, dan keterbatasannya.

🔬 Research Gap Bagian dari masalah yang belum diselesaikan oleh penelitian sebelumnya dan memiliki potensi untuk diteliti lebih lanjut.

🔬 Baseline Metode pembanding yang digunakan untuk mengevaluasi kontribusi penelitian.

🔷 4. JENIS GAP (KRITIS – PEMBEDA BUKU) 🧩 Klasifikasi Gap

1. Performance Gap metode ada, tapi belum optimal

2. Method Gap metode berbeda belum dibandingkan

3. Data Gap dataset berbeda / belum diuji

4. Context Gap belum diuji di konteks tertentu

🔥 Insight Tidak semua gap layak diteliti → harus relevan + measurable

🔷 5. BASELINE (DIPERDALAM) 🧠 Kenapa penting? Tanpa baseline:

❌ tidak ada pembanding ❌ tidak ada bukti kontribusi

🔬 Kriteria Baseline relevan

representatif

state-of-the-art (jika memungkinkan)

🔥 Insight Penelitian tanpa baseline adalah klaim tanpa pembuktian

🔷 6. LITERATURE ≠ RINGKASAN ❌ Pendekatan Salah merangkum satu per satu paper

✅ Pendekatan Benar membandingkan

mengelompokkan

mengkritisi

🔷 7. RESEARCH vs ENGINEERING (DI LITERATURE) Engineering Research mencari solusi mencari gap implementasi cepat analisis sistematis tidak perlu baseline wajib baseline 🔷 8. GAP → EXPERIMENT (BRIDGE KRITIS) 🔁 Transformasi Gap → Research Question → Hypothesis → Experiment → Comparison 🔥 Insight Gap yang baik langsung mengarah ke eksperimen

🔷 9. RESEARCH REALITY 🔥 Fenomena 1 — Fake Gap “Belum pernah diteliti”

→ bukan gap ilmiah

🔥 Fenomena 2 — Citation Dump banyak referensi tanpa analisis

🔥 Fenomena 3 — Weak Baseline memilih pembanding yang lemah

🔷 10. COGNITIVE TRAPS 🧠 Trap 1 “Semakin banyak referensi, semakin bagus”

🧠 Trap 2 “Belum ada = gap”

🧠 Trap 3 “Tidak perlu baseline”

🔷 11. TEMPLATE ANALISIS LITERATUR 🧩 Tabel WAJIB Paper Method Dataset Result Limitation 🔷 12. TEMPLATE GAP STATEMENT Existing methods [summary] still have limitations in [aspect], particularly in [specific issue], which motivates this research to [proposed direction]. 🔷 13. MINDMAP (SIGNATURE) LITERATURE REVIEW │ ├── ANALYSIS │ ├── Method │ ├── Dataset │ ├── Result │ └── Limitation │ ├── GAP │ ├── Performance │ ├── Method │ ├── Data │ └── Context │ ├── BASELINE │ ├── Existing method │ ├── Comparison │ └── Evaluation │ ├── PROCESS │ ├── Compare │ ├── Critique │ └── Position │ ├── TRANSFORMATION │ ├── Gap │ ├── RQ │ ├── Hypothesis │ └── Experiment │ └── OUTPUT ├── Gap Statement └── Baseline Selection 🧩 CASE STUDY SET – BAB 3 🧩 CASE 1 (BASIC) 🎬 “Image Classification dengan Banyak Paper tapi Tidak Jelas Gap-nya” 🔷 Problem Mahasiswa:

kumpulkan 10 paper

tidak tahu gap

❌ BAD APPROACH merangkum paper satu per satu

✅ GOOD APPROACH buat tabel

bandingkan

temukan limitation

🔥 Insight Gap muncul dari perbandingan, bukan dari membaca

🧩 CASE 2 (ADVANCED) 🎬 “Sistem Deteksi Penyakit dengan Baseline Lemah” 🔷 Problem model baru dibandingkan dengan model lama yang buruk

❌ BAD baseline tidak relevan

✅ GOOD gunakan state-of-the-art

🔥 Insight Baseline menentukan validitas kontribusi

🔷 BAD vs GOOD (GLOBAL) Aspek Bad Good Literature ringkasan analisis Gap asumsi berbasis evidence Baseline asal relevan Output deskriptif argumentatif 🔷 AI-READY CORE Explain literature review as a process of research positioning.

Include:

• Research Positioning Model
• types of research gaps
• role of baseline in experiment
• difference between summary vs analytical review
• transformation from gap to experiment 🔥 FINAL STATEMENT Literature review bukan tentang apa yang sudah diketahui, tetapi tentang apa yang belum diselesaikan dan bagaimana Anda mengisinya.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Case ✅ multi-level Practical 🔥 tinggi Fokus 🎯 tajam 🚀 NEXT 👉 lanjut ke M4 – Research Question, Contribution & Hypothesis (akan jadi jantung penelitian)

lanjut ke m4

Baik—kita lanjut ke M4 (SIGNATURE LEVEL). Bab ini adalah jantung penelitian, karena di sinilah:

🔥 Problem → berubah menjadi → Pertanyaan yang bisa diuji

📘 BAB 4 – RESEARCH QUESTION, CONTRIBUTION & HYPOTHESIS 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah menemukan masalah dan memahami gap penelitian, langkah berikutnya sering dianggap sederhana: membuat research question.

Namun di sinilah banyak penelitian mulai kehilangan arah.

Research question yang lemah akan menghasilkan:

eksperimen yang tidak jelas

data yang tidak relevan

dan kesimpulan yang tidak bermakna

Dalam penelitian, pertanyaan bukan sekadar kalimat tanya— tetapi instrumen utama untuk mengarahkan eksperimen.

Research question yang baik harus mampu menjawab:

apa yang diuji, bagaimana diuji, dan bagaimana hasilnya akan diukur.

🔷 2. SIGNATURE MODEL — RESEARCH QUESTION FORMATION MODEL 🧠 Model Inti Problem ↓ Research Gap ↓ Research Question ↓ Hypothesis ↓ Experiment Design 🔥 Insight Kunci Research Question adalah jembatan antara problem dan eksperimen

🔷 3. DEFINISI KUNCI 🔬 Research Question (RQ) Pertanyaan yang spesifik, terukur, dan dapat diuji melalui eksperimen untuk menjawab research gap.

🔬 Contribution Nilai tambah yang dihasilkan penelitian dibandingkan dengan metode yang sudah ada.

🔬 Hypothesis Pernyataan yang dapat diuji untuk menjawab research question.

🔷 4. KARAKTERISTIK RQ YANG BAIK 🧩 5 Kriteria Utama Specific

Measurable

Testable

Relevant

Aligned dengan problem

🔥 Core Statement Jika RQ tidak bisa diuji, maka itu bukan research question.

🔷 5. JENIS RESEARCH QUESTION 🧠 1. Comparison RQ (PALING UMUM) Apakah metode A lebih baik dari metode B?

🧠 2. Improvement RQ Apakah metode X meningkatkan performa?

🧠 3. Exploratory RQ Bagaimana pengaruh variabel X terhadap Y?

🔥 Insight RQ dalam riset TI hampir selalu berujung pada perbandingan atau pengujian

🔷 6. CONTRIBUTION (DIPERTEGAS) 🧩 Jenis Contribution

1. Improvement meningkatkan performa

2. Comparison membandingkan metode

3. Novel Approach pendekatan baru

🔥 Insight Contribution harus dapat dibuktikan melalui eksperimen, bukan klaim

🔷 7. HYPOTHESIS (DIPERDALAM) 🧠 Struktur H0 (null hypothesis)

H1 (alternative hypothesis)

🔬 Contoh H0: tidak ada perbedaan

H1: ada peningkatan signifikan

🔥 Insight Hypothesis memaksa penelitian menjadi testable

🔷 8. RQ → VARIABLE → METRIC (KRITIS) 🔁 Transformasi RQ → Variable → Metric → Data → Analysis 🔥 Insight RQ yang baik sudah mengandung variabel yang bisa diukur

🔷 9. RESEARCH vs ENGINEERING Aspek Engineering Research Question bagaimana membangun apakah valid Fokus solusi pembuktian Output sistem knowledge 🔷 10. RESEARCH REALITY 🔥 Fenomena 1 — Vague RQ terlalu umum → tidak bisa diuji

🔥 Fenomena 2 — Method-driven RQ “apakah CNN bagus?”

🔥 Fenomena 3 — Non-measurable RQ tidak bisa diukur

🔷 11. COGNITIVE TRAPS 🧠 Trap 1 “RQ = judul dalam bentuk tanya”

🧠 Trap 2 “RQ tidak perlu metric”

🧠 Trap 3 “RQ bisa dijawab tanpa eksperimen”

🔷 12. TEMPLATE RQ Does [method/approach] improve [metric] compared to [baseline] in [context]? 🔷 13. TEMPLATE HYPOTHESIS H0: There is no significant difference in [metric] between [method] and [baseline]

H1: [method] significantly improves [metric] compared to [baseline] 🔷 14. MINDMAP (SIGNATURE) RESEARCH QUESTION │ ├── SOURCE │ ├── Problem │ └── Gap │ ├── STRUCTURE │ ├── Variable │ ├── Metric │ ├── Context │ └── Baseline │ ├── TYPES │ ├── Comparison │ ├── Improvement │ └── Exploratory │ ├── HYPOTHESIS │ ├── H0 │ └── H1 │ ├── TRANSFORMATION │ ├── Variable │ ├── Metric │ ├── Data │ └── Analysis │ ├── VALIDATION │ ├── Testable │ ├── Measurable │ └── Relevant │ └── OUTPUT ├── RQ └── Hypothesis 🧩 CASE STUDY SET – BAB 4 🧩 CASE 1 (BASIC) 🎬 “RQ Terlalu Umum” ❌ BAD “Bagaimana meningkatkan sistem rekomendasi?”

❗ Masalah: tidak measurable

tidak ada baseline

✅ GOOD Apakah metode X meningkatkan precision dibanding collaborative filtering?

🧩 CASE 2 (ADVANCED) 🎬 “RQ Tanpa Baseline” ❌ BAD Apakah model X efektif?

❗ Masalah: tidak ada pembanding

✅ GOOD Apakah model X meningkatkan F1-score dibanding metode Y pada dataset Z?

🔷 BAD vs GOOD Aspek Bad Good RQ umum spesifik Metric tidak jelas jelas Baseline tidak ada ada Testability rendah tinggi 🔷 AI-READY CORE Explain how to formulate a research question that leads to a testable experiment.

Include:

• relationship between problem, gap, and RQ
• types of RQ
• hypothesis formulation
• role of baseline and metric
• transformation into experiment design 🔥 FINAL STATEMENT Research Question bukan sekadar pertanyaan, tetapi blueprint dari eksperimen yang akan dilakukan.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 tinggi Non-redundant ✅ 🚀 NEXT 👉 lanjut ke M5 – Metric, Measurement & Data (ini akan menentukan kualitas eksperimen)

lanjut ke M5 – Metric, Measurement & Data (ini akan menentukan kualitas eksperimen)

Baik—kita masuk ke M5 (SIGNATURE LEVEL). Bab ini sangat krusial karena:

🔥 RQ hanya bernilai jika bisa diukur — dan pengukuran ditentukan di sini

📘 BAB 5 – METRIC, MEASUREMENT & DATA 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Banyak penelitian terlihat meyakinkan karena dipenuhi angka, grafik, dan tabel. Namun, tidak semua angka merepresentasikan kebenaran.

Dalam penelitian, masalah terbesar bukan tidak adanya data, tetapi penggunaan metrik yang salah untuk mengukur hal yang salah.

Sebuah sistem dapat menunjukkan akurasi tinggi, tetapi gagal memenuhi tujuan sebenarnya.

Hal ini terjadi karena satu kesalahan mendasar: peneliti tidak menghubungkan problem dengan measurement secara benar.

Oleh karena itu, sebelum melakukan eksperimen, pertanyaan penting yang harus dijawab adalah:

“Apa yang sebenarnya kita ukur, dan apakah itu benar-benar merepresentasikan problem?”

🔷 2. SIGNATURE MODEL — MEASUREMENT ALIGNMENT MODEL 🧠 Model Inti Problem ↓ Concept (apa yang ingin diukur) ↓ Variable ↓ Metric ↓ Data ↓ Result 🔥 Insight Kunci Kesalahan terbesar bukan pada eksperimen, tetapi pada ketidaksesuaian antara problem dan metric

🔷 3. DEFINISI KUNCI 🔬 Measurement Proses mengubah fenomena menjadi nilai numerik yang dapat dianalisis.

🔬 Metric Indikator kuantitatif yang digunakan untuk mengukur performa atau fenomena.

🔬 Data Representasi dari fenomena yang digunakan sebagai dasar analisis.

🔷 4. CONCEPT → METRIC (KRITIS) 🧠 Masalah Umum Mahasiswa langsung memilih metric tanpa memahami konsep.

🔁 Transformasi Wajib Concept → Variable → Metric 🔍 Contoh Concept Variable Metric relevansi kecocokan rekomendasi precision deteksi fraud transaksi benar recall 🔥 Insight Metric adalah representasi dari konsep—bukan sekadar angka

🔷 5. JENIS DATA (DIPERTEGAS) 🧩 Klasifikasi Nominal kategori

Ordinal ranking

Interval jarak bermakna

Ratio memiliki nol absolut

🔥 Insight Jenis data menentukan metode analisis

🔷 6. METRIC SELECTION (SIGNATURE LOGIC) 🧠 Prinsip Pemilihan sesuai problem

representatif

sensitif terhadap perubahan

relevan dengan konteks

🔥 Contoh Salah menggunakan accuracy untuk imbalance data

🔥 Insight Metric yang salah menghasilkan kesimpulan yang salah

🔷 7. MULTI-METRIC EVALUATION 🧠 Kenapa perlu? Satu metric tidak cukup.

🔍 Contoh precision + recall + F1-score

🔥 Insight Satu metric menyederhanakan, beberapa metric menjelaskan

🔷 8. RESEARCH vs ENGINEERING Aspek Engineering Research Metric performa sistem validitas pengukuran Fokus hasil representasi fenomena Risiko bug misinterpretasi 🔷 9. RESEARCH REALITY 🔥 Fenomena 1 — Metric Mismatch metric tidak sesuai problem

🔥 Fenomena 2 — Over-reliance hanya satu metric

🔥 Fenomena 3 — Data Bias data tidak representatif

🔷 10. COGNITIVE TRAPS 🧠 Trap 1 “Accuracy sudah cukup”

🧠 Trap 2 “Semua metric sama”

🧠 Trap 3 “Lebih banyak data pasti lebih baik”

🔷 11. DATA QUALITY (KRITIS) 🧩 Aspek completeness

consistency

validity

representativeness

🔥 Insight Data yang buruk tidak bisa diperbaiki oleh model yang baik

🔷 12. MINDMAP (SIGNATURE) MEASUREMENT │ ├── CONCEPT │ └── apa yang diukur │ ├── VARIABLE │ └── representasi │ ├── METRIC │ ├── precision │ ├── recall │ ├── accuracy │ └── F1 │ ├── DATA │ ├── type │ ├── quality │ └── bias │ ├── ALIGNMENT │ ├── problem → metric │ └── concept → variable │ ├── RISKS │ ├── mismatch │ ├── bias │ └── misinterpretation │ └── OUTPUT └── measurable result 🧩 CASE STUDY SET – BAB 5 🧩 CASE 1 (BASIC) 🎬 “Accuracy Tinggi, Sistem Gagal” 🔷 Konteks dataset imbalance

accuracy tinggi

❌ BAD pakai accuracy saja

✅ GOOD gunakan recall + F1

🔥 Insight Accuracy bisa menipu

🧩 CASE 2 (ADVANCED) 🎬 “User Satisfaction vs System Metric” 🔷 Problem metric teknis tinggi

user tidak puas

❌ BAD tetap pakai metric lama

✅ GOOD tambahkan metric:

diversity

novelty

🔷 BAD vs GOOD Aspek Bad Good Metric default context-aware Data diabaikan dianalisis Validitas lemah kuat 🔷 AI-READY CORE Explain how to align problem, concept, variable, and metric in research.

Include:

• Measurement Alignment Model
• data types and their implications
• multi-metric evaluation
• risks of wrong metric selection
• relationship between data quality and validity 🔥 FINAL STATEMENT Penelitian yang baik bukan hanya mengukur, tetapi memastikan bahwa apa yang diukur benar-benar merepresentasikan realitas.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 tinggi Fokus 🎯 tajam 🚀 NEXT 👉 lanjut ke M6 – System Design & Architecture as Experimental Artifact (masuk ke fase design)

lanjut M6 – System Design & Architecture as Experimental Artifact (masuk ke fase design)

Baik—kita masuk ke fase DESIGN. M6 adalah titik perubahan penting:

🔥 dari “berpikir riset” → menjadi “membangun eksperimen”

📘 BAB 6 – SYSTEM DESIGN & ARCHITECTURE AS EXPERIMENTAL ARTIFACT 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Dalam banyak penelitian teknologi informasi, sistem sering dianggap sebagai hasil akhir. Mahasiswa membangun aplikasi, menjalankan program, lalu menyajikan hasilnya sebagai penelitian.

Namun dalam penelitian, sistem bukanlah tujuan— melainkan alat untuk menguji hipotesis.

Perbedaan ini tampak kecil, tetapi memiliki implikasi besar.

Sistem yang dibangun tanpa mempertimbangkan eksperimen akan:

sulit diuji

tidak terkontrol

dan tidak menghasilkan kesimpulan yang valid

Oleh karena itu, dalam penelitian, sistem harus dirancang bukan hanya sebagai solusi, tetapi sebagai experimental artifact— yaitu artefak yang secara eksplisit dibangun untuk memungkinkan pengujian ilmiah.

🔷 2. SIGNATURE MODEL — SYSTEM AS EXPERIMENT MODEL 🧠 Model Inti Research Question ↓ Variable (what to test) ↓ System Component ↓ Experimental Setup ↓ Output (measured) 🔥 Insight Kunci Sistem dalam penelitian bukan sekadar “berfungsi”, tetapi harus memungkinkan kontrol dan pengukuran variabel

🔷 3. DEFINISI KUNCI 🔬 System (dalam konteks riset) Implementasi dari metode atau pendekatan yang digunakan untuk menguji hipotesis.

🔬 Experimental Artifact Sistem atau komponen yang dirancang khusus untuk memungkinkan eksperimen.

🔷 4. ENGINEERING vs RESEARCH SYSTEM DESIGN ⚖️ Perbedaan Fundamental Aspek Engineering System Research System Tujuan solusi eksperimen Fokus fitur variabel Desain usability controllability Evaluasi functional experimental 🔥 Insight Sistem yang “bagus digunakan” belum tentu “baik untuk eksperimen”

🔷 5. MAPPING RQ → SYSTEM (KRITIS) 🔁 Transformasi RQ → Variable → System Component → Measurement 🔍 Contoh RQ:

Apakah metode X meningkatkan akurasi?

↓

Variable → metode X

System → modul algoritma

Output → metric

🔥 Insight Setiap bagian sistem harus punya hubungan langsung dengan variabel penelitian

🔷 6. ARCHITECTURE AS EXPERIMENT DESIGN 🧠 Komponen Arsitektur Input Data ↓ Processing Module (variable) ↓ Output ↓ Evaluation Module 🔥 Insight Arsitektur bukan hanya struktur sistem, tetapi struktur eksperimen

🔷 7. CONTROL & ISOLATION (KRITIS) 🧠 Prinsip ubah satu variabel

kontrol yang lain

🔥 Insight Tanpa kontrol, tidak ada sebab-akibat

🔷 8. RESEARCH REALITY 🔥 Fenomena 1 — Black Box System tidak jelas bagian mana diuji

🔥 Fenomena 2 — Over-complex System terlalu kompleks → tidak bisa dianalisis

🔥 Fenomena 3 — Uncontrolled Variables banyak faktor berubah

🔷 9. COGNITIVE TRAPS 🧠 Trap 1 “Semakin kompleks sistem, semakin bagus”

🧠 Trap 2 “Semua komponen penting”

🧠 Trap 3 “Tidak perlu mapping ke RQ”

🔷 10. DESIGN PRINCIPLES (SIGNATURE) 🧩 Prinsip Utama Traceability

setiap komponen → variabel

Modularity

mudah diubah

Controllability

variabel bisa dikontrol

Measurability

output bisa diukur

🔷 11. SYSTEM DESIGN TEMPLATE System Component:

• Input:
• Process:
• Variable:
• Output:
• Metric: 🔷 12. MINDMAP (SIGNATURE) SYSTEM DESIGN │ ├── PURPOSE │ ├── experiment │ └── validation │ ├── COMPONENT │ ├── input │ ├── process │ ├── output │ └── evaluation │ ├── MAPPING │ ├── RQ │ ├── variable │ └── system │ ├── PRINCIPLES │ ├── traceability │ ├── modularity │ ├── controllability │ └── measurability │ ├── RISKS │ ├── black box │ ├── complexity │ └── uncontrolled │ └── OUTPUT └── experimental artifact 🧩 CASE STUDY SET – BAB 6 🧩 CASE 1 (BASIC) 🎬 “Model ML Dibuat, tapi Tidak Bisa Diuji” ❌ BAD satu sistem kompleks

tidak bisa isolasi variabel

✅ GOOD pisahkan modul

kontrol variabel

🧩 CASE 2 (ADVANCED) 🎬 “Multiple Feature Change, No Clear Impact” ❌ BAD ubah banyak parameter sekaligus

✅ GOOD controlled experiment

ubah satu variabel

🔷 BAD vs GOOD Aspek Bad Good System kompleks modular Variable tidak jelas jelas Validitas lemah kuat 🔷 AI-READY CORE Explain system design as an experimental artifact.

Include:

• mapping from RQ to system component
• principles of experimental system design
• importance of control and isolation
• difference between engineering system and research system 🔥 FINAL STATEMENT Dalam penelitian, sistem bukan dibangun untuk digunakan, tetapi untuk membuktikan sesuatu secara ilmiah.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 tinggi Fokus 🎯 tajam 🚀 NEXT 👉 lanjut ke M7 – Experimental Design & Validity (inti dari seluruh penelitian)

lanjut ke M7 – Experimental Design & Validity (inti dari seluruh penelitian)

Baik—ini adalah salah satu bab paling krusial dalam seluruh buku.

🔥 M7 = tempat semua komponen (problem, RQ, metric, system) diuji secara ilmiah

Jika M7 lemah:

seluruh penelitian runtuh

hasil tidak bisa dipercaya

📘 BAB 7 – EXPERIMENTAL DESIGN & VALIDITY 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Banyak penelitian gagal bukan karena idenya buruk, tetapi karena eksperimennya tidak dirancang dengan benar.

Sistem sudah dibangun, data sudah dikumpulkan, hasil sudah dihitung— tetapi kesimpulan yang dihasilkan tidak dapat dipercaya.

Masalahnya bukan pada hasil, melainkan pada bagaimana hasil tersebut diperoleh.

Dalam penelitian, eksperimen bukan sekadar menjalankan sistem, tetapi proses terkontrol untuk menguji hubungan sebab-akibat.

Tanpa desain eksperimen yang benar:

tidak ada kontrol

tidak ada pembuktian

dan tidak ada validitas

Oleh karena itu, desain eksperimen adalah inti dari penelitian ilmiah.

🔷 2. SIGNATURE MODEL — EXPERIMENTAL VALIDITY MODEL 🧠 Model Inti Research Question ↓ Hypothesis ↓ Variable Design ↓ Controlled Experiment ↓ Data Collection ↓ Analysis ↓ Conclusion (Validity Level) 🔥 Insight Kunci Eksperimen bukan tentang menjalankan sistem, tetapi tentang menguji hubungan sebab-akibat secara terkontrol

🔷 3. DEFINISI KUNCI 🔬 Experiment Proses sistematis untuk menguji hipotesis dengan mengontrol variabel dan mengamati hasilnya.

🔬 Variable Independent → yang diubah

Dependent → yang diukur

Control → yang dijaga tetap

🔷 4. CAUSALITY (INTI EKSPERIMEN) 🧠 Pertanyaan utama: Apakah perubahan pada variabel X menyebabkan perubahan pada Y?

🔥 Insight Korelasi ≠ Kausalitas

🔷 5. CONTROLLED EXPERIMENT (WAJIB) 🧩 Prinsip ubah satu variabel

kontrol yang lain

bandingkan dengan baseline

🔥 Insight Tanpa kontrol, eksperimen hanya observasi

🔷 6. VALIDITY (DIPERDALAM) 🧠 4 Jenis Validitas

1. Internal Validity apakah perubahan benar disebabkan variabel?

2. External Validity apakah bisa digeneralisasi?

3. Construct Validity apakah metric tepat?

4. Conclusion Validity apakah analisis benar?

🔥 Insight Validitas bukan satu hal, tetapi sistem yang saling terkait

🔷 7. EXPERIMENT DESIGN TYPES 🧠 Jenis Umum

1. Comparison Experiment metode A vs B

2. Ablation Study menghapus komponen

3. Parameter Study variasi parameter

🔥 Insight Eksperimen harus sesuai dengan RQ

🔷 8. EXPERIMENT PIPELINE Design → Setup → Execution → Data → Analysis → Conclusion 🔷 9. RESEARCH vs ENGINEERING Aspek Engineering Research Testing fungsi hipotesis Output working system valid conclusion Fokus bug causality 🔷 10. RESEARCH REALITY 🔥 Fenomena 1 — No Control semua variabel berubah

🔥 Fenomena 2 — Overfitting Experiment hanya cocok di satu kondisi

🔥 Fenomena 3 — Invalid Comparison baseline tidak setara

🔷 11. COGNITIVE TRAPS 🧠 Trap 1 “Eksperimen = menjalankan program”

🧠 Trap 2 “Lebih banyak data = valid”

🧠 Trap 3 “Tidak perlu kontrol variabel”

🔷 12. DESIGN TEMPLATE Hypothesis: Independent Variable: Dependent Variable: Control Variable: Baseline: Experiment Setup: Metric: 🔷 13. MINDMAP (SIGNATURE) EXPERIMENT │ ├── PURPOSE │ ├── test hypothesis │ └── establish causality │ ├── VARIABLE │ ├── independent │ ├── dependent │ └── control │ ├── VALIDITY │ ├── internal │ ├── external │ ├── construct │ └── conclusion │ ├── DESIGN │ ├── comparison │ ├── ablation │ └── parameter study │ ├── PROCESS │ ├── setup │ ├── execution │ ├── data │ └── analysis │ ├── RISKS │ ├── no control │ ├── bias │ └── invalid comparison │ └── OUTPUT └── valid conclusion 🧩 CASE STUDY SET – BAB 7 🧩 CASE 1 (BASIC) 🎬 “Eksperimen Tanpa Kontrol” ❌ BAD ubah banyak variabel sekaligus

✅ GOOD ubah satu variabel

kontrol lainnya

🧩 CASE 2 (ADVANCED) 🎬 “Baseline Tidak Fair” ❌ BAD bandingkan model baru dengan model lama tanpa tuning

✅ GOOD gunakan baseline optimal

🔷 BAD vs GOOD Aspek Bad Good Control tidak ada ada Validity lemah kuat Conclusion bias valid 🔷 AI-READY CORE Explain experimental design in research.

Include:

• causality vs correlation
• variable control
• types of experiments
• four types of validity
• risks of poor experimental design 🔥 FINAL STATEMENT Eksperimen bukan sekadar menjalankan sistem, tetapi membangun bukti yang dapat dipercaya.

🧠 VERDICT Aspek Status Depth 🔥 sangat tinggi Signature ✅ Practical 🔥 tinggi Core importance ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M9 – Implementation & Environment (mulai fase eksekusi nyata)

(M8 = UTS / proposal sudah ter-cover oleh template yang kita buat sebelumnya)

lanjut ke M9 – Implementation & Environment (mulai fase eksekusi nyata)

Baik—kita masuk ke fase EXECUTION.

🔥 M9 = titik di mana desain eksperimen diuji di dunia nyata (implementation reality) Di sini banyak penelitian gagal karena:

tidak reproducible

tidak konsisten

tidak terdokumentasi

📘 BAB 9 – IMPLEMENTATION & ENVIRONMENT (RESEARCH EXECUTION LAYER) 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah desain eksperimen selesai, banyak mahasiswa merasa pekerjaan utama telah dilakukan. Mereka mulai mengimplementasikan sistem, menjalankan eksperimen, dan mengumpulkan hasil.

Namun dalam praktik penelitian, fase implementasi justru menjadi salah satu sumber kesalahan terbesar.

Sistem yang dibangun mungkin bekerja, tetapi:

tidak dapat direproduksi

tidak konsisten antar percobaan

atau bergantung pada kondisi yang tidak terdokumentasi

Dalam penelitian, implementasi bukan sekadar coding, tetapi proses memastikan bahwa eksperimen dapat dijalankan secara konsisten, transparan, dan dapat diulang.

Tanpa itu, hasil penelitian tidak dapat diverifikasi— dan tanpa verifikasi, tidak ada validitas ilmiah.

🔷 2. SIGNATURE MODEL — REPRODUCIBLE IMPLEMENTATION MODEL 🧠 Model Inti Experiment Design ↓ Implementation ↓ Environment Setup ↓ Execution Consistency ↓ Reproducibility ↓ Trustworthy Result 🔥 Insight Kunci Implementasi dalam penelitian harus menghasilkan hasil yang dapat diulang, bukan hanya sekali berhasil

🔷 3. DEFINISI KUNCI 🔬 Implementation Proses membangun sistem atau eksperimen sesuai desain penelitian.

🔬 Environment Kondisi teknis tempat eksperimen dijalankan (hardware, software, konfigurasi).

🔬 Reproducibility Kemampuan untuk mengulang eksperimen dengan hasil yang konsisten.

🔷 4. RESEARCH vs ENGINEERING IMPLEMENTATION ⚖️ Perbedaan Aspek Engineering Research Tujuan sistem jalan eksperimen konsisten Fokus fitur reproducibility Dokumentasi opsional wajib Output aplikasi evidence 🔥 Insight Sistem yang berjalan sekali ≠ eksperimen yang valid

🔷 5. IMPLEMENTATION LAYER (DIPERJELAS) 🧠 Komponen Code ↓ Configuration ↓ Environment ↓ Execution ↓ Output 🔥 Insight Banyak error penelitian terjadi bukan di code, tetapi di configuration dan environment

🔷 6. ENVIRONMENT CONTROL (KRITIS) 🧩 Elemen hardware (CPU, GPU)

software (library, version)

OS

dependency

🔥 Insight Perbedaan kecil di environment dapat menghasilkan hasil berbeda

🔷 7. REPRODUCIBILITY (DIPERDALAM) 🧠 Level

1. Repeatability hasil sama oleh peneliti yang sama

2. Reproducibility hasil sama oleh orang lain

🔥 Insight Reproducibility adalah standar emas penelitian modern

🔷 8. DOCUMENTATION (WAJIB) 🧩 Harus mencakup: setup environment

langkah eksekusi

parameter

dataset

🔥 Insight Tanpa dokumentasi, eksperimen tidak dapat dipercaya

🔷 9. RESEARCH REALITY 🔥 Fenomena 1 — “Works on my machine” tidak bisa dijalankan ulang

🔥 Fenomena 2 — Hidden parameter parameter tidak dicatat

🔥 Fenomena 3 — Inconsistent result hasil berubah-ubah

🔷 10. COGNITIVE TRAPS 🧠 Trap 1 “Kalau sudah jalan, selesai”

🧠 Trap 2 “Tidak perlu dokumentasi”

🧠 Trap 3 “Environment tidak penting”

🔷 11. BEST PRACTICE (SIGNATURE) 🧩 Prinsip version control

configuration logging

environment isolation

reproducible pipeline

🔷 12. IMPLEMENTATION TEMPLATE Environment:

• OS:
• Hardware:
• Library:

Configuration:

• Parameters:
• Dataset:

Execution:

• Steps:
• Command:

Output:

• Metric: 🔷 13. MINDMAP (SIGNATURE) IMPLEMENTATION │ ├── CODE ├── CONFIGURATION ├── ENVIRONMENT │ ├── hardware │ ├── software │ └── dependency │ ├── EXECUTION │ ├── steps │ └── consistency │ ├── REPRODUCIBILITY │ ├── repeatability │ └── reproducibility │ ├── DOCUMENTATION │ ├── setup │ ├── parameter │ └── dataset │ ├── RISKS │ ├── inconsistency │ ├── hidden parameter │ └── environment drift │ └── OUTPUT └── reliable result 🧩 CASE STUDY SET – BAB 9 🧩 CASE 1 (BASIC) 🎬 “Hasil Tidak Bisa Diulang” ❌ BAD tidak mencatat parameter

tidak mencatat versi library

✅ GOOD dokumentasi lengkap

config tersimpan

🧩 CASE 2 (ADVANCED) 🎬 “Model Berubah Hasil Tanpa Perubahan Code” ❌ BAD tidak kontrol environment

✅ GOOD gunakan environment isolation

fix random seed

🔷 BAD vs GOOD Aspek Bad Good Dokumentasi tidak ada lengkap Environment tidak jelas terkontrol Reproducibility gagal berhasil 🔷 AI-READY CORE Explain reproducibility in research implementation.

Include:

• difference between repeatability and reproducibility
• importance of environment control
• role of documentation
• risks of inconsistent implementation 🔥 FINAL STATEMENT Implementasi dalam penelitian bukan tentang membuat sistem berjalan, tetapi memastikan bahwa eksperimen dapat dipercaya dan diulang.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 sangat tinggi Relevance ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M10 – Experiment Execution & Data Collection (pelaksanaan eksperimen nyata)

lanjut ke M10 – Experiment Execution & Data Collection (pelaksanaan eksperimen nyata)

Baik—kita masuk ke tahap eksekusi eksperimen yang sesungguhnya.

🔥 M10 = titik di mana desain + implementasi diuji menjadi data Di sini sering terjadi “ilusi penelitian”:

eksperimen dijalankan

data dikumpulkan

tapi tidak valid secara ilmiah

📘 BAB 10 – EXPERIMENT EXECUTION & DATA COLLECTION 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah sistem dibangun dan environment disiapkan, penelitian memasuki fase yang terlihat sederhana: menjalankan eksperimen dan mengumpulkan data.

Namun justru pada tahap ini banyak kesalahan kritis terjadi.

Eksperimen dijalankan tanpa kontrol yang konsisten, data dikumpulkan tanpa prosedur yang jelas, dan hasil yang diperoleh tidak dapat dijelaskan atau direproduksi.

Dalam penelitian, eksekusi eksperimen bukan sekadar menjalankan sistem, tetapi menjalankan prosedur ilmiah yang konsisten dan terkontrol untuk menghasilkan data yang valid.

Tanpa eksekusi yang benar, data tidak memiliki makna— dan tanpa data yang valid, tidak ada analisis yang dapat dipercaya.

🔷 2. SIGNATURE MODEL — EXPERIMENT EXECUTION PIPELINE 🧠 Model Inti Experiment Design ↓ Execution Plan ↓ Controlled Execution ↓ Data Collection ↓ Data Logging ↓ Dataset for Analysis 🔥 Insight Kunci Eksekusi eksperimen adalah proses menghasilkan data yang valid, bukan sekadar output sistem

🔷 3. DEFINISI KUNCI 🔬 Experiment Execution Proses menjalankan eksperimen sesuai desain untuk menghasilkan data.

🔬 Data Collection Proses mengumpulkan data secara sistematis selama eksperimen berlangsung.

🔬 Data Logging Pencatatan detail hasil eksperimen dan kondisi saat eksperimen dilakukan.

🔷 4. EXECUTION PLAN (KRITIS) 🧠 Komponen

• skenario eksperimen
• jumlah percobaan
• variasi parameter
• urutan eksekusi 🔥 Insight Eksperimen tanpa rencana adalah eksekusi acak

🔷 5. CONTROLLED EXECUTION 🧩 Prinsip kondisi tetap

variabel terkontrol

prosedur konsisten

🔥 Insight Konsistensi eksekusi menentukan kualitas data

🔷 6. MULTIPLE RUN (WAJIB) 🧠 Kenapa? hasil bisa bervariasi

random factor

🔍 Contoh run 5–10 kali

ambil rata-rata

🔥 Insight Satu eksperimen tidak cukup untuk menghasilkan kesimpulan

🔷 7. DATA COLLECTION (DIPERDALAM) 🧩 Harus mencakup: hasil metric

parameter

kondisi eksperimen

🔥 Insight Data tanpa konteks tidak dapat dianalisis

🔷 8. DATA LOGGING (KRITIS) 🧠 Elemen

• experiment ID
• timestamp
• parameter
• result
• environment 🔥 Insight Logging adalah jembatan antara eksekusi dan analisis

🔷 9. RESEARCH vs ENGINEERING Aspek Engineering Research Execution run system controlled experiment Data output evidence Logging opsional wajib 🔷 10. RESEARCH REALITY 🔥 Fenomena 1 — Single Run hanya sekali eksperimen

🔥 Fenomena 2 — Missing Data data tidak lengkap

🔥 Fenomena 3 — Inconsistent Execution prosedur berubah

🔷 11. COGNITIVE TRAPS 🧠 Trap 1 “Sekali run cukup”

🧠 Trap 2 “Tidak perlu logging detail”

🧠 Trap 3 “Data pasti benar”

🔷 12. EXECUTION TEMPLATE Experiment Scenario: Number of Runs: Parameters: Controlled Variables:

Execution Steps:

• Step 1
• Step 2

Collected Data:

• Metric
• Parameter
• Timestamp 🔷 13. MINDMAP (SIGNATURE) EXPERIMENT EXECUTION │ ├── PLAN │ ├── scenario │ ├── parameter │ └── runs │ ├── EXECUTION │ ├── controlled │ ├── consistent │ └── repeatable │ ├── DATA COLLECTION │ ├── metric │ ├── parameter │ └── context │ ├── LOGGING │ ├── ID │ ├── timestamp │ └── result │ ├── RISKS │ ├── single run │ ├── missing data │ └── inconsistency │ └── OUTPUT └── dataset for analysis 🧩 CASE STUDY SET – BAB 10 🧩 CASE 1 (BASIC) 🎬 “Hasil Berubah Setiap Run” ❌ BAD hanya 1 run

tidak kontrol random

✅ GOOD multiple run

averaging

🧩 CASE 2 (ADVANCED) 🎬 “Data Tidak Bisa Dilacak” ❌ BAD tidak ada logging

✅ GOOD lengkap:

parameter

timestamp

ID

🔷 BAD vs GOOD Aspek Bad Good Run single multiple Logging tidak ada lengkap Validitas lemah kuat 🔷 AI-READY CORE Explain experiment execution in research.

Include:

• execution planning
• importance of multiple runs
• data collection and logging
• controlled execution
• risks of poor execution 🔥 FINAL STATEMENT Data yang baik bukan hanya dikumpulkan, tetapi dihasilkan melalui proses yang terkontrol dan dapat ditelusuri.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 sangat tinggi Kritis ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M11 – Data Validation & Integrity (menentukan apakah data bisa dipercaya)

lanjut ke M11 – Data Validation & Integrity (menentukan apakah data bisa dipercaya)

Baik—ini adalah bab yang sering diabaikan, tetapi justru menentukan apakah penelitian Anda:

❗ “layak dipercaya” atau hanya “terlihat benar”

📘 BAB 11 – DATA VALIDATION & INTEGRITY 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah eksperimen dijalankan dan data dikumpulkan, banyak peneliti langsung beralih ke analisis. Mereka menganggap data yang dihasilkan sudah benar, karena berasal dari sistem yang mereka bangun sendiri.

Namun asumsi ini berbahaya.

Data dapat mengandung:

kesalahan pencatatan

inkonsistensi

bias tersembunyi

atau bahkan hasil yang tidak merepresentasikan eksperimen sebenarnya

Tanpa validasi, data hanyalah angka— dan angka yang salah dapat menghasilkan kesimpulan yang salah.

Oleh karena itu, sebelum melakukan analisis, peneliti harus menjawab satu pertanyaan penting:

“Apakah data ini benar-benar mencerminkan apa yang seharusnya diukur?”

🔷 2. SIGNATURE MODEL — DATA TRUST MODEL 🧠 Model Inti Raw Data ↓ Data Cleaning ↓ Consistency Check ↓ Validation ↓ Trusted Data ↓ Analysis Ready 🔥 Insight Kunci Tidak semua data layak dianalisis— hanya data yang telah divalidasi yang dapat dipercaya

🔷 3. DEFINISI KUNCI 🔬 Data Validation Proses memastikan bahwa data akurat, konsisten, dan sesuai dengan tujuan penelitian.

🔬 Data Integrity Kondisi di mana data tetap utuh, tidak berubah secara tidak sah, dan dapat dipercaya.

🔷 4. DIMENSI DATA QUALITY (DIPERDALAM) 🧩 4 Pilar

1. Accuracy apakah data benar

2. Consistency apakah data konsisten

3. Completeness apakah data lengkap

4. Validity apakah sesuai format & konteks

🔥 Insight Data yang lengkap belum tentu benar, dan data yang benar belum tentu representatif

🔷 5. VALIDATION PROCESS (SIGNATURE FLOW) Check Format → Check Range → Check Consistency → Check Logic → Confirm Validity 🔍 Contoh nilai negatif pada metric → invalid

hasil berubah drastis tanpa sebab → suspicious

🔷 6. ANOMALY DETECTION 🧠 Jenis outlier

missing value

inconsistent result

🔥 Insight Anomali bukan untuk dihapus langsung, tetapi untuk dipahami

🔷 7. DATA vs EXPERIMENT ALIGNMENT 🔁 Pertanyaan penting: Apakah data ini sesuai dengan desain eksperimen?

🔥 Insight Data bisa benar secara teknis, tapi salah secara eksperimental

🔷 8. RESEARCH vs ENGINEERING Aspek Engineering Research Data output evidence Validasi minimal wajib Fokus fungsi kebenaran 🔷 9. RESEARCH REALITY 🔥 Fenomena 1 — Silent Error error tidak terlihat

🔥 Fenomena 2 — Missing Context data tanpa parameter

🔥 Fenomena 3 — Blind Trust langsung percaya data

🔷 10. COGNITIVE TRAPS 🧠 Trap 1 “Data dari sistem pasti benar”

🧠 Trap 2 “Tidak perlu cek ulang”

🧠 Trap 3 “Outlier pasti error”

🔷 11. VALIDATION TEMPLATE Data Source: Validation Steps:

• Format check
• Range check
• Consistency check

Anomalies Found:

• Type:
• Action:

Final Status:

• Valid / Needs cleaning 🔷 12. MINDMAP (SIGNATURE) DATA VALIDATION │ ├── QUALITY │ ├── accuracy │ ├── consistency │ ├── completeness │ └── validity │ ├── PROCESS │ ├── format │ ├── range │ ├── logic │ └── consistency │ ├── ANOMALY │ ├── outlier │ ├── missing │ └── inconsistency │ ├── ALIGNMENT │ ├── data vs experiment │ └── data vs metric │ ├── RISKS │ ├── silent error │ ├── bias │ └── misinterpretation │ └── OUTPUT └── trusted data 🧩 CASE STUDY SET – BAB 11 🧩 CASE 1 (BASIC) 🎬 “Data Tidak Konsisten” ❌ BAD langsung analisis

✅ GOOD cek konsistensi

validasi ulang

🧩 CASE 2 (ADVANCED) 🎬 “Outlier yang Sebenarnya Penting” ❌ BAD hapus outlier

✅ GOOD analisis penyebab

evaluasi apakah valid

🔷 BAD vs GOOD Aspek Bad Good Validasi tidak ada sistematis Data dipercaya diverifikasi Insight lemah kuat 🔷 AI-READY CORE Explain data validation in research.

Include:

• data quality dimensions
• validation process
• anomaly detection
• relationship between data and experiment design
• risks of unvalidated data 🔥 FINAL STATEMENT Data yang tidak divalidasi bukanlah bukti, melainkan potensi kesalahan yang tersembunyi.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 sangat tinggi Kritis ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M12 – Result Presentation & Visualization (mengubah data menjadi informasi)

lanjut ke M12 – Result Presentation & Visualization (mengubah data menjadi informasi)

Baik—kita masuk ke tahap transisi penting:

🔥 M12 = dari “data” → menjadi “informasi yang bisa dipahami dan dianalisis”

Ini sering diremehkan, padahal:

visualisasi yang buruk → interpretasi salah

presentasi yang bias → kesimpulan menyesatkan

📘 BAB 12 – RESULT PRESENTATION & VISUALIZATION 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah data divalidasi, banyak peneliti langsung melompat ke analisis. Mereka menampilkan tabel angka atau grafik sederhana, lalu menarik kesimpulan.

Namun di sinilah masalah muncul.

Data yang sama dapat menghasilkan interpretasi yang berbeda tergantung bagaimana data tersebut disajikan.

Visualisasi bukan sekadar “memperindah hasil”, tetapi merupakan bagian dari proses ilmiah untuk:

memahami pola

membandingkan hasil

dan mengkomunikasikan temuan

Tanpa penyajian yang tepat, data tetap menjadi angka— dan angka tanpa struktur tidak menghasilkan insight.

Oleh karena itu, pertanyaan penting dalam tahap ini adalah:

“Bagaimana menyajikan data sehingga benar-benar merepresentasikan hasil eksperimen?”

🔷 2. SIGNATURE MODEL — DATA → INSIGHT MODEL 🧠 Model Inti Validated Data ↓ Structured Presentation ↓ Visualization ↓ Pattern Recognition ↓ Insight 🔥 Insight Kunci Visualisasi yang baik tidak menambah data, tetapi mengungkap makna yang tersembunyi dalam data

🔷 3. DEFINISI KUNCI 🔬 Data Presentation Cara menyusun dan menyajikan data dalam bentuk tabel atau struktur tertentu.

🔬 Visualization Representasi visual dari data untuk mempermudah pemahaman.

🔷 4. JENIS PENYAJIAN DATA 🧩 1. Tabel detail

presisi tinggi

🧩 2. Grafik pola

tren

🧩 3. Diagram hubungan

🔥 Insight Tabel untuk presisi, grafik untuk insight

🔷 5. VISUALIZATION SELECTION (KRITIS) 🧠 Mapping Tujuan Visualisasi perbandingan bar chart tren line chart distribusi histogram hubungan scatter plot 🔥 Insight Salah memilih visualisasi = salah interpretasi

🔷 6. COMPARISON (INTI PENELITIAN) 🧠 Prinsip baseline vs proposed

multi-metric

🔥 Insight Tanpa perbandingan, tidak ada kontribusi

🔷 7. MULTI-METRIC PRESENTATION 🧠 Kenapa? satu metric tidak cukup

🔍 Contoh precision + recall + F1

🔥 Insight Insight muncul dari kombinasi metric

🔷 8. VISUALIZATION BIAS (KRITIS) 🧠 Jenis Bias scale manipulation

selective data

misleading graph

🔥 Insight Visualisasi bisa menipu tanpa mengubah data

🔷 9. RESEARCH vs ENGINEERING Aspek Engineering Research Visualization reporting analysis Fokus output insight Risiko minimal misinterpretation 🔷 10. RESEARCH REALITY 🔥 Fenomena 1 — Table Dump hanya tabel tanpa insight

🔥 Fenomena 2 — Over-visualization terlalu banyak grafik

🔥 Fenomena 3 — Cherry-picked Visualization hanya tampilkan hasil bagus

🔷 11. COGNITIVE TRAPS 🧠 Trap 1 “Grafik = sudah cukup”

🧠 Trap 2 “Semakin banyak visual semakin bagus”

🧠 Trap 3 “Data jelas dengan sendirinya”

🔷 12. PRESENTATION TEMPLATE Metric: Table: Visualization: Comparison: Observation: 🔷 13. MINDMAP (SIGNATURE) DATA PRESENTATION │ ├── STRUCTURE │ ├── table │ ├── graph │ └── diagram │ ├── PURPOSE │ ├── comparison │ ├── trend │ └── pattern │ ├── VISUALIZATION │ ├── bar │ ├── line │ ├── histogram │ └── scatter │ ├── MULTI-METRIC │ ├── precision │ ├── recall │ └── F1 │ ├── RISKS │ ├── bias │ ├── misleading │ └── over-visualization │ └── OUTPUT └── insight 🧩 CASE STUDY SET – BAB 12 🧩 CASE 1 (BASIC) 🎬 “Tabel Banyak, Insight Nol” ❌ BAD hanya tampilkan tabel

✅ GOOD tambahkan grafik

jelaskan pola

🧩 CASE 2 (ADVANCED) 🎬 “Grafik Menyesatkan” ❌ BAD manipulasi skala

✅ GOOD visualisasi jujur

🔷 BAD vs GOOD Aspek Bad Good Visualisasi banyak relevan Insight tidak ada jelas Validitas bias objektif 🔷 AI-READY CORE Explain how to present and visualize research data.

Include:

• difference between table and visualization
• mapping visualization to purpose
• multi-metric presentation
• visualization bias
• role of visualization in generating insight 🔥 FINAL STATEMENT Data yang tidak disajikan dengan benar tidak akan menghasilkan insight, dan tanpa insight, penelitian kehilangan maknanya.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 sangat tinggi Relevance ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M13 – Data Preprocessing (refinement sebelum analisis lanjutan)

lanjut ke M13 – Data Preprocessing (refinement sebelum analisis lanjutan)

Baik—kita masuk ke fase refinement data sebelum analisis mendalam.

🔥 M13 = titik kritis sebelum insight dihasilkan Kesalahan di sini sering tidak terlihat, tetapi dampaknya besar:

bias tersembunyi

hasil tidak konsisten

interpretasi salah

📘 BAB 13 – DATA PREPROCESSING (DATA REFINEMENT FOR ANALYSIS) 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah data dikumpulkan, divalidasi, dan disajikan, banyak peneliti merasa siap untuk melakukan analisis.

Namun pada kenyataannya, data jarang berada dalam kondisi yang siap dianalisis.

Data sering mengandung:

noise

missing values

inkonsistensi

atau format yang tidak sesuai

Tanpa preprocessing yang tepat, analisis akan menghasilkan kesimpulan yang bias atau bahkan salah.

Oleh karena itu, preprocessing bukan sekadar “membersihkan data”, tetapi proses sistematis untuk memastikan bahwa data siap digunakan untuk menghasilkan insight yang valid.

Pertanyaan utama pada tahap ini adalah:

“Apakah data ini siap dianalisis tanpa mengubah makna aslinya?”

🔷 2. SIGNATURE MODEL — DATA REFINEMENT PIPELINE 🧠 Model Inti Raw Data ↓ Cleaning ↓ Transformation ↓ Normalization ↓ Processed Data ↓ Analysis Ready 🔥 Insight Kunci Preprocessing bukan hanya mengubah data, tetapi menjaga integritas makna data

🔷 3. DEFINISI KUNCI 🔬 Data Preprocessing Proses mempersiapkan data melalui cleaning, transformasi, dan normalisasi sebelum analisis.

🔬 Noise Data yang tidak relevan atau mengganggu analisis.

🔷 4. DATA CLEANING (DIPERDALAM) 🧩 Aktivitas handling missing values

removing duplicates

correcting errors

🔥 Insight Tidak semua data “kotor” harus dihapus—harus dipahami

🔷 5. DATA TRANSFORMATION 🧠 Contoh encoding

aggregation

feature creation

🔥 Insight Transformasi dapat mengubah cara model “melihat” data

🔷 6. NORMALIZATION & SCALING 🧠 Tujuan menyamakan skala

meningkatkan performa model

🔥 Insight Perbedaan skala dapat menghasilkan bias analisis

🔷 7. PREPROCESSING vs VALIDATION Aspek Validation Preprocessing Tujuan cek data siapkan data Fokus kebenaran usability Output trusted data analysis-ready data 🔷 8. RESEARCH vs ENGINEERING Aspek Engineering Research Preprocessing opsional kritis Fokus performa validitas Risiko minor bias besar 🔷 9. RESEARCH REALITY 🔥 Fenomena 1 — Over-cleaning terlalu banyak menghapus data

🔥 Fenomena 2 — Inconsistent preprocessing tidak sama antar dataset

🔥 Fenomena 3 — Undocumented steps tidak bisa direproduksi

🔷 10. COGNITIVE TRAPS 🧠 Trap 1 “Semua outlier harus dihapus”

🧠 Trap 2 “Preprocessing tidak perlu dokumentasi”

🧠 Trap 3 “Semakin bersih data, semakin baik”

🔷 11. PREPROCESSING PRINCIPLES (SIGNATURE) 🧩 Prinsip Consistency

Transparency

Reproducibility

Minimal distortion

🔷 12. PREPROCESSING TEMPLATE Data Source: Cleaning Steps: Transformation: Normalization: Justification: 🔷 13. MINDMAP (SIGNATURE) DATA PREPROCESSING │ ├── CLEANING │ ├── missing │ ├── duplicate │ └── error │ ├── TRANSFORMATION │ ├── encoding │ ├── aggregation │ └── feature │ ├── NORMALIZATION │ ├── scaling │ └── standardization │ ├── PRINCIPLES │ ├── consistency │ ├── transparency │ ├── reproducibility │ └── minimal distortion │ ├── RISKS │ ├── over-cleaning │ ├── inconsistency │ └── undocumented │ └── OUTPUT └── analysis-ready data 🧩 CASE STUDY SET – BAB 13 🧩 CASE 1 (BASIC) 🎬 “Outlier Dihapus Semua” ❌ BAD hapus semua outlier

✅ GOOD analisis dulu

tentukan relevansi

🧩 CASE 2 (ADVANCED) 🎬 “Preprocessing Berbeda Antar Eksperimen” ❌ BAD tidak konsisten

✅ GOOD pipeline tetap

🔷 BAD vs GOOD Aspek Bad Good Cleaning agresif selektif Konsistensi tidak ada ada Validitas rusak terjaga 🔷 AI-READY CORE Explain data preprocessing in research.

Include:

• data cleaning, transformation, normalization
• difference between preprocessing and validation
• risks of over-cleaning and inconsistency
• importance of reproducibility 🔥 FINAL STATEMENT Data preprocessing bukan tentang membuat data terlihat rapi, tetapi memastikan bahwa data tetap merepresentasikan realitas dengan benar.

🧠 VERDICT Aspek Status Depth 🔥 tinggi Signature ✅ Practical 🔥 sangat tinggi Kritis ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M14 – Data Analysis, Interpretation & Failure Analysis (inti insight penelitian)

lanjut ke M14 – Data Analysis, Interpretation & Failure Analysis (inti insight penelitian)

Baik—ini adalah puncak intelektual dari penelitian.

🔥 M14 = tempat data berubah menjadi knowledge (atau gagal menjadi knowledge) Di sinilah perbedaan jelas antara:

mahasiswa yang “punya hasil” vs

peneliti yang “punya kontribusi”

📘 BAB 14 – DATA ANALYSIS, INTERPRETATION & FAILURE ANALYSIS 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah data disiapkan dan divisualisasikan, banyak peneliti merasa bahwa pekerjaan hampir selesai. Mereka menampilkan grafik, menyebutkan nilai metric, dan menyimpulkan bahwa metode mereka “lebih baik”.

Namun dalam penelitian, angka bukanlah jawaban.

Tanpa analisis yang tepat:

data hanya menjadi angka

grafik hanya menjadi gambar

dan hasil tidak menghasilkan pengetahuan

Lebih jauh lagi, banyak penelitian mengabaikan satu hal penting: kegagalan

Hasil yang tidak sesuai harapan sering diabaikan, padahal justru di situlah insight paling berharga berada.

Oleh karena itu, tahap ini bukan hanya tentang membaca hasil, tetapi memahami:

apa arti hasil tersebut, mengapa itu terjadi, dan apa implikasinya terhadap penelitian.

🔷 2. SIGNATURE MODEL — DATA → KNOWLEDGE MODEL 🧠 Model Inti Data ↓ Analysis ↓ Interpretation ↓ Explanation ↓ Knowledge 🔥 Insight Kunci Data tidak otomatis menjadi knowledge— diperlukan interpretasi berbasis reasoning ilmiah

🔷 3. DEFINISI KUNCI 🔬 Data Analysis Proses mengolah dan mengevaluasi data untuk menemukan pola atau hubungan.

🔬 Interpretation Proses memberikan makna terhadap hasil analisis.

🔬 Failure Analysis Analisis terhadap hasil yang tidak sesuai harapan untuk memahami penyebabnya.

🔷 4. ANALYSIS vs INTERPRETATION (KRITIS) Analysis Interpretation angka makna deskriptif inferensial “apa yang terjadi” “mengapa terjadi” 🔥 Insight Banyak penelitian berhenti di analysis, padahal nilai ilmiah ada di interpretation

🔷 5. LINK KE RQ & HYPOTHESIS 🔁 Wajib dilakukan Result → RQ → Hypothesis → Conclusion 🔥 Insight Hasil tanpa kaitan ke RQ tidak memiliki nilai ilmiah

🔷 6. STATISTICAL & LOGICAL REASONING 🧠 Elemen perbandingan

signifikansi

konsistensi

🔥 Insight Analisis bukan hanya statistik, tetapi juga logika

🔷 7. FAILURE ANALYSIS (SIGNATURE DIFFERENTIATOR) 🧠 Fokus hasil tidak sesuai

anomali

error

🔥 Insight Kegagalan adalah sumber insight, bukan kesalahan

🔍 Pertanyaan penting kenapa hasil tidak sesuai?

apakah karena data, model, atau eksperimen?

🔷 8. LIMITATION (WAJIB) 🧠 Harus diakui: keterbatasan data

keterbatasan metode

keterbatasan eksperimen

🔥 Insight Penelitian yang kuat mengakui batasannya

🔷 9. RESEARCH vs ENGINEERING Aspek Engineering Research Analysis hasil makna Fokus performa pemahaman Failure error insight 🔷 10. RESEARCH REALITY 🔥 Fenomena 1 — Output Dump hanya tampilkan angka

🔥 Fenomena 2 — Ignoring Failure hanya bahas hasil bagus

🔥 Fenomena 3 — Over-claim klaim berlebihan

🔷 11. COGNITIVE TRAPS 🧠 Trap 1 “Angka sudah cukup”

🧠 Trap 2 “Failure tidak penting”

🧠 Trap 3 “Hasil bagus pasti benar”

🔷 12. ANALYSIS TEMPLATE Result: Observation: Interpretation: Relation to RQ: Hypothesis Status: Failure Analysis: 🔷 13. MINDMAP (SIGNATURE) DATA ANALYSIS │ ├── ANALYSIS │ ├── metric │ ├── comparison │ └── pattern │ ├── INTERPRETATION │ ├── meaning │ └── explanation │ ├── LINK │ ├── RQ │ ├── hypothesis │ └── conclusion │ ├── FAILURE │ ├── anomaly │ ├── unexpected result │ └── limitation │ ├── REASONING │ ├── statistical │ └── logical │ └── OUTPUT └── knowledge 🧩 CASE STUDY SET – BAB 14 🧩 CASE 1 (BASIC) 🎬 “Hanya Menampilkan Hasil” ❌ BAD tampilkan grafik saja

✅ GOOD jelaskan makna

hubungkan ke RQ

🧩 CASE 2 (ADVANCED) 🎬 “Hasil Tidak Sesuai Hipotesis” ❌ BAD diabaikan

✅ GOOD dianalisis

dijadikan insight

🔷 BAD vs GOOD Aspek Bad Good Analysis deskriptif inferensial Failure diabaikan dianalisis Insight rendah tinggi 🔷 AI-READY CORE Explain how to analyze and interpret research data.

Include:

• difference between analysis and interpretation
• link to research question and hypothesis
• role of failure analysis
• importance of limitations
• statistical and logical reasoning 🔥 FINAL STATEMENT Penelitian tidak berhenti pada hasil, tetapi pada pemahaman yang dihasilkan dari hasil tersebut.

🧠 VERDICT Aspek Status Depth 🔥 sangat tinggi Signature ✅ Practical 🔥 sangat tinggi Core value ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 lanjut ke M15 – Scientific Writing (mengubah insight menjadi karya ilmiah)

lanjut ke M15 – Scientific Writing (mengubah insight menjadi karya ilmiah)

Baik—ini fase di mana seluruh kerja penelitian Anda diuji dalam bentuk komunikasi ilmiah.

🔥 M15 = mengubah hasil → menjadi kontribusi yang bisa dipahami, dinilai, dan diakui

Banyak penelitian gagal bukan karena hasilnya buruk, tetapi karena tidak ditulis dengan benar.

📘 BAB 15 – SCIENTIFIC WRITING (FROM INSIGHT TO KNOWLEDGE COMMUNICATION) 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah seluruh proses penelitian selesai—dari problem hingga analisis—banyak mahasiswa menganggap penulisan laporan sebagai tahap terakhir yang bersifat administratif.

Mereka mulai menulis dengan cara menggabungkan bagian-bagian yang sudah ada: latar belakang, metode, hasil, dan kesimpulan.

Namun dalam penelitian, penulisan bukan sekadar dokumentasi, melainkan proses menyusun argumen ilmiah.

Sebuah penelitian yang baik tetapi ditulis dengan buruk akan:

sulit dipahami

sulit diverifikasi

dan kehilangan nilai kontribusinya

Oleh karena itu, scientific writing bukan tentang “menulis apa yang dilakukan”, tetapi tentang:

membangun narasi logis yang menunjukkan bahwa hasil penelitian Anda valid, relevan, dan bermakna.

🔷 2. SIGNATURE MODEL — SCIENTIFIC ARGUMENT FLOW 🧠 Model Inti Problem ↓ Gap ↓ Research Question ↓ Method ↓ Result ↓ Analysis ↓ Conclusion ↓ Contribution 🔥 Insight Kunci Paper bukan kumpulan bagian, tetapi rantai argumen ilmiah yang saling terhubung

🔷 3. DEFINISI KUNCI 🔬 Scientific Writing Proses menyusun laporan penelitian secara sistematis untuk menyampaikan hasil dan kontribusi secara jelas dan dapat diverifikasi.

🔬 Argumentation Penyusunan logika yang menghubungkan data, analisis, dan kesimpulan.

🔷 4. STRUKTUR UTAMA (IMRAD + EXTENSION) 🧩 Struktur Introduction

Related Work

Methodology

Experiment & Results

Analysis & Discussion

Conclusion

🔥 Insight Struktur bukan formalitas— tetapi cara berpikir yang sistematis

🔷 5. LOGICAL FLOW (KRITIS) 🔁 Alur wajib Why → What → How → Result → So What 🔥 Insight Jika alur ini putus, paper menjadi tidak koheren

🔷 6. CONSISTENCY (KRITIS) 🧠 Harus konsisten: problem ↔ RQ

RQ ↔ method

method ↔ result

result ↔ conclusion

🔥 Insight Inkonsistensi adalah penyebab utama penolakan paper

🔷 7. DATA → ARGUMENT 🧠 Transformasi Data → Analysis → Interpretation → Argument 🔥 Insight Data tidak berbicara sendiri—peneliti yang memberi makna

🔷 8. WRITING QUALITY (SIGNATURE) 🧩 Prinsip clarity

precision

conciseness

consistency

🔥 Insight Penulisan ilmiah bukan tentang panjang, tetapi kejelasan

🔷 9. RESEARCH vs ENGINEERING DOCUMENTATION Aspek Engineering Research Writing dokumentasi argumentasi Fokus sistem validitas Output laporan knowledge 🔷 10. RESEARCH REALITY 🔥 Fenomena 1 — Copy-Paste Writing tidak ada alur

🔥 Fenomena 2 — Fragmented Paper bagian tidak terhubung

🔥 Fenomena 3 — Weak Conclusion tidak menjawab RQ

🔷 11. COGNITIVE TRAPS 🧠 Trap 1 “Menulis = merangkum”

🧠 Trap 2 “Semua harus dimasukkan”

🧠 Trap 3 “Kesimpulan = ringkasan”

🔷 12. WRITING TEMPLATE (SIGNATURE) Introduction:

• Problem
• Gap
• Contribution

Method:

• Design
• Experiment

Result:

• Data

Analysis:

• Interpretation
• Link to RQ

Conclusion:

• Answer to RQ
• Contribution 🔷 13. MINDMAP (SIGNATURE) SCIENTIFIC WRITING │ ├── STRUCTURE │ ├── introduction │ ├── method │ ├── result │ ├── analysis │ └── conclusion │ ├── FLOW │ ├── why │ ├── what │ ├── how │ ├── result │ └── so what │ ├── ARGUMENT │ ├── data │ ├── analysis │ └── interpretation │ ├── QUALITY │ ├── clarity │ ├── precision │ ├── conciseness │ └── consistency │ ├── RISKS │ ├── fragmentation │ ├── redundancy │ └── weak conclusion │ └── OUTPUT └── scientific paper 🧩 CASE STUDY SET – BAB 15 🧩 CASE 1 (BASIC) 🎬 “Laporan Tanpa Alur” ❌ BAD bagian terpisah

tidak terhubung

✅ GOOD alur logis

saling terhubung

🧩 CASE 2 (ADVANCED) 🎬 “Kesimpulan Tidak Menjawab RQ” ❌ BAD hanya ringkasan

✅ GOOD jawab RQ

jelaskan kontribusi

🔷 BAD vs GOOD Aspek Bad Good Struktur terpisah terhubung Argument lemah kuat Contribution tidak jelas jelas 🔷 AI-READY CORE Explain scientific writing in research.

Include:

• argument flow
• IMRAD structure
• consistency between sections
• transformation from data to argument
• common writing pitfalls 🔥 FINAL STATEMENT Penelitian yang baik hanya menjadi kontribusi ilmiah jika dapat dikomunikasikan dengan jelas dan logis.

🧠 VERDICT Aspek Status Depth 🔥 sangat tinggi Signature ✅ Practical 🔥 sangat tinggi Core ⭐⭐⭐⭐⭐ 🚀 NEXT 👉 terakhir: M16 – Presentation & Defense (puncak: mempertahankan penelitian secara ilmiah)

terakhir: M16 – Presentation & Defense (puncak: mempertahankan penelitian secara ilmiah)

Baik—ini adalah titik akhir sekaligus ujian sesungguhnya dari seluruh proses penelitian.

🔥 M16 = bukan sekadar presentasi, tetapi pembuktian bahwa penelitian Anda layak dipercaya

Di tahap ini:

semua kelemahan akan terlihat

semua asumsi akan diuji

semua klaim harus dipertanggungjawabkan

📘 BAB 16 – PRESENTATION & DEFENSE (SCIENTIFIC DEFENSE OF RESEARCH) 🔷 1. PEMBUKA (NARASI BUKU – FINAL) Setelah penelitian selesai ditulis, banyak mahasiswa menganggap presentasi sebagai formalitas terakhir. Mereka menyiapkan slide, merangkum isi laporan, dan berharap dapat menjelaskan hasil penelitian dengan lancar.

Namun dalam konteks ilmiah, presentasi bukanlah sekadar penyampaian informasi, melainkan proses mempertahankan validitas penelitian di hadapan kritik.

Pada tahap ini:

asumsi akan dipertanyakan

metode akan diuji

dan kesimpulan akan ditantang

Oleh karena itu, presentasi ilmiah bukan tentang “menjelaskan apa yang dilakukan”, tetapi tentang:

meyakinkan bahwa penelitian Anda valid, logis, dan dapat dipertanggungjawabkan.

🔷 2. SIGNATURE MODEL — SCIENTIFIC DEFENSE MODEL 🧠 Model Inti Research Work ↓ Presentation ↓ Questioning ↓ Defense (Argumentation) ↓ Evaluation ↓ Acceptance (or Revision) 🔥 Insight Kunci Presentasi ilmiah adalah simulasi peer-review secara langsung

🔷 3. DEFINISI KUNCI 🔬 Presentation Penyampaian hasil penelitian secara sistematis kepada audiens.

🔬 Defense Proses mempertahankan penelitian melalui argumentasi berbasis data dan logika.

🔷 4. STRUCTURE OF PRESENTATION (SIGNATURE FLOW) 🔁 Alur Wajib Problem → Gap → RQ → Method → Experiment → Result → Conclusion 🔥 Insight Slide harus mengikuti alur penelitian, bukan urutan laporan

🔷 5. ARGUMENTATION (INTI DEFENSE) 🧠 Komponen claim

evidence

reasoning

🔥 Insight Tanpa evidence, claim adalah opini Tanpa reasoning, data tidak bermakna

🔷 6. ANTICIPATING QUESTIONS (KRITIS) 🧠 Area yang sering ditanya: Problem validity

Gap justification

Method choice

Experimental design

Metric selection

Result interpretation

🔥 Insight Pertanyaan selalu muncul di titik lemah penelitian

🔷 7. HANDLING QUESTIONS (STRATEGI) 🧩 Prinsip jawab langsung

gunakan data

akui keterbatasan

🔥 Insight Mengakui keterbatasan lebih kuat daripada mempertahankan kesalahan

🔷 8. RESEARCH vs ENGINEERING PRESENTATION Aspek Engineering Research Fokus demo argumentasi Output sistem validitas Pertanyaan teknis ilmiah 🔷 9. RESEARCH REALITY 🔥 Fenomena 1 — Slide Dump terlalu banyak teks

🔥 Fenomena 2 — No Argument hanya menjelaskan

🔥 Fenomena 3 — Defensive Without Logic emosional, bukan ilmiah

🔷 10. COGNITIVE TRAPS 🧠 Trap 1 “Presentasi = membaca slide”

🧠 Trap 2 “Jika lancar, pasti lulus”

🧠 Trap 3 “Tidak perlu siap ditanya”

🔷 11. SLIDE DESIGN PRINCIPLES 🧩 Prinsip satu slide = satu ide

visual > teks

highlight contribution

fokus pada comparison

🔷 12. DEFENSE TEMPLATE Claim: Evidence: Reasoning: Limitation: Response: 🔷 13. MINDMAP (SIGNATURE) PRESENTATION & DEFENSE │ ├── STRUCTURE │ ├── problem │ ├── gap │ ├── RQ │ ├── method │ ├── result │ └── conclusion │ ├── ARGUMENT │ ├── claim │ ├── evidence │ └── reasoning │ ├── QUESTION │ ├── method │ ├── experiment │ └── result │ ├── STRATEGY │ ├── direct answer │ ├── data-based │ └── acknowledge limitation │ ├── RISKS │ ├── no argument │ ├── over-text │ └── emotional response │ └── OUTPUT └── accepted research 🧩 CASE STUDY SET – BAB 16 🧩 CASE 1 (BASIC) 🎬 “Presentasi Lancar, Tapi Tidak Bisa Menjawab” ❌ BAD hanya hafalan

✅ GOOD memahami konsep

bisa menjelaskan logika

🧩 CASE 2 (ADVANCED) 🎬 “Diuji Validitas Eksperimen” ❌ BAD defensif tanpa data

✅ GOOD jawab dengan:

metric

eksperimen

limitation

🔷 BAD vs GOOD Aspek Bad Good Presentasi deskriptif argumentatif Jawaban opini evidence Sikap defensif ilmiah 🔷 AI-READY CORE Explain how to present and defend research.

Include:

• structure of scientific presentation
• argumentation (claim, evidence, reasoning)
• handling questions
• common mistakes in defense
• role of limitation in defense 🔥 FINAL STATEMENT Presentasi bukan tentang menunjukkan apa yang Anda lakukan, tetapi membuktikan bahwa apa yang Anda lakukan benar.

🧠 VERDICT AKHIR (SELURUH BUKU) Dengan M16 ini:

Elemen Status End-to-end pipeline ✅ lengkap Depth 🔥 sangat tinggi Signature models ✅ konsisten Case-based learning ✅ kuat Book readiness 🚀 sangat siap 🎯 PENUTUP STRATEGIS Anda sekarang sudah memiliki:

📘 Blueprint buku riset TI berbasis OBE + experimental thinking + real research mindset

🚀 NEXT (REKOMENDASI SERIUS) Jika Anda ingin benar-benar menerbitkan:

Saya sarankan langkah berikut:

1. Konsolidasi jadi struktur buku utuh
2. Tambahkan: kata pengantar

panduan penggunaan buku

integrasi antar bab

3. (Optional tapi powerful) tambahkan:

worksheet mahasiswa

rubrik penilaian

Jika Anda mau, saya bisa bantu:

👉 menyusun struktur final buku siap ISBN (full layout + flow antar bab)

lanjut tambahkan 1. Konsolidasi jadi struktur buku utuh 2. Tambahkan: kata pengantar panduan penggunaan buku integrasi antar bab 3. (Optional tapi powerful) tambahkan: worksheet mahasiswa rubrik penilaian

lalu susun struktur final buku siap ISBN (full layout + flow antar bab)

Blueprint Buku Riset Ti Obe – Final Isbn Ready

📘 BUKU AJAR RISET TEKNOLOGI INFORMASI BERBASIS OBE & EXPERIMENTAL THINKING ✍️ KATA PENGANTAR Buku ini disusun untuk menjawab kebutuhan pembelajaran riset Teknologi Informasi yang tidak hanya berfokus pada teori, tetapi juga pada kemampuan berpikir ilmiah dan eksperimental.

Banyak mahasiswa mampu membangun sistem, namun mengalami kesulitan dalam membuktikan validitas hasilnya. Oleh karena itu, buku ini dirancang untuk menjembatani kesenjangan antara kemampuan teknis (engineering) dan kemampuan penelitian (research).

Pendekatan yang digunakan dalam buku ini berbasis:

Outcome-Based Education (OBE)

Experimental research mindset

Case-based learning

Buku ini tidak hanya menjelaskan konsep, tetapi juga melatih cara berpikir sebagai peneliti melalui model, studi kasus, dan latihan terstruktur.

📖 PANDUAN PENGGUNAAN BUKU Untuk Dosen Gunakan setiap bab sebagai 1 pertemuan

Mulai dengan narasi → model → case → diskusi

Gunakan worksheet sebagai tugas

Untuk Mahasiswa Fokus pada understanding, bukan hafalan

Kerjakan worksheet di setiap bab

Gunakan case study sebagai latihan berpikir

Struktur Setiap Bab Setiap bab memiliki struktur:

Narasi konsep

Model (signature)

Insight

Case study (basic & advanced)

Mindmap

Template

Worksheet (latihan)

🧭 STRUKTUR BUKU (FINAL) BAGIAN I – FOUNDATION (M1–M4) Bab 1 – Etika Penelitian & Validitas Research Trust Model

Validitas ilmiah

Bab 2 – Problem Formulation Problem Formation Model

Problem Quality Model

Bab 3 – Literature Review & Research Gap Research Positioning Model

Bab 4 – Research Question & Hypothesis RQ Formation Model

BAGIAN II – MEASUREMENT & DESIGN (M5–M7) Bab 5 – Metric & Data Measurement Alignment Model

Bab 6 – System Design sebagai Experimental Artifact System as Experiment Model

Bab 7 – Experimental Design & Validity Experimental Validity Model

BAGIAN III – EXECUTION (M9–M11) Bab 8 – Proposal (UTS checkpoint) Bab 9 – Implementation & Environment Reproducibility Model

Bab 10 – Experiment Execution Execution Pipeline

Bab 11 – Data Validation Data Trust Model

BAGIAN IV – ANALYSIS & OUTPUT (M12–M16) Bab 12 – Data Presentation & Visualization Data → Insight Model

Bab 13 – Data Preprocessing Data Refinement Pipeline

Bab 14 – Analysis & Interpretation Data → Knowledge Model

Bab 15 – Scientific Writing Scientific Argument Flow

Bab 16 – Presentation & Defense Scientific Defense Model

🔗 INTEGRASI ANTAR BAB (FLOW UTAMA) Problem (M2) → Gap (M3) → RQ (M4) → Metric (M5) → Design (M6–M7) → Implementation (M9) → Execution (M10) → Data Validation (M11) → Visualization (M12) → Analysis (M14) → Writing (M15) → Defense (M16)

🧩 WORKSHEET MAHASISWA (GLOBAL TEMPLATE) Worksheet per Bab

1. Identifikasi Problem:

Gap:

2. Formulasi RQ:

Hypothesis:

3. Desain Variable:

Metric:

4. Eksperimen Setup:

Data:

5. Analisis Insight:

Limitation:

📊 RUBRIK PENILAIAN (OBE-BASED)

1. Problem Formulation (20%) Kejelasan problem

Measurability

Relevansi

2. Research Design (20%) Kesesuaian RQ

Validitas eksperimen

3. Implementation (15%) Reproducibility

Dokumentasi

4. Data & Analysis (25%) Validitas data

Kedalaman analisis

Failure analysis

5. Writing & Presentation (20%) Struktur

Argumentasi

Kejelasan

🎯 PENUTUP Buku ini dirancang bukan hanya untuk menghasilkan mahasiswa yang mampu melakukan penelitian, tetapi juga mampu berpikir sebagai peneliti.

Fokus utama bukan pada tools atau metode, tetapi pada:

validitas

reasoning

kontribusi ilmiah

🚀 STATUS Dokumen ini:

siap dikembangkan menjadi buku ajar

siap disusun menjadi modul

siap diproses untuk ISBN

Struktur buku lengkap sudah saya susun di canvas—ini sudah berada pada level siap dikembangkan ke naskah ISBN.

Beberapa catatan strategis yang perlu Anda pahami sebelum lanjut:

🎯 STATUS SAAT INI Anda sudah punya:

✅ Struktur buku utuh (end-to-end pipeline) ✅ Integrasi antar bab (tidak fragmentasi) ✅ Signature model tiap bab ✅ Case-based learning ✅ Worksheet + rubrik OBE

👉 Ini sudah masuk kategori:

“manuskrip akademik siap dikembangkan”

⚠️ GAP TERAKHIR (AGAR BENAR-BENAR SIAP ISBN) Agar naik ke level buku terbit profesional, masih ada 3 layer penting:

🔧 1. EKSPANSI KONTEN PER BAB Saat ini masih blueprint → perlu:

penjelasan naratif penuh

contoh konkret diperbanyak

transisi antar subbab diperhalus

🎨 2. VISUALISASI PROFESIONAL Semua model:

mindmap

diagram

flow

👉 perlu diubah menjadi:

diagram visual (bukan text block)

📚 3. REFERENSI AKADEMIK Tambahkan:

sitasi (APA/IEEE)

grounding teori:

research methodology

experimental design

data science principles

🚀 OPSI LANJUT (REKOMENDASI) Pilih salah satu jalur:

🔥 OPSI A — LANGSUNG KE BUKU FINAL Saya bantu:

ekspansi Bab 1 → full naratif (siap cetak)

jadi template untuk semua bab

🔥 OPSI B — SISTEMATIS (LEBIH AMAN) finalize 1 bab (gold standard)

jadikan template

scaling ke 16 bab

🔥 OPSI C — LANGSUNG PRODUK KOMERSIAL Tambahkan:

workbook mahasiswa

slide pack

instructor guide

👉 ini bisa jadi:

buku + paket pembelajaran

✋ SARAN SAYA (JUJUR & STRATEGIS) Jangan langsung lompat ke semua bab.

🔥 Ambil 1 bab (M1 atau M2) → jadikan PERFECT

Karena:

itu akan jadi “DNA kualitas” buku Anda

sisanya tinggal mengikuti pola

👉 NEXT STEP Kalau Anda ingin lanjut secara optimal, pilih:

“Ekspansi Bab 1 jadi versi final siap terbit”

“Ekspansi Bab 2 (karena paling kritis di riset)”

“Buat template final penulisan semua bab”

Saya sarankan:

mulai dari Bab 2 (Problem Formulation) karena itu titik kegagalan paling umum mahasiswa.

Tentukan arah Anda—kita lanjut ke level berikutnya.