Kiat Menulis Latar Belakang
Latar belakang masalah penelitian (research
background) adalah bagian pertama dan sangat penting dalam menyusun tulisan
ilmiah, baik dalam bentuk paper atau tesis. Latar belakang masalah penelitian
menjelaskan secara lengkap topik (subject area) penelitian, masalah
penelitian yang kita pilih dan mengapa melakukan penelitian pada topik dan
masalah tersebut (Berndtsson et al., 2008). Sayangnya, tidak banyak mahasiswa
yang berhasil membuat latar belakang masalah penelitian dengan baik, sebagian
karena masalah penelitiannya memang tidak jelas dan mengada-ada, sebagian lagi
karena copy-paste sana sini sehingga alur paragrafnya menjadi kacau, dan
sebagian lagi karena gagal melandasi alasan melakukan penelitian itu (males
baca literatur). Saya coba membuat tulisan ini, khususnya untuk mempermudah
mahasiswa bimbingan saya di bidang komputer (computing), yang sering
galau dalam membuat latar belakang masalah pada tesis mereka .
KIAT 1:. PAHAMI DUA GAYA RESEARCH DI BIDANG COMPUTING
Sebelumnya perlu dipahami bahwa gaya penelitian di
bidang komputer (computing) secara umum terbagi dua yaitu gaya
Computer Science (CS) dan gaya Information Systems
(IS) (Berndtsson et al., 2008). CS memiliki karakteristik penelitian dan
isu berhubungan dengan core technology dan perbaikan metode (method
improvement). Sedangkan penelitian IS lebih cenderung ke arah isu
tentang interaksi teknologi dan sosial, termasuk diantaranya mengukur dan
menganalisa kesuksesan penerapan teknologi dan sistem informasi. Tulisan kali
ini akan lebih cenderung ke alur latar belakang masalah penelitian bergaya
CS, meskipun tetap bisa digunakan untuk penelitian IS.
KIAT 2: MENJAWAB SEMUA PERTANYAAN WHY DI
JUDUL
Latar belakang masalah penelitian akan menjawab semua
pertanyaan MENGAPA (WHY) dari judul penelitian kita. Untuk mempermudah
penjelasan, saya akan gunakan, terjemahkan dan revisi paper penelitian
(Fei et al, 2008) untuk contoh paper yang kita bahas. Karena judul
penelitiannya adalah Prediksi Produksi Padi dengan menggunakan Support
Vector Machine berbasis Particle Swarm Optimization, maka latar belakang
masalah harus bisa menjawab pertanyaan:
1.mengapa padi?
2.mengapa prediksi produksi padi?
3.mengapa support vector machine?
4.mengapa particle swarm optimization?
Bagaimana cara menguraikan jawaban dari pertanyaan 1-4,
akan disajikan dalam contoh latar belakang masalah di bawah.
KIAT 3: POLA ALUR DAN POKOK PIKIRAN PARAGRAF
Kunci dari keberhasilan menyusun latar belakang masalah
penelitian seberapa komprehensif kita merangkumkan penelitian kita. Tulisan
yang baik adalah bahwa dengan hanya membaca latar belakang masalah, orang
langsung bisa memahami, apa yang kita lakukan pada penelitian kita. Untuk
bisa mencapai itu, pokok pikiran seluruh paragraf pada latar belakang masalah
penelitian harus memuat dan mengikuti 6 pola alur berikut. Untuk mempermudah
mengingat, saya biasanya menggunakan singkatan OMKKMASASOLTU.
• obyek penelitian (O)
• metode-metode yang ada (M)
• kelebihan dan kelemahan metode yang ada (KK)
• masalah pada metode yang dipilih (MASA)
• solusi perbaikan metode (SOL)
• rangkuman tujuan penelitian (TU)
Contoh penerapan pola OMKKMASASOLTU ini, akan
cepat dipahami melalui contoh latar belakang masalah yang saya uraikan di
bawah.
KIAT 4: BELAJAR MENULIS DENGAN ATM
Cara paling cepat dan manjur supaya kita mahir menulis
paper ilmiah dan tesis adalah dengan melakukan ATM (Amati-Tiru-Modifikasi).
Banyak baca paper, lihat bagaimana para peneliti menuliskan hasil
penelitian mereka, tiru alurnya tapi tidak nyontek kalimatnya, dan modifikasi
pelan-pelan di tulisan yang kita buat. Jangan lupa memilih paper yang
dipublikasikan di journal yang berkualitas, karena sudah menjadi rule-of-thumb
dalam dunia penelitian bahwa 80-90% paper ilmiah di dunia ini disajikan
dengan buruk. Paling tidak supaya tidak tersesat dalam studi literatur, patokan
paper yang berkualitas adalah masuk di journal yang terindeks oleh
ISI atau SCOPUS, dan memiliki nilai skor yang tinggi untuk penghitungan Journal
Impact Factor, Eigenfactor Score, Scimago Journal Rank, atau Source Normalized
Impact per Paper. Journal ilmiah di Indonesia untuk bidang computing yang masuk
kriteria ini, hanya Telkomnika yang diasuh mas Tole Sutikno cs dari
Universitas Ahmad Dahlan Yogyakarta, karena sudah mulai terindeks oleh SCOPUS.
Sebagai contoh, perhatikan latar belakang masalah pada
tulisan berikut ini. Untuk mempermudah memahami penjelasan, (warna biru) saya berikan untuk memberi
petunjuk bahwa paper tersebut menjawab pertanyaan why di judul sesuai dengan
KIAT 2, dan [warna merah] saya berikan untuk memberi penjelasan bagaimana paragraf
mengikuti alur dan pokok pikiran paragraf yang ada di KIAT 3. Perhatikan juga
bahwa setiap kalimat yang mengandung jawaban dari pertanyaan why atau
berupa klaim dan definisi, harus merujuk atau melakukan sitasi (citation)
ke literatur sebagai landasan dari klaim yang dilakukan. Daftar referensi dari
paper (Fei et al., 2009) tidak saya tampilkan, karena poin penting yang ingin
saya sampaikan adalah masalah bagaimana alur kalimat dan paragrafnya.
Prediksi Produksi Padi dengan menggunakan Support Vector
Machine berbasis Particle Swarm Optimization
Latar Belakang Masalah
Padi adalah komoditas yang penting di china, karena
tingkat produksinya tinggi (FAO Report, 2009) (1. mengapa
padi?). Produksi padi perlu diprediksi dengan akurat, karena
hasil prediksi yang akurat sangat penting untuk membuat kebijakan nasional
(Traill, 2008) (2. mengapa prediksi produksi padi?). [1. obyek penelitian]
Metode prediksi rentet waktu seperti Support Vector
Machine (SVM) (Yongsheng, 2008), Neural Network (NN) (Tseng, 2007) dan Grey
Model (GM) (Wu, 2007) diusulkan oleh banyak peneliti (Huifei, 2009) untuk
prediksi produksi padi. [2. metode-metode yang ada]
NN memiliki kelebihan pada prediksi nonlinear, kuat di parallel
processing dan kemampuan untuk mentoleransi kesalahan, tapi memiliki
kelemahan pada perlunya data training yang besar, over-fitting, lambatnya
konvergensi, dan sifatnya yang local optimum (Rosario, 2007). GM punya
kelebihan di tingginya akurasi prediksi meskipun menggunakan data yang sedikit,
akan tetapi GM memiliki kelemahan pada prediksi data yang sifatnya naik turun
secara fluktuatif seperti pada data produksi padi (Wu, 2007). [3. kelebihan dan kelemahan metode yang ada]
SVM dapat memecahkan masalah NN dan GM, yaitu
over-fitting, lambatnya konvergensi, dan sedikitnya data training (Vapnik,
2005), yang mana ini tepat untuk karakteristik data produksi padi pada
penelitian ini (3. mengapa support vector machine?). Tetapi SVM memiliki kelemahan pada sulitnya pemilihan
parameter SVM yang optimal (Coussement, 2008). [4. masalah
pada metode yang dipilih]
Particle Swarm Optimization (PSO) adalah metode
optimisasi yang terbukti efektif digunakan untuk memecahkan masalah optimisasi
multidimensi dan multiparameter pada pembelajaran pada machine learning seperti
di NN, SVM, dan classifier lain (Brits, 2009) (4. mengapa particle swarm optimization?). [5. solusi perbaikan metode]
Pada penelitian ini PSO akan diterapkan untuk pemilihan
parameter SVM yang sesuai dan optimal, sehingga hasil prediksi lebih akurat. [6. rangkuman tujuan penelitian]
KIAT 5: RUMUSAN MASALAH DAN TUJUAN PENELITIAN
Ketika kita telah berhasil menyusun latar belakang
masalah yang baik seperti di atas, masalah dan tujuan penelitian sudah pasti
dapat kita rangkumkan dengan baik. Di Indonesia masalah penelitian, biasanya
dirangkumkan dalam format identifikasi masalah (problem statement)
dan rumusan masalah (research question). Jadi sebagai
kelanjutan dari latar belakang masalah di atas, kita bisa rangkumkan masalah
dan tujuan penelitian sebagai berikut:
Masalah Penelitian (Problem Statement atau
Research Problem):
SVM dapat memecahkan masalah NN dan
GM, khususnya berhubungan dengan masalah over-fitting, lambatnya
konvergensi, dan sedikitnya data training. Tetapi SVM memiliki kelemahan pada
sulitnya pemilihan parameter yang optimal karena harus dilakukan secara trial
and error, sehingga menyebabkan tingkat akurasi prediksi menjadi rendah
Pertanyaan Penelitian (Research Question):
Seberapa tinggi akurasi metode SVM apabila PSO
diterapkan pada proses pemilihan parameter yang optimal?
Alternatif research question lain yang bisa digunakan
adalah seperti di bawah:
• Bagaimana peningkatan akurasi SVM apabila PSO diterapkan pada
proses pemilihan parameter yang optimal?
• Bagaimana pengaruh penerapan PSO pada pemilihan parameter yang
optimal pada akurasi metode SVM?
Tujuan Penelitian (Research Objective):
Menerapkan PSO untuk pemilihan parameter yang optimal
pada SVM, sehingga dapat meningkatkan akurasi hasil prediksi
KIAT 5 mengakhiri artikel ini, dan saya ucapkan selamat
apabila artikel saya berhasil mengubah anda menjadi mahasiswa
yang tidak galau lagi . Kalaupun tetap masih bingung, atau terlanda
masalah lain dan ingin berdiskusi lebih lanjut, silakan bergabung ke grup
penelitian saya di facebook Intelligent
Systems Research Center. Paper (Fei et al., 2009) juga bisa
didownload di halaman grup tersebut. Khusus untuk mahasiswa yang
merasa masih fakir ilmu, sebelum mengirim pertanyaan, silakan terlebih dulu
mendownload dan membaca semua materi kuliah saya yang tersedia
di halaman Lectures.
Welcome to the jungle!
REFERENSI
1.Christian W. Dawson, Project in Computing and Information
System a Student Guide 2nd Edition, Addison-Wesley, 2009
2.Mikael Berndtsson, Jörgen Hansson, Björn Olsson, Björn Lundell, Thesis
Projects – A Guide for Students in Computer Science and Information System 2nd
Edition, Springer-Verlag London Limited, 2008
3.Sheng-Wei Fei, Yu-Bin Miao and Cheng-Liang Liu, Chinese Grain
Production Forecasting Method Based on Particle Swarm Optimization-based Support
Vector Machine, Recent Patents on Engineering 2009, 3, 8-12
Sumber : http://romisatriawahono.net/2012/06/18/kiat-menyusun-alur-latar-belakang-masalah-penelitian/
Tidak ada komentar:
Posting Komentar