Knowledge Base

research-methodology

7 min read

🔭 Research Methodology — Hierarki Lengkap

Definisi

Ilmu menemukan sesuatu yang belum ada. Bukan hafalan — tapi sistem berpikir. Semua penemuan besar lahir dari metodologi yang benar, bukan keberuntungan semata.

📑 Daftar Isi

  1. Sheet 1 — Hierarki Research: Dari Observasi sampai Paradigm Shift
  2. Sheet 2 — Tipe Penelitian dan Kapan Dipakai
  3. Sheet 3 — Dari Ide ke Publikasi: Alur Lengkap
  4. Sheet 4 — Research untuk Insinyur IT: Bedanya dengan Sains Murni

Sheet 1 — Hierarki Research: Dari Observasi sampai Paradigm Shift

🔭 Level & Metode⚡ Cara Kerja & Sweet Spot☠️ Tembok Kematian🎯 Contoh Nyata
Level 0 — Observasi & CuriositySemua riset dimulai di sini. Melihat sesuatu yang aneh, tidak konsisten, atau belum ada penjelasannya. “Kenapa grafik kecepatan flashdisk naik-turun?” adalah contoh observasi valid. Question First: tetesan pertanyaan yang tepat lebih berharga dari jawaban.Bias konfirmasi — mencari bukti yang mendukung apa yang sudah kamu percaya, bukan yang membuktikan kamu salah. Observasi tanpa dokumentasi = hilang.Newton melihat apel jatuh. Fleming melihat jamur membunuh bakteri. Keduanya tidak melewatkan anomali.
Level 1 — Literature ReviewBaca semua yang sudah ada tentang topikmu sebelum klaim “belum ada yang tahu ini.” Google Scholar, Semantic Scholar, ArXiv, IEEE Xplore, ACM Digital Library. Citation chaining: dari paper A temukan paper B yang dikutipnya, terus ke belakang. Gunakan Zotero/Mendeley untuk manajemen referensi.Kebanyakan mahasiswa skip level ini dan reinvent the wheel. Atau sebaliknya: tenggelam di literature dan tidak pernah mulai riset. Batasi diri: systematic review atau scoping review, bukan baca semua.Sebelum publish tentang teknik RE baru, cek dulu apakah USENIX Security atau IEEE S&P sudah punya paper serupa.
Level 2 — Hypothesis FormationDari observasi + literature, rumuskan hipotesis yang: Spesifik, Terukur, Falsifiable (bisa dibuktikan salah). Contoh buruk: “AI itu bagus.” Contoh baik: “Model BERT fine-tuned pada dataset malware report bahasa Indonesia akan mencapai F1-score >0.85 untuk klasifikasi keluarga malware.”Hipotesis yang tidak falsifiable bukan sains — itu opini. Terlalu luas = tidak bisa diuji. Terlalu sempit = tidak ada kontribusi.Karl Popper: sebuah teori ilmiah harus bisa dibuktikan salah. Jika tidak bisa salah, itu bukan ilmu pengetahuan.
Level 3 — Experimental DesignRancang cara membuktikan atau menyangkal hipotesismu. Variabel independen (yang kamu ubah), variabel dependen (yang kamu ukur), variabel kontrol (yang kamu jaga tetap sama). Reproducibility: orang lain harus bisa ulangi eksperimenmu dan dapat hasil sama. Baseline: bandingkan dengan metode yang sudah ada, bukan dengan kekosongan.Confounding variable: faktor tersembunyi yang mempengaruhi hasil tanpa kamu sadari. Sample size terlalu kecil = hasil tidak signifikan secara statistik. Tidak ada control group = tidak bisa klaim kausalitas.A/B testing adalah experimental design paling sederhana. Randomized Controlled Trial (RCT) adalah gold standard di kedokteran.
Level 4 — Data Collection & ValidationKumpulkan data secara sistematis. Untuk IT: benchmark, dataset publik (Kaggle, UCI, CAIDA), capture traffic, fuzzing result, user study. Validasi: apakah data representatif? Apakah ada bias sampling? Cross-validation untuk ML. Inter-rater reliability untuk data yang butuh judgment manusia.Data leakage di ML (test set bocor ke training) = hasil bagus palsu. Survivorship bias: hanya menganalisis yang berhasil, mengabaikan yang gagal. Overfitting ke satu dataset.Semua benchmark CPU/GPU yang viral punya metodologi ketat — suhu ruangan, warmup run, jumlah iterasi, semua dikontrol.
Level 5 — Analysis & InterpretationStatistik bukan untuk mengesankan, tapi untuk mengukur kepastian. P-value, confidence interval, effect size. Untuk IT: complexity analysis, throughput, latency distribution (gunakan percentile, bukan rata-rata — P99 lebih jujur dari mean). Visualisasi: grafik yang menipu adalah bentuk kebohongan ilmiah.P-hacking: coba banyak analisis sampai ketemu yang p<0.05 — ini manipulasi. Correlation ≠ causation. “Rata-rata” menyembunyikan distribusi — selalu tampilkan variance/std.Jeff Dean (Google) selalu pakai P99 latency, bukan mean — karena mean menyembunyikan outlier yang dialami 1% user nyata.
Level 6 — Peer Review & PublicationSubmit ke conference atau journal. Untuk IT/CS: conference lebih prestisius dari journal (berbeda dengan bidang lain). Tier publikasi: A* > A > B > C (CORE ranking). ArXiv untuk preprint — bisa submit sebelum peer review selesai. Respond to reviewer: seni tersendiri — jangan defensif, treat reviewer sebagai kolaborator.Rejection bukan kegagalan — mayoritas paper di top venue ditolak (acceptance rate USENIX Security ~15%). Predatory journal: bayar langsung publish tanpa review — jebakan. Impact factor bukan satu-satunya ukuran kualitas.Linus Torvalds tidak publish paper — tapi Dijkstra, Turing, Shannon semua publish. Untuk karir akademik, publish wajib. Untuk industri, GitHub repo bisa setara.
Level 7 — Replication & GeneralizationRisetmu diuji oleh orang lain di konteks berbeda. Apakah hasilnya hold? Internal validity: apakah eksperimenmu mengukur apa yang kamu kira kamu ukur? External validity: apakah hasilnya berlaku di luar setting eksperimenmu? Generalization adalah tanda penemuan yang benar-benar baru.Replication crisis: banyak paper psikologi dan beberapa CS tidak bisa direplikasi. Overgeneralization: hasil dari satu dataset diklaim berlaku universal.Hasil yang hanya berlaku di lab sendiri = interesting finding. Hasil yang direplikasi 10 lab berbeda = knowledge baru yang sesungguhnya.
☠️ Level 8 — Paradigm ShiftPenemuan yang mengubah cara seluruh bidang berpikir. Bukan perbaikan inkremental — tapi framework baru. Kuhn: “normal science” vs “scientific revolution.” Ciri: komunitas ilmiah awalnya menolak, lalu menerima, lalu tidak bisa membayangkan dunia sebelumnya.Tidak bisa direncanakan — hanya bisa disiapkan. Butuh: domain expertise mendalam + cross-domain thinking + timing yang tepat + keberanian publikasi melawan konsensus.Public key cryptography (Diffie-Hellman 1976) ditolak reviewer awal. Deep learning (Hinton 2006) diabaikan 5 tahun sebelum ImageNet 2012 membuktikannya. Transformer (Attention is All You Need, 2017) mengubah seluruh NLP.

Sheet 2 — Tipe Penelitian dan Kapan Dipakai

TipePertanyaan yang DijawabMetodeCocok Untuk
Eksploratori”Apa yang terjadi di sini? Belum ada yang tahu.”Observasi, case study, interview, grounded theoryTopik baru yang belum ada framework-nya
Deskriptif”Seberapa besar? Seberapa sering? Seperti apa?”Survey, measurement, statistical descriptionKarakterisasi masalah sebelum solusi
Eksplanatif”Kenapa ini terjadi? Apa hubungannya?”Correlation analysis, regression, experimentMencari penyebab, bukan hanya pola
Eksperimental”Apakah X menyebabkan Y?”RCT, A/B test, controlled experimentKlaim kausalitas yang kuat
Evaluatif”Apakah solusi ini lebih baik dari yang sebelumnya?”Benchmark, comparative study, user studyPaper yang propose metode baru
Action Research”Bagaimana kita solve masalah nyata ini sekarang?”Iterative design, deploy, measure, adjustIndustri, startup, open source project

Sheet 3 — Dari Ide ke Publikasi: Alur Lengkap

graph TD
    A[OBSERVASI / CURIOSITY] --> B{QUESTION FIRST}
    B --> C[LITERATURE REVIEW]
    C --> D{Apakah sudah ada?}
    D -- Ya --> E[Extend / Refute / Pivot]
    D -- Belum --> F[Gap Ditemukan]
    E --> G[HIPOTESIS]
    F --> G
    G --> H[EXPERIMENTAL DESIGN]
    H --> I[DATA COLLECTION]
    I --> J[ANALYSIS & INTERPRETATION]
    J --> K[WRITE UP - IMRaD]
    K --> L{SUBMIT TO VENUE}
    L -- Reject --> M[Revise berdasarkan Feedback]
    M --> L
    L -- Accept --> N[PUBLISH & REPLICATION]

Format Paper Standar (IMRaD)

  • Abstract: Masalah, metode, hasil (tulis paling terakhir).
  • Introduction: Motivasi (“Why should anyone care?”).
  • Related Work: Bedakan dirimu dari penelitian sebelumnya. Jangan skip bagian ini.
  • Methodology: Detail teknis agar bisa direplikasi orang lain (Reproducibility).
  • Results: Data murni, grafik, dan tabel (tanpa opini).
  • Discussion: Interpretasi, limitasi, dan kejujuran soal kelemahan riset.

Sheet 4 — Research untuk Insinyur IT: Bedanya dengan Sains Murni

Karakteristik CS Research

Dalam Teknik Informatika, “penemuan” sering kali berbentuk artefak (software/hardware) yang bekerja lebih efisien, bukan sekadar teori.

AspekSains MurniEngineering / CS Research
Output UtamaPenjelasan fenomena alamArtefak (Sistem, Algoritma, Tool)
ValidasiEksperimen terkontrolBenchmark, User Study, POC
Venue TopNature, Science, CellUSENIX, IEEE S&P, NeurIPS, OSDI
Open SourceJarang wajibSemakin wajib (Artifact Evaluation)
KecepatanBisa tahunanSiklus Conference 6-12 bulan

Venue Relevan (Security, Systems, & AI)

TierSecuritySystemsAI/ML
A*USENIX Security, IEEE S&PSOSP, OSDI, EuroSysNeurIPS, ICML, ICLR
ARAID, ACSAC, DIMVAATC, FAST, SoCCAAAI, IJCAI, CVPR
LokalINAPR, SemnastekICICICTSI

💡 Strategi & Jebakan

7 Kunci Research (Meta-Skill)

  1. 80/20 Focus: Identifikasi 20% paper yang menghasilkan 80% insight.
  2. Active Recall: Setelah baca paper, tulis ringkasannya tanpa melihat teks.
  3. Feynman Technique: Jika tak bisa jelaskan dengan simpel, kamu belum paham.
  4. Interleaving: Baca paper dari bidang berbeda (misal: Bio vs CS) untuk cari inspirasi.
  5. Deep Work: Riset butuh fokus intens, bukan multitasking.
  6. Question First: Mulai dari pertanyaan, bukan dari tools (Jangan “pake AI buat apa ya?”, tapi “masalah X bisa selesai pakai apa?”).
  7. Spaced Repetition: Review paper penting secara berkala.

Jebakan Mahasiswa IT

  • Code First: Langsung coding sebelum baca literatur (berujung reinvent the wheel).
  • Perfeksionisme: Terlalu lama poles kode hingga tidak pernah submit.
  • Solo Player: Riset sendirian. Kolaborasi jauh lebih cepat dan minim bias.

Metadata

Graph View

Backlinks