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
-
- Klasifikasi: accuracy, precision, recall, F1, ROC-AUC, PR-AUC, specificity, dll.
- Regresi: MAE, RMSE, MAPE, R², dll.
- Ranking/rekomendasi/clustering: metrik sesuai task
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
- Data leakage — scaling, SMOTE, feature selection, atau imputasi memakai seluruh data sebelum split (04).
- Test set dipakai berkali-kali untuk memilih model → overfitting ke test (03, 06).
- Tidak ada baseline — klaim “bagus” tanpa pembanding sederhana/prior art (05).
- Metrik tidak cocok — accuracy pada data sangat imbalance (07, 08).
- Provenance data samar — sumber, lisensi, atau sifat sintesis tidak diungkapkan (10).
- Novelty dilebih-lebihkan — hanya ganti algoritma tanpa gap yang jelas.
- Hasil tanpa pembahasan — tabel metrik disalin tanpa interpretasi dan limitasi (18, 19).
- 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.mdmd-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.