hb_alim b488de8a09 feat: rewrite all 16 worksheets with full learning material

Each worksheet now includes Ringkasan Materi, Template A.x,
3 exercises with example answers, and reflection prompts.
Synced from rti-20252 student repo.

2026-03-31 10:58:25 +07:00

5.1 KiB

Raw Blame History

WS-05: Variabel & Metrik

Bab 5 — Metric, Measurement & Data

Ringkasan Materi

Measurement Alignment Model

Setiap pengukuran yang valid harus bisa ditelusuri melalui rantai ini tanpa lompatan logis:

Problem → Concept → Variable → Metric → Data → Result

Operationalization = Keputusan Desain

Menerjemahkan konsep abstrak menjadi variabel terukur bukan proses mekanis. "Code quality" yang diukur via SonarQube code smells membawa asumsi implisit. Setiap operasionalisasi harus didokumentasikan dan dijustifikasi.

Empat Tipe Data (NOIR)

Tipe	Ciri	Contoh	Operasi Valid
Nominal	Kategori, tanpa urutan	Jenis algoritma (RF, SVM, CNN)	Modus, chi-square
Ordinal	Urutan, interval tidak sama	Skala Likert (1-5)	Median, Spearman
Interval	Jarak bermakna, tanpa nol absolut	Suhu Celsius	Mean, Pearson, t-test
Ratio	Jarak bermakna + nol absolut	Waktu eksekusi (ms)	Semua operasi

Tipe data menentukan uji statistik yang valid. Kebanyakan metrik performa TI = ratio; persepsi pengguna = ordinal.

Kriteria Pemilihan Metrik

Representative — Mewakili konsep yang diteliti
Sensitive — Cukup peka menangkap perbedaan bermakna (hindari ceiling effect)
Feasible — Bisa dikumpulkan dalam batasan waktu dan biaya

Pre-registration

Metrik harus ditentukan sebelum eksperimen. Memilih metrik setelah melihat data = p-hacking. Metrik tambahan yang ditemukan kemudian dilaporkan sebagai exploratory, bukan confirmatory.

Primary vs Secondary Metric

Primary Metric — Langsung terikat ke hipotesis, menentukan kesimpulan
Secondary Metric — Pendukung, dilaporkan di samping primary; statusnya suplementer

Research vs Engineering

Aspek	Engineering	Research
Pemilihan metrik	Berdasarkan kebiasaan/tool yang ada	Berdasarkan construct validity
Anomali	Dihapus untuk laporan bersih	Diinvestigasi — bisa jadi temuan
Kapan dipilih	Setelah sistem jadi (monitoring)	Sebelum eksperimen (by design)

Istilah Penting

Operationalization — Transformasi konsep abstrak menjadi variabel terukur
Construct Validity — Sejauh mana pengukuran benar-benar mengukur konsep yang dimaksud
Measurement Scale — Klasifikasi data (NOIR) yang menentukan analisis valid
Multi-metric Evaluation — Menggunakan beberapa metrik untuk menangkap konsep kompleks

Template A.5 — Definisi Variabel, Metrik & Justifikasi

VARIABLE & METRIC DEFINITION

Research Question: ____________________

| Variabel | Tipe | Konsep | Metrik | Skala | Satuan | Cara Mengukur | Justifikasi |
|----------|------|--------|--------|-------|--------|---------------|-------------|
|          | IV   |        |        |       |        |               |             |
|          | DV   |        |        |       |        |               |             |
|          | CV   |        |        |       |        |               |             |

Alignment Check:
  RQ → Concept → Variable → Metric → Data → Result
  [ ] Setiap langkah terdokumentasi
  [ ] Tidak ada "lompatan logis"
  [ ] Metrik mengukur apa yang dimaksud (construct validity)

Latihan 1 — Operationalization Chain

Gunakan RQ dari WS-04. Definisikan variabel dan metriknya.

RQ: __________________________________________________

Variabel	Tipe	Konsep Abstrak	Metrik Konkret	Skala (NOIR)	Satuan
Contoh: Jenis model	IV	Pendekatan klasifikasi	Categorical: CNN vs RF	Nominal	—
	DV
	CV

Apakah ada lompatan logis dalam rantai? [ ] Ya / [ ] Tidak

Jika ya, di mana? ____________________________________

Latihan 2 — Evaluasi Metrik

Evaluasi metrik DV yang dipilih di Latihan 1 menggunakan 3 kriteria.

Kriteria	Skor (1-5)	Justifikasi
Representative	Contoh: 4 — F1-Score mewakili keseimbangan precision-recall
Sensitive
Feasible

Apakah perlu secondary metric? [ ] Ya / [ ] Tidak

Jika ya, apa dan mengapa? _____________________________

Contoh kasus ceiling effect untuk metrik ini:

Latihan 3 — Data Quality Check

Bayangkan data yang akan dikumpulkan dari eksperimen. Evaluasi 4 dimensi kualitas data.

Dimensi	Pertanyaan	Jawaban	Strategi Mitigasi
Completeness	Apakah semua data point terkumpul?
Consistency	Apakah ada kontradiksi internal?
Validity	Apakah benar-benar mengukur yang dimaksud?
Representativeness	Apakah sampel mewakili populasi target?

Refleksi

Mengapa memilih metrik setelah melihat data dianggap p-hacking? Apa bedanya dengan eksplorasi data yang sah?

Jawaban:

5.1 KiB Raw Blame History