UTS Metodologi dan Penulisan Ilmiah 2026

Soal text

Transkripsi dicocokkan dengan 3 halaman naskah asli.

Redaksi dirapikan untuk dibaca. Data, pilihan jawaban, dan subsoal mengikuti naskah; diagram dijelaskan dalam teks atau tabel.

UTS Metodologi Penelitian dan Penulisan Ilmiah 2025/2026

Jumat, 10 April 2026 · 08.00–09.40 WIB (100 menit) · Buku tertutup. Tuliskan NIM, nama, tanda tangan pada setiap folio. Jawab pada folio yang disediakan; dilarang bekerja sama.

1. Pilar penelitian (30%)

Mengapa originality, contribution, novelty dianggap tiga pilar penting penelitian ilmiah? Bedakan ketiganya, jelaskan peran dalam kualitas penelitian, dan beri contoh masing-masing.

2. Literature review (15%)

Jelaskan literature review. Berikan minimal tiga contoh sumber not-eligible untuk literature review.

3. Latihan literature review (40%)

Perhatikan enam potongan artikel berikut. Buat paragraf/kalimat literature review topik terkait untuk empat kategori compare, contrast, critisize, synthesize. Tuliskan kategori dan sitasi APA dalam bahasa Indonesia. Bebas memilih judul dan jumlah artikel untuk tiap kategori.

Explainable artificial intelligence (XAI) in deep learning-based medical image analysis

Bas H.M. van der Velden; Hugo J. Kuijf; Kenneth G.A. Gilhuijs; Max A. Viergever. Medical Image Analysis, Vol.79, July2022, 102470. “With an increase in deep learning-based methods, the call for explainability of such methods grows, especially in high-stakes decision making areas such as medical image analysis… Papers on XAI techniques… are surveyed and categorized according to the framework.”

Strategic innovations and future directions in deep learning for engineering applications: a systematic literature review

Arianna G. Tobias; Javeed Kittur. Frontiers Education, Vol.10, 12August2025, pp.1–14. “A systematic literature review (SLR) was conducted… narrowing the selection to 101 relevant studies… The analysis revealed DL’s significant impact… However, research gaps remain in scalability, model interpretability, and real-world implementation.”

An Introduction to Neural Information Retrieval

Bhaskar Mitra; Nick Craswell. Foundations and Trends in Information Retrieval, Vol.13, No.1, 23December2018, pp.1–126. “Traditional learning to rank models employ machine learning techniques over hand-crafted IR features. By contrast, neural models learn representations of language from raw text that can bridge the gap between query and document vocabulary.”

Requirements Engineering: A Good Practice Guide

Ian Sommerville; Pete Sawyer. John Wiley & Sons; Chichester, UK; May1997; 416 pages. “Requirements engineering is concerned with identifying the purpose of a software system and the contexts in which it will be used. It involves activities such as elicitation, analysis, specification, and validation to ensure that the system meets stakeholders’ needs.”

A Systematic Literature Review of Requirements Engineering for Self-Adaptive Systems

Slamet Sucipto; Romi Satria Wahono. Journal of Software Engineering, Vol.1, No.1, April2015, pp.17–27. “Although various studies have explored requirements engineering for self-adaptive systems, there is a lack of systematic categorization and evaluation of these approaches. Such systems must operate under dynamic environments, requiring requirements to be continuously updated at runtime.”

Self-Adaptive Systems: A Systematic Literature Review Across Categories and Domains

Terence Wong; Markus Wagner; Christoph Treude. Information and Software Technology, Vol.148, August2022, 106934. “Developing AI/ML systems introduces engineering challenges that differ from traditional software systems. These systems are inherently data-driven, making their behavior less predictable and requiring new practices such as continuous evaluation and monitoring.”

4. Experimental research (15%)

Penelitian informatika mengevaluasi efektivitas algoritma untuk meningkatkan akurasi klasifikasi, membandingkan beberapa algoritma dan mengukur kinerja berdasarkan metrik tertentu. a. Tentukan variabel independent, dependent dalam desain penelitian. b. Jelaskan pentingnya kontrol confounding variable. c. Mengapa experimental research lebih tepat daripada survey atau case study pada kasus ini?

Lihat naskah asli ↗

1. Tiga pilar penelitian

Originality berarti pekerjaan merupakan hasil pemikiran dan pelaksanaan peneliti sendiri, bukan plagiasi; contoh merancang dan menjalankan evaluasi sendiri dengan mengutip metode asal. Novelty adalah unsur baru relatif terhadap pengetahuan terdahulu; contoh penerapan metode pada domain yang belum diteliti, jika review mendukung klaim itu. Contribution adalah nilai tambah yang diberikan, misalnya dataset berlabel dan bukti evaluasi yang dapat digunakan peneliti lain. Karya dapat orisinal tetapi memiliki novelty kecil; kebaruan saja juga tidak menjamin kontribusi yang berguna.

2. Literature review dan sumber

Literature review adalah pencarian, pemilihan, analisis dan sintesis sumber relevan untuk memetakan apa yang diketahui, perbedaan dan gap. Contoh sumber yang lazim tidak memenuhi protokol ilmiah: blog anonim tanpa rujukan, materi promosi tanpa metode, dan unggahan media sosial tanpa data terverifikasi. Kelayakan ditentukan kriteria studi; grey literature dapat disertakan bila relevan dan dinilai secara eksplisit.

3. Compare, contrast, criticize, synthesize

Menggunakan informasi yang tersedia dalam cuplikan:

Compare: van der Velden et al. (2022) dan Tobias dan Kittur (2025) sama-sama menyoroti perlunya interpretabilitas dalam penerapan deep learning.

Contrast: Menurut Mitra dan Craswell (2018), learning to rank tradisional memakai fitur IR yang dirancang, sedangkan model neural mempelajari representasi dari teks mentah.

Criticize: Cuplikan Tobias dan Kittur (2025) menyebut 101 studi dan gap implementasi, tetapi cuplikan tidak memuat rincian pencarian atau penilaian kualitas; metode lengkap perlu diperiksa sebelum menilai ketangguhan review. Keterbatasan cuplikan bukan bukti cacat artikel.

Synthesize: Sommerville dan Sawyer (1997) menjelaskan elisitasi hingga validasi kebutuhan; Sucipto dan Wahono (2015) menambahkan tantangan pembaruan kebutuhan saat runtime untuk sistem adaptif. Bersama, keduanya menunjukkan bahwa rekayasa kebutuhan perlu mencakup proses awal sekaligus perubahan saat sistem berjalan.

4. Desain eksperimen

a. Variabel independen: algoritma klasifikasi yang dipilih. Variabel dependen: akurasi pada data uji; dapat ditambah F1 jika kelas tidak seimbang.

b. Kontrol confounder seperti dataset, pembagian train/test, preprocessing, anggaran tuning dan metrik, karena perbedaan faktor tersebut dapat disalahartikan sebagai efek algoritma. Gunakan pembagian sama, cegah kebocoran data dan ulangi beberapa seed.

c. Eksperimen memungkinkan perubahan algoritma secara terkontrol dan perbandingan kinerja kuantitatif. Survei tepat untuk persepsi, studi kasus untuk pemahaman konteks mendalam; keduanya sendiri kurang langsung mengisolasi dampak algoritma pada akurasi.