10 — Provenance Data, Kualitas Label, dan Etika Penelitian
Tujuan: Menjelaskan cara mengungkapkan asal-usul data secara jujur (primer/sekunder/sintesis), menilai kualitas label/ground truth, serta memenuhi kaidah etika—agar klaim skripsi tidak menyesatkan dan dapat diaudit.
Poin checklist terkait:
- Sumber data disebut lengkap (nama, pemilik, URL/DOI, tahun, lisensi)
- Jenis data: primer / sekunder / sintesis — diungkapkan apa adanya
- Label/target: cara anotasi, sumber truth, kualitas label
- Izin penggunaan data / informed consent / anonymisasi
- Etika penelitian untuk data sensitif
Lihat Checklist Metodologi Penelitian ML-DS.
Materi sebelumnya: 09 — Uji statistik · Materi berikutnya: 11 — Populasi, sampel & sampling
Dari desain eksperimen ke fondasi data
Materi 01–09 mengunci jenis penelitian, kriteria sukses, partisi, anti-leakage, baseline, tuning, metrik, dan uji beda. Mulai materi ini, fokus bergeser ke bahan baku klaim: dari mana data berasal, seberapa dapat dipercaya labelnya, dan apakah penggunaannya etis. Tanpa fondasi itu, protokol eksperimen yang rapi tetap goyah di sidang — penguji akan bertanya apakah angka kinerja berbicara tentang fenomena nyata atau hanya tentang artefak dataset.
Provenance: cerita asal data yang dapat diaudit
Provenance bukan formalitas sitasi. Ia menjawab: siapa yang mengumpulkan, kapan, dengan izin apa, dan versi mana yang Anda pakai? Tanpa jawaban itu, reproduksi dan audit keaslian hampir mustahil.
Minimal yang harus muncul di BAB III atau lampiran:
| Elemen | Contoh isi |
|---|---|
| Nama dataset / sistem sumber | MIMIC-IV, Kaggle X, rekam SIAKAD |
| Pemilik / penyedia | PhysioNet, lembaga, rumah sakit |
| Cara akses | URL, DOI, API, izin internal |
| Tahun / periode | 2019–2023 |
| Lisensi / syarat pakai | CC-BY, research-only, NDA |
| Versi / tanggal unduh | v2.2, diunduh 2026-01-10 |
Jika data diunduh ulang di tanggal berbeda dan skema berubah, versi yang tidak dicatat akan membuat tabel hasil sulit dilacak. Untuk dataset publik, sitasi paper dataset (jika ada) dan datasheet/kartu dataset memperkuat jejak ilmiah.
Primer, sekunder, atau sintesis — sebut apa adanya
| Jenis | Arti | Implikasi klaim |
|---|---|---|
| Primer | Dikumpulkan peneliti untuk riset ini | Kontrol protokol tinggi; sebut instrumen, sampling, etika |
| Sekunder | Sudah ada untuk tujuan lain, dipakai ulang | Batasi generalisasi; hormati lisensi dan de-identifikasi |
| Sintesis | Dibuat/simulasikan (generator, simulasi, augmentasi total) | Cocok untuk klaim metodologis/algoritmik; jangan diklaim sebagai populasi klinis nyata |
Batasannya praktis. Data sekunder rumah sakit yang sudah de-identifikasi tetap data manusia — bukan “bebas klaim klinis”, tetapi juga bukan bebas etika. Data sintesis boleh sangat berguna untuk menguji pipeline, tetapi kalimat di abstrak yang berbunyi seolah studi pasien nyata akan dinilai menyesatkan.
Contoh kejujuran yang diharapkan:
Penelitian memakai data sekunder dari [sumber, lisensi, tahun]. Data ini bukan rekam medis primer dari fasilitas X. Klaim dibatasi pada kinerja algoritma pada distribusi dataset tersebut, bukan validasi klinis operasional.
Red flag serius: menyebut “pasien rumah sakit” atau “diagnosis klinis” tanpa disclosure bahwa data bersifat sintesis atau benchmark publik.
Kualitas label: model hanya sebaik target yang dipelajari
Banyak kegagalan “model jelek” ternyata bermula dari label yang kabur. Tuliskan definisi operasional target: apa yang disebut positif, pada horizon waktu apa, menurut aturan siapa.
Jelaskan juga mekanisme anotasi. Label dari pakar dengan pedoman tertulis berbeda bobotnya dari label otomatis berbasis aturan SQL, self-report mahasiswa, atau kode diagnosis administratif. Jika ada multi-annotator, laporkan kesepakatan (Cohen’s \(\kappa\) atau persen agreement) dan cara menyelesaikan konflik. Label ragu sebaiknya punya kebijakan: dibuang, diberi kelas khusus, atau dianalisis sensitivitas.
Sumber error yang sering tersembunyi:
| Sumber | Dampak tipikal |
|---|---|
| Noise anotasi | Metrik atas terbatas; model belajar kesalahan manusia |
| Label proxy | Memprediksi proksi, bukan konstruk yang diklaim di judul |
| Label bocor dari fitur | Target leakage — lihat 04 |
| Kelas jarang + anotasi mahal | Minoritas kurang terwakili — lihat 08 |
Jika kualitas label lemah, turunkan klaim. “Skrining awal pada label administratif” jauh lebih dapat dibela daripada “diagnosis definitif”.
Etika, izin, dan privasi
Pertanyaan praktis sebelum eksperimen utama:
- Apakah data mengandung identitas atau atribut sensitif (kesehatan, biometrik, keuangan, anak)?
- Apakah perlu informed consent, ethical clearance, atau izin institusi?
- Apakah data sudah dianonimisasi/de-identifikasi sebelum analisis?
- Apakah lisensi mengizinkan riset dan publikasi naskah/kode?
- Bisakah tabel atau contoh di skripsi dipakai untuk re-identifikasi?
Prinsip yang biasanya cukup untuk skripsi S1: minimasi data (jangan simpan identitas jika tidak perlu), pisahkan raw identifiable dari data analisis, dan jangan mengunggah data terlarang ke repositori publik. Untuk data sensitif, deskripsikan perlindungan di BAB III — bukan sekadar menulis “data rahasia”.
Scraping atau pengambilan dari platform digital menambah lapisan lain: syarat layanan, hak cipta, dan risiko dual-use. Jika relevan, sebut batasan itu secara eksplisit.
Clearance formal tidak selalu diminta setiap prodi, tetapi ketidakjelasan etika tetap risiko sidang. Lebih aman over-disclose secara proporsional daripada mengaburkan sumber.
Backup dan jejak versi
Simpan data mentah (sesuai izin) terpisah dari data olahan. Catat rantai versi: raw → cleaned → features → splits. Jangan menimpa raw dengan hasil cleaning. Jejak ini mendukung reproduktibilitas dan memudahkan audit jika penguji meminta menelusuri mengapa \(N\) berubah di tengah jalan — topik yang dilanjutkan di 11.
Template gabungan BAB III
Data yang digunakan bersifat [primer/sekunder/sintesis] berasal dari [nama sumber, pemilik, tahun, lisensi/URL]. Unit analisis adalah …. Label [nama target] diperoleh melalui [prosedur anotasi / kode / self-report], dengan batasan kualitas …. Data sensitif ditangani dengan [anonymisasi / izin / clearance]. Klaim generalisasi dibatasi pada ….
Yang sering bermasalah di sidang
- Sumber hanya “dari internet/Kaggle” tanpa identitas dataset.
- Klaim klinis/operasional pada data sintesis tanpa disclosure.
- Cara label dibuat tidak dijelaskan.
- Lisensi dan privasi diabaikan.
- Raw dan olahan tercampur tanpa versi.
Data yang dapat dibela ilmiah punya asal yang jelas, jenis yang diungkapkan jujur, label yang terdefinisi, dan perlakuan etika yang sebanding dengan risikonya. Setelah provenance terkunci, langkah berikutnya adalah menjelaskan populasi, sampel, dan teknik sampling — agar \(N\) di naskah bukan angka yang muncul tiba-tiba.