Teknik Menulis Metode Penelitian di Artikel Ilmiah

Leave a Comment / Blog / By

Tujuan bagian Methods adalah membuat studi Anda bisa diaudit dan direplikasi. Fokuskan pada apa yang Anda lakukan, mengapa memilih cara itu, dan bagaimana orang lain dapat mengulangnya, tanpa membahas hasil.

Struktur Inti (Formula Praktis)

Gunakan urutan ini (dan judul subbagian yang konsisten):

  1. Design – jenis studi & rasional
  2. Setting & Participants/Sample – lokasi, waktu, kriteria inklusi–eksklusi, cara dan ukuran sampel
  3. Procedures / Data Collection – langkah pengumpulan data
  4. Measures / Variables / Materials – definisi operasional, instrumen/alat, validitas–reliabilitas
  5. Analysis – teknik analisis (statistik/tematik), asumsi, ukuran efek, perangkat lunak
  6. Quality & Bias Control – kontrol bias, uji sensitivitas/robustness, trustworthiness (qual)
  7. Ethics & Transparency – izin etik/consent, data/code availability, preregistrasi (jika ada)

Acronym cepat: D–S–P–M–A–Q–E

Cara Menulis per Bagian (dengan kalimat contoh)

1) Design

  • Sebut jenis dan alasan pemilihan.
  • Contoh: “Penelitian ini menggunakan desain potong lintang untuk mengestimasi asosiasi X–Y pada populasi klinik primer.”
  • Untuk uji kausal: jelaskan randomisasi, blinding, dan kontrol.

2) Setting & Participants/Sample

  • Lokasi & periode studi; kerangka sampel; kriteria inklusi–eksklusi.
  • Jelaskan cara rekrutmen dan perhitungan ukuran sampel (power/aturan praktis).
  • Contoh: “Sampel minimal 240 ditetapkan (α=0,05; power=0,80; efek diharapkan=0,3).”

3) Procedures / Data Collection

  • Uraikan langkah demi langkah, siapa yang mengumpulkan data, pelatihan enumerator, inter-rater agreement (jika relevan).
  • Cantumkan urutan: pra-uji instrumen → pengumpulan → pengecekan kualitas.

4) Measures / Variables / Materials

  • Definisikan variabel primer/sekunder atau tema (untuk kualitatif).
  • Cantumkan skala/instrumen (contoh: Cronbach’s α, construct validity), kalibrasi alat, atau sumber data sekunder.
  • Hindari istilah kabur; gunakan definisi operasional.

5) Analysis

  • Kuantitatif: sebut uji statistik, asumsi (normalitas, homoskedastisitas, multikolinearitas), ukuran efek (β, OR/RR, Cohen’s d), CI, penanganan missing data, perangkat lunak & versi (R 4.x, Stata 18).
  • Kualitatif: jelaskan pendekatan (thematic/grounded theory/phenomenology), proses coding (open–axial–selective), jumlah koder, inter-coder agreement, member checking, software (NVivo/Atlas.ti).
  • Mixed Methods: jelaskan urutan (QUAL→quan atau quan→QUAL), titik integrasi, dan cara triangulation.

6) Quality & Bias Control

  • Kuantitatif: randomization, allocation concealment, blinding, propensity score, uji sensitivitas.
  • Kualitatif: reflexive memo, audit trail, peer debriefing, thick description.

7) Ethics & Transparency

  • Nomor persetujuan etik, informed consent, perlindungan data.
  • Cantumkan pernyataan ketersediaan data/kode & repositori (jika ada).
  • Nyatakan pendanaan dan conflict of interest secara ringkas.

Template Paragraf (siap isi)

Design. Penelitian ini menggunakan desain [potong lintang/eksperimen/kuasi-eksperimen/kualitatif–thematic/mixed methods tipe …] karena [alasan metodologis].

Setting & Participants. Studi dilaksanakan di [lokasi] pada [periode]. Partisipan direkrut melalui [mekanisme], dengan kriteria inklusi [..] dan eksklusi [..]. Ukuran sampel ditentukan berdasarkan [power analysis/pertimbangan praktis] sebesar [n].

Procedures. Data dikumpulkan melalui [wawancara/kuesioner/observasi/ekstraksi rekam medis] mengikuti protokol [ringkas]. Enumerator menerima pelatihan [..]; inter-rater agreement = [..].

Measures/Variables. Variabel utama adalah [definisi operasional]. Instrumen [nama] menunjukkan reliabilitas [α=..] dan validitas [..].

Analysis. Analisis dilakukan menggunakan [R/Stata/SPSS/NVivo] versi [..]. Untuk data kuantitatif, kami melakukan [regresi/logistik/ANOVA/SEM], melaporkan [ukuran efek, CI, p], serta mengecek [normalitas, multikolinearitas]. Missing data ditangani dengan [MI/complete case]. Untuk data kualitatif, kami menerapkan [thematic analysis] melalui [tahapan], member checking, dan peer debriefing.

Quality & Bias Control. Kami meminimalkan bias melalui [randomisasi/blinding/PSM/reflexive memo/audit trail]. Analisis sensitivitas dilakukan dengan [..].

Ethics. Studi disetujui oleh [Komite Etik] (No. …). Seluruh partisipan memberikan persetujuan tertulis. Data/kode tersedia di [repositori/atas permintaan], sesuai kebijakan jurnal.

Contoh Singkat (dua gaya)

A) Kuantitatif (observasional)

We conducted a cross-sectional study at three primary care clinics (Jan–Mar 2025). Adults (≥18) with hypertension were recruited consecutively; exclusions: pregnancy, cognitive impairment. Sample size (n=260) was powered to detect OR=1.8 (α=0.05, 1–β=0.80). Adherence (Morisky-8) served as the primary outcome (α=0.83). Covariates included age, sex, comorbidities, and visit frequency. We used multivariable logistic regression with robust SEs, reported ORs and 95% CIs, checked multicollinearity (VIF<5), and handled missingness via multiple imputation (m=20) in R 4.3.

B) Kualitatif (thematic)

We employed a descriptive qualitative design at an emergency department (Feb–Apr 2025). Purposive sampling targeted nurses using AI-assisted triage (n=24) with variation in shift and tenure. Semi-structured interviews (45–60 min) followed a piloted guide. Audio was transcribed verbatim; two coders independently conducted inductive thematic analysis in NVivo 14, meeting to consolidate codes and resolve discrepancies; intercoder agreement κ=0.79. Credibility was enhanced through member checking and audit trail. Ethics approval: [No. …].

Spesifik untuk Studi Komputasional/AI (mis. deep learning)

Tambahkan subbagian berikut agar reproducible:

  • Dataset & Split: nama dataset, lisensi, train/val/test split, kriteria eksklusi.
  • Preprocessing: normalisasi, augmentasi, patching, resolusi.
  • Arsitektur & Hiperparameter: detail layer, loss, optimizer, LR schedule, batch size, seed.
  • Lingkungan Komputasi: GPU/CPU, RAM, versi CUDA/cuDNN, library (PyTorch/TensorFlow).
  • Evaluasi: metrik (Dice, IoU, AUC), interval kepercayaan/bootstrapping, baseline & ablation study.
  • Ketersediaan Kode/Model: tautan repositori, commit hash, requirements.txt.

Kalimat contoh:
“We trained a Fuzzy-Aware Lightweight U-Net on DFUC 2022 (512×512). Augmentations: flips/rotations/elastic. Optimizer AdamW (lr=4e-4, cosine annealing, batch=8); early stopping (patience=20). Metrics: Dice, IoU, precision, recall with 1,000 bootstrap resamples (95% CI). Experiments ran on RTX 3090 (24 GB), PyTorch 2.2, CUDA 12.3. Code and weights are available at ….”

Do & Don’t (ringkas)

Do

  • Tulis spesifik dan angka (durasi, versi, parameter).
  • Laporkan asumsi uji dan ukuran efek/CI (bukan p-value saja).
  • Jelaskan bagaimana bias dikurangi.
  • Sertakan izin etik dan ketersediaan data/kode.

Don’t

  • Jangan mengulang teori panjang di Methods.
  • Jangan campur hasil/interpretasi (taruh di Results/Discussion).
  • Jangan biarkan langkah penting “implisit”.
  • Jangan pakai istilah kabur (“sesuai prosedur standar”) tanpa rujukan/uraian.

Checklist Cepat (sebelum submit)

  • Desain & alasan pemilihan jelas
  • Setting, periode, kriteria, dan ukuran sampel transparan
  • Prosedur rinci & dapat diikuti ulang
  • Variabel/tema didefinisikan operasional; instrumen tervalidasi
  • Analisis dijelaskan (uji, asumsi, ukuran efek/CI, software & versi)
  • Kontrol bias/quality assurance dilaporkan
  • Etik & pernyataan transparansi lengkap
  • Untuk studi komputasional: dataset, pipeline, hiperparameter, metrik, baseline, ablation, dan compute dilaporkan

Leave a Comment