RQ bukan judul yang diberi tanda tanya
Research question dalam riset eksperimental TI bukan pertanyaan filosofis, bukan pertanyaan deskriptif, dan bukan judul penelitian yang diakhiri tanda tanya. Research question adalah instrumen presisi yang menentukan apa yang akan diukur, bagaimana mengukurnya, dan apa kriteria keberhasilannya.
Sebuah analogi: research question seperti koordinat GPS. Tanpa koordinat, seseorang bisa berkendara ke "arah utara" dan berakhir di mana saja. Dengan koordinat yang tepat, tujuannya jelas, rute bisa direncanakan, dan keberhasilan bisa diverifikasi — apakah sudah sampai atau belum. RQ yang baik memberikan presisi yang sama terhadap eksperimen.
RQ Formation Model: pipeline dari masalah ke desain
Research question tidak lahir dari ruang hampa. Ia merupakan hasil transformasi bertahap yang memiliki logika yang ketat:
- Research Problem (dari Bab 2) → masalah terukur yang sudah dibatasi dan dispesifikasikan
- Research Gap (dari Bab 3) → celah pengetahuan yang ditemukan dari analisis literatur
- Research Question → pertanyaan yang mengubah gap menjadi sesuatu yang actionable
- Hypothesis → prediksi empiris tentang jawaban RQ
- Experiment Design → operasionalisasi hipotesis menjadi variabel, metrik, dan prosedur
Setiap panah menandakan transformasi yang disengaja — bukan sekadar "langkah berikutnya." Dan model ini bersifat bi-directional dalam praktik: RQ yang tidak bisa menghasilkan hipotesis testable adalah sinyal bahwa RQ perlu direvisi.
Anatomi RQ yang baik
RQ yang baik mengandung minimal tiga elemen:
- Subjek/objek penelitian: apa atau siapa yang diteliti?
- Variabel yang diukur: apa yang akan diobservasi atau dimanipulasi?
- Konteks pengukuran: dalam kondisi apa, pada sistem atau dataset apa?
Contoh lemah: "Apakah deep learning lebih baik dari machine learning tradisional?"
Contoh kuat: "Apakah penggunaan BERT pre-trained model meningkatkan F1-score klasifikasi sentimen pada dataset review produk berbahasa Indonesia dibandingkan SVM dengan TF-IDF?"
Perbedaannya bukan soal panjang kalimat — melainkan soal spesifisitas, operasionalisasi, dan testability.
Contribution statement: apa yang baru
Contribution statement menjelaskan apa yang akan diketahui dunia setelah riset selesai yang sebelumnya belum ada. Kontribusi bisa berupa tiga jenis:
- Novel approach: metode atau pendekatan yang benar-benar baru
- Improvement: perbaikan terhadap metode yang sudah ada dengan justifikasi yang jelas
- Comparison: perbandingan sistematis yang memberikan kejelasan tentang trade-off antar pendekatan
Yang penting: contribution statement harus terhubung langsung dengan gap yang diidentifikasi. Kontribusi yang tidak menjawab gap yang disebutkan menunjukkan ada inkonsistensi logis dalam proposal.
Hipotesis: prediksi sebelum data
Hipotesis dirumuskan sebelum eksperimen, bukan setelah melihat data. Ini prinsip yang sering dilanggar dan sering tidak disadari.
Hipotesis terdiri dari dua bagian:
- H0 (null hypothesis): prediksi bahwa tidak ada perbedaan atau pengaruh signifikan
- H1 (alternative hypothesis): prediksi bahwa perbedaan atau pengaruh signifikan ada
Syarat utama hipotesis: falsifiable. Kondisi di mana hipotesis ditolak harus bisa didefinisikan sebelum eksperimen. Hipotesis yang tidak bisa ditolak bukan hipotesis ilmiah — ia pernyataan yang tidak bisa diperdebatkan.
Template cepat: "H1: [intervensi] memberikan peningkatan yang signifikan (p < 0.05) pada [metrik] dibandingkan [baseline] pada [konteks]."
