Skip to main content

Checklist Metodologi Penelitian ML-DS

Checklist Tahapan Penelitian Machine Learning / Data Science

Tujuan: Acuan mahasiswa dan pembimbing agar metodologi DS/ML dikerjakan lengkap, berurutan, dan dapat dibela di sidang.
Cakupan: proposal → pelaksanaan eksperimen → penulisan hasil (BAB IV–V).

Centang - [ ] hanya jika bukti tahap itu sudah ada — dokumen, notebook, tabel, atau gambar. Materi penjelasan bernomor (01–19) di folder yang sama memperdalam setiap poin yang bertaut.


Ringkasan alur

No Tahap Output utama Materi terkait
0 Orientasi & kelayakan Judul, RQ, ruang lingkup, kelayakan data —
1 Formulasi masalah Problem statement, tujuan, hipotesis/pertanyaan 02
2 Kajian pustaka Gap, landasan teori, state-of-the-art —
3 Desain penelitian Desain eksperimen, variabel, metrik, kriteria sukses 01–09
4 Pengumpulan data Dataset + provenance + etika 10–11
5 Pemahaman data (EDA) Profil data, distribusi, isu kualitas —
6 Persiapan data Pipeline preprocessing tanpa leakage 12–15, 04
7 Rekayasa & seleksi fitur Fitur final + justifikasi 16–17
8 Pemodelan Baseline + kandidat + tuning 05–06, 08
9 Evaluasi Metrik, uji statistik, error analysis 07, 09, 18
10 Interpretasi & diskusi Temuan vs literatur + limitasi 19
11 Dokumentasi & reproduktibilitas Kode, seed, versi, artefak —
12 (Opsional) Deployment Prototype, API, demo, paket model —

Urutan preprocessing yang disarankan di naskah dan kode:

cleaning → missing → encoding → feature engineering → (opsional) selection → scaling → model

Scaling dihitung pada kolom numerik final; FE domain (rasio, flag) boleh sebagian lebih awal, asalkan statistik evaluasi tidak bocor.


0. Orientasi & kelayakan topik

Sebelum menulis BAB I panjang, pastikan topik layak dikerjakan dalam waktu skripsi.

Output: judul kerja + 1 halaman ringkasan kelayakan.


1. Formulasi masalah penelitian

Output: draf BAB I (latar, rumusan, tujuan, manfaat, batasan).


2. Kajian pustaka & landasan teori

Output: BAB II + tabel keaslian.


3. Desain penelitian & protokol eksperimen

Bagagian ini mengunci apa yang diuji dan dengan aturan apa sebelum data diolah besar-besaran. Detail di materi 01–09.

3.1 Desain umum

3.2 Protokol eksperimen

Output: BAB III lengkap (bahan + alat + prosedur + metrik + kriteria keputusan).


4. Pengumpulan / akuisisi data

Angka kinerja hanya bermakna jika asal data, label, dan etika jelas (10, 11).

Hindari mengklaim data “klinis/nyata” padahal sintesis atau tanpa provenance.

Output: data dictionary + catatan provenance + dataset mentah tersimpan.


5. Pemahaman data (EDA)

EDA bukan galeri screenshot: setiap temuan sebaiknya mengarah ke keputusan preprocessing atau batasan klaim.

Output: laporan EDA (tabel + grafik + ringkasan temuan).


6. Persiapan data

Tahap ini merapikan kualitas data dan menyiapkan representasi numerik dasar. FE domain yang kaya bisa dilanjutkan di tahap 7; scaling final biasanya setelah kolom numerik siap.

Output: dataset siap model (atau siap FE) + skrip/pipeline preprocessing.


7. Rekayasa & seleksi fitur

Output: tabel fitur final + justifikasi.


8. Pemodelan

Output: artefak model + log eksperimen + hyperparameter terbaik.


9. Evaluasi model

9.1 Evaluasi kuantitatif

9.2 Evaluasi kualitatif / diagnostik

Hindari melaporkan accuracy saja pada data imbalance, atau tuning yang memakai test set.

Output: BAB IV bagian hasil (tabel, grafik, temuan kuantitatif).


10. Interpretasi, diskusi, dan kesimpulan

Output: BAB IV pembahasan + BAB V kesimpulan/saran.


11. Dokumentasi, reproduktibilitas, dan integritas

Output: paket reproduksi (kode + dependency + instruksi) + naskah siap uji.


12. (Opsional) Deployment / luaran terapan

Lakukan hanya jika menjadi bagian tujuan atau luaran skripsi.

Output: demo/artefak + dokumentasi pemakaian.


Checklist kilat per tahap naskah

Proposal (siap seminar proposal)

Pelaksanaan penelitian

Skripsi akhir (siap ujian)


Metrik — panduan pemilihan singkat

Jenis masalah Metrik yang biasanya wajib dipertimbangkan
Klasifikasi seimbang Accuracy, F1, ROC-AUC, confusion matrix
Klasifikasi tidak seimbang Precision, Recall, F1, PR-AUC, specificity; jangan andalkan accuracy saja
Regresi MAE, RMSE, R² (dan MAPE jika skala interpretatif penting)
Ranking / rekomendasi Precision@K, Recall@K, MAP, NDCG
Clustering Silhouette, DBI, ARI/NMI (jika ada label acuan)
Forecasting MAE/RMSE + protokol time-based split wajib

Uraian memilih dan mengunci metrik: 07.


Kesalahan metodologis yang sering muncul

  1. Data leakage — scaling, SMOTE, feature selection, atau imputasi memakai seluruh data sebelum split (04).
  2. Test set dipakai berkali-kali untuk memilih model → overfitting ke test (03, 06).
  3. Tidak ada baseline — klaim “bagus” tanpa pembanding sederhana/prior art (05).
  4. Metrik tidak cocok — accuracy pada data sangat imbalance (07, 08).
  5. Provenance data samar — sumber, lisensi, atau sifat sintesis tidak diungkapkan (10).
  6. Novelty dilebih-lebihkan — hanya ganti algoritma tanpa gap yang jelas.
  7. Hasil tanpa pembahasan — tabel metrik disalin tanpa interpretasi dan limitasi (18, 19).
  8. Eksperimen tidak dapat diulang — seed, versi library, dan langkah preprocessing tidak dicatat.

Kerangka yang diadopsi

Checklist ini mensintesiskan CRISP-DM (Business Understanding → Data Understanding → Data Preparation → Modeling → Evaluation → Deployment), protokol eksperimen ML akademik (baseline, anti-leakage, held-out test, error analysis), dan penekanan bimbingan UHB pada keaslian, sitasi, limitasi metodologis, serta reproduktibilitas.

Dokumen terkait di vault bimbingan UHB:

  • md-notes/UHB/Bimbingan/Panduan Bimbingan Skripsi.md
  • md-notes/UHB/Bimbingan/Perbandingan Panduan UHB vs Standar KTI.md

Pakai daftar ini di bimbingan; buka materi bernomor ketika poin perlu penjelasan atau contoh penulisan BAB III/IV.