01 — Jenis Penelitian dalam Data Science / Machine Learning
Tujuan: Membantu mahasiswa menetapkan jenis penelitian secara eksplisit di BAB III, agar desain eksperimen, klaim, dan kriteria evaluasi selaras.
Poin checklist terkait:
- Jenis penelitian ditetapkan (eksperimen komputasi / komparatif / prediktif / deskriptif-analitik)
Lihat Checklist Metodologi Penelitian ML-DS.
Materi berikutnya: 02 — Hipotesis / kriteria keberhasilan.
Mengapa jenis harus ditetapkan?
“Membangun model” saja belum cukup sebagai desain penelitian. Jenis penelitian menentukan rumusan masalah yang sah, unit analisis, protokol eksperimen (perlu baseline? perlu uji statistik?), metrik dan kriteria sukses, serta klaim di kesimpulan. “Model A unggul”, “sistem siap produksi”, dan “pola X ditemukan” adalah klaim berbeda; tanpa jenis yang jelas, naskah sering mencampur semuanya — seolah riset prediktif klinis, padahal isinya komparasi algoritma pada dataset publik.
Keempat jenis di bawah boleh digabung, tetapi satu harus menjadi inti (primary design). Yang lain disebut sebagai sifat tambahan.
Empat jenis yang lazim di skripsi DS/ML
Eksperimen komputasi menguji prosedur, algoritma, atau pipeline di lingkungan terkontrol yang dapat diulang. Ada variabel yang dimanipulasi (algoritma, hyperparameter, preprocessing, sampling), protokol tetap (split, seed, metrik, lingkungan), dan fokus pada perilaku sistem komputasi — bukan survei lapangan. Contoh: apakah SMOTE on-train meningkatkan F1 kelas minoritas? Apakah nested CV mengubah ranking dibanding hold-out tunggal? BAB III wajib memuat bahan, alat (versi library), prosedur, parameter yang dikontrol, serta metrik dan kriteria keputusan. Menjalankan satu model lalu melaporkan akurasi tanpa protokol atau pertanyaan yang diuji belum termasuk eksperimen komputasi.
Penelitian komparatif membandingkan dua atau lebih pendekatan pada kondisi adil, lalu menyimpulkan mana yang lebih baik menurut kriteria yang dikunci di muka. Idealnya ada baseline; data, preprocessing, split, dan metrik disamakan; aturan “terbaik” eksplisit; sering dilengkapi uji statistik. Contoh: SVM vs Random Forest vs XGBoost pada dataset X; dengan vs tanpa feature selection. Jangan membandingkan model dengan preprocessing berbeda tanpa alasan lalu mengklaim algoritma A lebih bagus — itu perbandingan tidak adil (05).
Penelitian prediktif membangun model untuk memprediksi target pada data baru; klaim utama adalah kemampuan generalisasi. Ada label jelas, partisi yang adil, dan interpretasi yang proporsional terhadap kualitas data. Contoh: prediksi attrition mahasiswa; regresi permintaan harian dengan ambang error. Tegaskan target dan horizon waktu, metrik yang cocok (imbalance → jangan andalkan accuracy saja), dan populasi mana yang diwakili data. Mengklaim “siap klinis/operasional” dari satu dataset kecil tanpa validasi eksternal melebihi bukti.
Penelitian deskriptif-analitik mengungkap pola, struktur, atau hubungan tanpa klaim prediksi operasional sebagai tujuan utama. Pertanyaannya berbentuk apa yang terjadi / apa polanya. Tekniknya bisa EDA, clustering, association, atau model untuk interpretasi. Keberhasilan diukur dari kejelasan temuan dan validitas analisis, bukan leaderboard prediksi. Contoh: segmen pelanggan RFM; korelasi fitur dengan kelulusan tepat waktu. Wajib ada definisi objek, alasan teknik, dan cara menafsirkan — bukan dump grafik. Menjalankan clustering lalu menyimpulkan “sistem rekomendasi akurat” tanpa evaluasi yang memadai adalah lompatan klaim.
Memilih dan mengombinasikan
Klaim utama skripsi?
├─ Efek prosedur/teknik pada pipeline → eksperimen komputasi
├─ Metode mana lebih baik pada kasus sama → komparatif (± eksperimen)
├─ Model memprediksi target data baru → prediktif
└─ Pola/struktur/hubungan dalam data → deskriptif-analitik
| Kombinasi | Contoh formulasi |
|---|---|
| Komparatif + eksperimen | Tiga algoritma, protokol anti-leakage sama |
| Prediktif + komparatif | Prediksi churn + banding kandidat |
| Deskriptif + prediktif | Segmentasi dulu, prediksi per segmen |
| Eksperimen murni | Dampak teknik imbalance pada metrik minoritas |
Penelitian ini merupakan eksperimen komputasi bersifat komparatif untuk mengevaluasi kinerja tiga algoritma klasifikasi pada prediksi risiko X.
| Judul (ringkas) | Jenis inti | Catatan |
|---|---|---|
| Perbandingan SVM, RF, XGBoost untuk Y | Komparatif (+ eksperimen) | Kunci metrik + uji beda |
| Prediksi attrition dengan Random Forest | Prediktif | Baseline; jaga leakage |
| Segmentasi pelanggan K-Means | Deskriptif-analitik | Validasi cluster + interpretasi |
| Pengaruh SMOTE terhadap F1 | Eksperimen komputasi | Perlakuan = SMOTE vs kontrol |
| Deteksi pneumonia CNN | Prediktif (+ eksperimen) | Jangan klaim diagnostik berlebih |
Template BAB III
Jenis penelitian
Penelitian ini merupakan [eksperimen komputasi / komparatif / prediktif /
deskriptif-analitik], dengan fokus pada [klaim utama].
Unit analisis
Unit analisis adalah [baris / pasien / transaksi / citra / dokumen],
setelah kriteria inklusi–eksklusi.
Variabel
- Dependen (target): …
- Independen (fitur): …
Kriteria keberhasilan
Dinyatakan berhasil jika [metrik utama] mencapai [ambang]
dan/atau unggul terhadap [baseline] menurut [aturan] — detail di materi 02.
Sebelum seminar proposal
Yang sering bermasalah
- Jenis tidak disebut — BAB III langsung ke “Python dan sklearn”.
- Klaim bercampur — komparatif di metode, uji klinis di kesimpulan.
- Komparatif tanpa baseline.
- Prediktif tanpa protokol generalisasi.
- Deskriptif dipaksa jadi prediktif.
Tetapkan jenis agar pertanyaan, protokol, metrik, dan klaim satu jalur. Langkah berikutnya mengunci apa yang diuji atau ambang “berhasil” sebelum melihat hasil — 02.