riset-teknologi-informasi/slide/slide-01-research-mindset.md

marp	paginate	header	footer
true	true	RTI — Riset Teknologi Informasi | Universitas Putra Bangsa Kebumen	Helmi Bahar Alim, S.Kom., M.Kom. | 2026

Bab 1 — Research Mindset in IT

Etika Penelitian, Validitas, dan Paradigma

Pertemuan 1 (M1)  |  Sub-CPMK 1.1  |  CPMK01  |  CPL03

Fase: Thinking (M1–M4)  ·  Bagian I: Foundation

Universitas Putra Bangsa  |  Fak. Sains & Teknologi  ·  Prodi Teknik Informatika

---

Agenda Pertemuan 1

1. Pertanyaan Pemantik — Engineer vs Peneliti
2. Research Trust Model — rantai kepercayaan ilmiah
3. Etika: penjaga validitas, bukan sekadar moral
4. Tiga jenis validitas
5. Paradigma penelitian: Positivisme, Interpretivisme, Pragmatisme
6. Cognitive Traps — jebakan berpikir umum
7. Studi Kasus
8. Output Praktis Pertemuan 1

---

Capaian Pembelajaran

Setelah pertemuan ini, mahasiswa mampu:

• Membedakan pola pikir engineer dan peneliti
• Menjelaskan Research Trust Model dan risiko distorsi di setiap tahap
• Mengidentifikasi 3 jenis validitas: internal, external, construct
• Menjelaskan peran etika dalam menjaga integritas ilmiah
• Menentukan paradigma penelitian yang sesuai untuk studi kasus TI

Sub-CPMK 1.1 → Menunjukkan pemahaman paradigma riset dalam TI (CPL03)

---

Pertanyaan Pemantik

Seorang developer menyelesaikan sistem deteksi plagiarisme berbasis NLP. Demo berjalan lancar. Sistem melaporkan: akurasi 87%.

Apakah 87% itu benar?

Pertanyaan reviewer:

• 87% terhadap data training atau dunia nyata?
• Konsisten pada 1.000 dokumen dari domain berbeda?
• Ada bias dalam proses pengumpulan data?
• Apa baseline-nya?

Inilah batas antara Engineer dan Peneliti.

---

Research Trust Model

Rantai kepercayaan dari Realitas ke Pengetahuan — setiap panah = titik rawan distorsi

Reality → Data → Processing → Analysis → Inference → Knowledge

Transisi	Bahaya Distorsi
Reality → Data	Sampling bias, instrumen tidak dikalibrasi
Data → Processing	Keputusan outlier & normalisasi mengubah makna
Processing → Analysis	Asumsi statistik dilanggar
Analysis → Inference	Overgeneralisasi, logical fallacy
Inference → Knowledge	Peer review bypass, selective reporting

Etika mencegah distorsi yang disengaja. Validitas mendeteksi distorsi yang tidak disengaja.

---

Etika: Penjaga Validitas Ilmiah

Bukan sekadar "jangan plagiat" — etika menjaga integritas seluruh rantai penelitian.

Pelanggaran	Contoh Konkret	Dampak
Fabrikasi	Membuat data fiktif	Hasil tidak bisa direplikasi
Falsifikasi	Membuang outlier agar p < 0.05	Kesimpulan menyesatkan
Selective reporting	Hanya laporkan eksperimen yang berhasil	Publication bias
p-hacking	Ganti metrik berulang sampai dapat p < 0.05	False positive
HARKing	Hipotesis dibuat setelah melihat data	Inversi proses ilmiah

Prinsip etika utama (Resnik, 2020): Kejujuran · Kehati-hatian · Keterbukaan · Integritas

---

Tiga Jenis Validitas

(Shadish, Cook & Campbell, 2002)

Tipe Validitas	Pertanyaan Kunci	Ancaman Umum
Internal validity	Apakah hubungan sebab-akibat ini benar?	Confounding variables, history effect
External validity	Bisa digeneralisasi ke populasi lain?	Dataset terlalu sempit, domain spesifik
Construct validity	Kita mengukur konsep yang tepat?	Metrik tidak merepresentasikan konsep

Insight: Model ML akurasi 98% bisa memiliki external validity rendah jika hanya diuji pada satu dataset yang tidak representatif terhadap distribusi nyata.

Tambahan: Conclusion validity — apakah ada cukup bukti statistik untuk menarik kesimpulan?

---

Paradigma Penelitian

(Creswell & Creswell, 2018)

Paradigma	Asumsi Realitas	Metode Utama	Cocok untuk TI
Positivisme	Realitas objektif, bisa diukur	Kuantitatif, eksperimen	Benchmark, performa sistem
Interpretivisme	Realitas dikonstruksi sosial	Kualitatif, wawancara	UX research, adopsi teknologi
Pragmatisme	Kebenaran = yang berguna	Mixed methods	Evaluasi sistem + usability

Posisi mata kuliah ini: Positivisme + Design Science

Design Science Research: membuat dan mengevaluasi artefak (sistem, model, metode) sebagai bentuk kontribusi ilmiah — menggabungkan membangun (build) dengan membuktikan (evaluate).

---

Cognitive Traps

Jebakan Berpikir Peneliti Pemula

---

Cognitive Traps — Bab 1

"Angka tinggi = benar" Akurasi 98% dari dataset imbalance (95% kelas negatif) tidak bermakna. Butuh F1, AUC, confusion matrix.

"Data itu netral" Data dikumpulkan oleh manusia, melalui instrumen buatan manusia — bias selalu bisa masuk di setiap tahap.

"Kalau sistemnya jalan, berarti benar" Sistem berfungsi ≠ klaim tentang sistem valid. Ini perbedaan mendasar engineer vs peneliti.

"Kegagalan tidak perlu dilaporkan" Kegagalan adalah data — bahkan lebih informatif dari keberhasilan. Wajib didokumentasikan.

---

Studi Kasus 1 — Manipulasi Dataset (Basic)

Konteks: Mahasiswa membangun model klasifikasi teks dengan akurasi 99%.

Masalah: Data train dan data test adalah subset dari corpus yang sama dan dipreprocess bersama-sama (data leakage). Model "hafal" data test, bukan belajar dari pola.

Gejala yang terlewat:

• Performa di data baru: 61%
• Training loss vs validation loss gap sangat kecil (tidak wajar)

Solusi: Lakukan train/validation/test split sebelum preprocessing apapun. Gunakan held-out test set yang benar-benar tidak tersentuh selama pengembangan.

Kunci: urutan operasi dalam pipeline ML menentukan validitas hasil.

---

Studi Kasus 2 — AI Bias (Advanced)

Konteks: Model screening CV untuk rekrutmen — performa teknis baik, tapi bias gender tersembunyi.

Masalah: Model dilatih pada data historis perusahaan yang memang bias (lebih banyak merekrut pria untuk posisi teknis). Model belajar mereplikasi bias ini. Akurasi keseluruhan: 89% — tetapi false rejection rate kandidat perempuan 3× lebih tinggi.

Solusi:

1. Tambahkan fairness metrics (demographic parity, equalized odds)
2. Audit distribusi training data
3. Fairness constraint dalam objective function
4. Human-in-the-loop untuk keputusan final

---

Research vs Engineering — Perbedaan Fundamental

Aspek	Engineering Mindset	Research Mindset
Pertanyaan	"Bagaimana membuatnya bekerja?"	"Apakah klaim ini benar?"
Standar sukses	"Sistemnya berjalan"	"Validitasnya terbukti"
Terhadap kegagalan	Dihindari, disembunyikan	Dilaporkan, dianalisis
Output utama	Produk/aplikasi	Pengetahuan yang terverifikasi
Standar penerimaan	Functional requirement	Peer review + replikasi
Sumber kebenaran	Testing fungsional	Eksperimen terkontrol + statistik

Mata kuliah RTI melatih Anda untuk menambahkan research mindset di atas engineering mindset yang sudah Anda miliki.

---

Ringkasan Pertemuan 1

Konsep	Inti
Research Trust Model	Reality → Data → Processing → Analysis → Inference → Knowledge
Etika	Mencegah distorsi disengaja (fabrikasi, falsifikasi, p-hacking)
Validitas	Internal (kausalitas), External (generalisasi), Construct (ketepatan ukur)
Paradigma	Positivisme + Design Science (posisi MK ini)
Mindset shift	Engineer membangun → Peneliti membuktikan

---

Final Statement & Output Praktis

"Penelitian bukan tentang mendapatkan hasil, tetapi tentang memastikan hasil tersebut dapat dipercaya."

Output Praktis M1

Buat esai analisis (min. 400 kata):

1. Identifikasi 1 kasus nyata di dunia TI yang melanggar etika penelitian (boleh dari berita, paper retracted, atau studi kasus terkenal)
2. Jelaskan validitas mana yang terganggu dan mengapa
3. Tentukan paradigma penelitian yang paling tepat untuk kasus tersebut

Format: narasi, bukan bullet points. Cantumkan minimal 2 referensi APA 7th.

---

Referensi Utama — Bab 1

• Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE Publications.

• Resnik, D. B. (2020). What is ethics in research & why is it important? National Institute of Environmental Health Sciences. https://www.niehs.nih.gov/research/resources/bioethics/whatis

• Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.

• Wieringa, R. J. (2014). Design science methodology for information systems and software engineering. Springer.