Dalam melakukan penelitian seringkali kita mengalami kebingungan yang mengakibatkan penelitian kita menjadi melebar, tak tentu arah, got stuck, dan akhirnya memakan waktu yang berlarut-larut, sementara waktu kita terbatas untuk melakukan penelitian. teman kita ada yg sudah dinyatakan layak sidang dan lulus sidang dengan nilai A, dan tinggal menunggu wisuda. Tapi tenang anda tidak sendiri, saya juga demikian awalnya setelah seminar 1 dan ingin seminar 2 saya masih bingung dengan topik dan masalah penelitian saya. Hingga akhrinya saya menemukan artikel dari Bapak Romi Satria Wahono, yang berjudul tahapan memulai penelitian untuk mahasiswa galau. artikel tersebut saya baca dengan seksama dan jleeb banget buat saya. akhirnya saya ringkas menjadi beberapa langkah berikut.

  1. Tentukan research field, contoh : bidang software engineering, Data Mining, Computational Intelligence, IT Governance, IT Service Management, IT Risk, IT Security
  2. Tentukan topic penelitian melalui baca buku, paper, artikel yang berjudul atau dengan keyword “research trends on….”, “research challenge on….”,”research topics on….”.

Contoh : setelah membaca dari IEEE dan diperkuat  dengan tulisan a dan b maka saya memutuskan untuk mengambil topic penelitian “software defect/fault prediction”.

  1. Menentukan masalah penelitian. Bagaimana caranya ?
    1. Membaca paper dan jurnal ilmiah, mulai dari paper yang sifatnya review paper baru dilanjutkan yang sifatnya technical paper
    2. Searching dengan keyword “systematic literature review on…..”, “Research Problem on…..”.contoh : Hall et al., A Systematic Literature Review on Fault Prediction Performance in Software Engineering, IEEE Transaction on Software Engineering, Vol. 38 No 6 (2012). Usahakan konsentrasi ke paper yang diterbitkan dalam jurnal yang diindex oleh ISI(thomson) atau SCOPUS (elsevier), supaya tidak pusing dengan paper yang asal-asalan
    3. Masalah penelitian juga bisa ditemukan di bagian future work/research yang biasanya diletakan sebelum conclusion dari paper. Masalah penelitian bisa masalah baru yang orang belum pernah memecahkan atau masalah yang sudah bisa dipecahkan dengan cara org tersebut, dan kita ingin memecahkan dengan cara kita.

Contoh :

  • Bidang garapan (research field) : Software Engineering
  • Topik/tema penelitian : prediksi cacat software (software defect/fault prediction)
  • Dari hasil studi literature (review atau technical paper), masalah penelitian yang diangkat ada dua yaitu noisy attributes dan class imbalance pada data set yang menyebabkan akurasi dan konsistensi (kehandalan) yang rendah pada prediksi cacat software.
  • Susun landasan referensi yang memperkuat masalah penelitian yang diangkat. Lalu buat rangkuman masalah penelitian (research problem) dan literature yang mendukung.

Mapping Research Problem & Literature Table.

Research Problem (RP) Literature Supports
RP 1 Poor accuracy of classifiers due to the noisy attribute predictors of data sets There are noisy data points in the software….(Gray, et al, 2011)
Noisy and Irrelevant Features….(Gayatri et al, 2010)
The Performances of software defect….irrelevant and redundant… (Wang et al, 2011)
The Software defect…the dataset contains noisy attributes (Kim et al, 2011)
RP 2 Low Reliablility of classifiers due to the class imbalance of data sets Software…have an imbalance nature..(Tosun et al, 2010)
Imbalance…is not practical….(Liu et al, 2011)
Class imbalance will reduce or boost (Gray et al, 2011)
  1. Rangkumkan metode-metode yang ada (state of the art method)
    1. Lakukan studi literature lebih banyak lagi.
    2. Pahami metode terkini yang mereka gunakan untuk memecahkan masalah penelitian yang juga menjadi masalah penelitian kita.
  2. Tentukan metode yang kita usulkan (proposed method)
    1. Kita harus bisa menentukan, membangun dan mengusulkan suatu metode/model yang kita harapkan bisa lebih baik bila dibandingkan dengan metode-metode yang ada saat ini.
    2. Keunggulan metode harus ada landasannya, dibuktikan secara empiris lewat hasil eksperimen dan perbandingan metode yang ada saat ini.
    3. Metode atau model yang kita usulkan tidak harus benar-benar baru bisa saja penggabungan beberapa metode saat ini (state of the art), lalu kemudian kita menambahkan sesuatu (bisa algoritma, koefisien, fungsi) yang akhirnya ketika dibandingan dengan metode yang original, ternyata metode kita lebih baik, cepat, akurat, efisien, konsisten, dsb. Nah penambahan inilah yang membuat pemecahan masalah menjadi lebih baik dan berkontribusi dalam penelitian.
    4. Kita perlu menyusun Research Question (RQ)/pertanyaan penelitian dan Research Objective (RO)/ tujuan penelitian dari penelitian kita. Penelitan yang baik dan terencana harus tersusun sejak awal dan mempunyai hubungan antar RP – RQ – RO. Contoh : Dari research problem (RP) di tahap sebelumnya , untuk masalah noisy attributes saya mencoba menjawab dengan mencari “metode (algoritma) attribute weigthing apa yang paling baik untuk prediksi cacat software ?”. setelah membandingkan secara empiris maka saya akan memilih satu algoritma yang paling baik. Kemudian usulkan improvementnya dengan menjawab “Bagaimana pengaruh metode weighting yang saya usulkan pada tingkat akurasi pada prediksi cacat software ?”. Kemudian untuk Research Objectivenya (RO) / Tujuan Penelitian akan menyesuaikan dari RQ yang ada. Untuk RP 2 secara umum mirip. Jadi dapat disimpulkan bahwa relasi antara RP-RQ-RO terbagi menjadi dua masalah penelitian (RP 1 dan RP 2), empat Research Question (RQ1 – RQ4) dan empat research objective (RO1 – RO4).
Research Problem (RP) Research Question (RQ) Research Objective (RO)
RP1 Poor accuracy of classifiers due to the noisy attribute predictors of data sets RQ1 metode (algoritma) attribute weigthing apa yang paling baik untuk prediksi cacat software ? RO1 Untuk mengidentifikasi metode weighting atribut terbaik dalam meningkatkan akurasi pada prediksi cacat software
RQ2 Bagaimana pengaruh metode weighting yang saya usulkan pada tingkat akurasi pada prediksi cacat software ? RO2 Untuk mengembangkan sebuah usulan metode weighting atribut untuk meningkatkan akurasi pada prediksi cacat software
RP2 Low Reliablility of classifiers due to the class imbalance of data sets RQ3 Metode boosting manakah yang terbaik ketika melakukan perbaikan kehandalan pada prediksi cacat software ? RO3 Untuk mengidentifikasi metode boosting terbaik untuk melakukan perbaikan pada prediksi cacat software
RQ4 Bagaimana metode boosting yang saya usulkan mempengaruhi kehandalan pada prediksi cacat software ? RO4 Untuk mengembangkan metode boosting yang saya usulkan dalam meningkatkan kehandalan pada prediksi cacat software
  1. Kesimpulan

Dilihat dari 5 tahapan memulai penelitian di atas, kita harus banyak baca paper. Di mana sumber literatur yang baik ? Pertama coba ke google dan google scholar dulu. Untuk bidang komputer, berlangganan ACM plus dengan digital library yang berisi jutaan paper hanya 18USD/tahun. Terus, kira-kira berapa paper yang harus kita baca untuk menghasilkan penelitian yang baik ? Patokan umum dan best practice untuk melakukan penelitian yang benar, lurus dan berkualitas, untuk level s1 kita paling tidak harus baca 20-70 paper, untuk level s2 kita sebaiknya membaca 70-200 paper, dan untuk level s3 diperlukan literatur sekitar 200-600 paper. Ini juga sekaligus menjawab pertanyaan mahasiswa/researcher yang sering ngeluh, banyak baca paper kok malah tambah pusing? Silakan ikuti best practice ini, maka kepala akan nyaman. Kepala jadi pusing ternyata bukan karena kita banyak membaca, tapi karena yang kita baca memang “belum banyak” 🙂

Terima Kasih untuk artikel dari Pak Romi Satria Wahono

Iklan