Penulisan

Cara Menulis Hasil dan Pembahasan Artikel Informatika

Terbit 14 Mei 2026

Panduan menulis hasil dan pembahasan artikel informatika agar tabel, grafik, analisis, dan diskusi mudah dinilai reviewer.

Bagian hasil dan pembahasan adalah tempat penulis menunjukkan bukti utama dari penelitian. Di bagian ini, data eksperimen, temuan sistem, hasil evaluasi, tabel, grafik, dan interpretasi disusun agar pembaca memahami apa yang benar-benar ditemukan. Jika bagian metode menjelaskan cara penelitian dilakukan, maka hasil dan pembahasan menjelaskan apa yang terjadi setelah metode dijalankan dan mengapa temuan tersebut penting.

Banyak artikel informatika sebenarnya memiliki data yang cukup baik, tetapi hasilnya ditulis terlalu datar. Penulis hanya menampilkan tabel akurasi, screenshot sistem, atau daftar pengujian tanpa menjelaskan maknanya. Akibatnya, reviewer harus menebak sendiri apakah hasil tersebut kuat, relevan, atau sekadar angka. Artikel ilmiah tidak cukup hanya menyajikan output; penulis perlu membantu pembaca membaca output tersebut sebagai argumen penelitian.

Fungsi hasil dan pembahasan dalam artikel informatika

Hasil dan pembahasan memiliki dua fungsi yang saling terkait. Bagian hasil menyajikan temuan secara objektif, sedangkan pembahasan menjelaskan makna temuan tersebut. Pada artikel informatika, hasil bisa berupa performa algoritma, nilai metrik evaluasi, confusion matrix, grafik loss, hasil usability testing, pengujian black box, waktu komputasi, atau bukti bahwa sistem berjalan sesuai kebutuhan.

Pembahasan kemudian menjawab pertanyaan yang lebih dalam. Mengapa model A lebih baik daripada model B? Mengapa recall rendah pada kelas tertentu? Mengapa pengguna kesulitan pada fitur tertentu? Mengapa sistem berhasil pada skenario normal tetapi gagal pada kondisi tertentu? Pertanyaan seperti ini membuat artikel lebih analitis dan tidak berhenti pada laporan angka.

Reviewer biasanya mencari hubungan antara tujuan penelitian, metode, hasil, dan kesimpulan. Jika tujuan artikel adalah meningkatkan performa klasifikasi, hasil harus menunjukkan metrik yang relevan. Jika tujuan artikel adalah membangun sistem yang layak digunakan, hasil harus menunjukkan pengujian fungsi dan respons pengguna. Karena itu, hasil dan pembahasan harus ditulis sebagai kelanjutan langsung dari metode penelitian artikel informatika.

Mulai dari tujuan dan pertanyaan penelitian

Sebelum menulis hasil, lihat kembali tujuan penelitian. Setiap tujuan sebaiknya memiliki bukti pada bagian hasil. Jika tujuan pertama adalah membandingkan dua algoritma, tampilkan tabel perbandingan. Jika tujuan kedua adalah mengevaluasi sistem, tampilkan skenario uji dan ringkasan hasilnya. Pola ini membantu artikel tetap fokus dan mencegah penulis memasukkan data yang tidak relevan.

Urutan penulisan bisa mengikuti pertanyaan penelitian. Misalnya, pertanyaan pertama membahas performa model, pertanyaan kedua membahas pengaruh preprocessing, dan pertanyaan ketiga membahas kesalahan klasifikasi. Dengan urutan seperti ini, pembaca dapat mengikuti alur analisis dari bukti utama menuju penjelasan yang lebih detail.

Hindari menulis hasil berdasarkan urutan file eksperimen atau urutan pengerjaan pribadi. Artikel ilmiah perlu disusun berdasarkan logika pembaca, bukan berdasarkan urutan kerja penulis. Jika sebuah hasil tidak mendukung tujuan, tidak menjawab pertanyaan, dan tidak memperkuat kontribusi, pertimbangkan untuk memindahkannya ke lampiran atau menghapusnya.

Pilih data hasil yang benar-benar penting

Tidak semua output penelitian harus dimasukkan ke artikel. Penelitian informatika sering menghasilkan banyak tabel, log, grafik, screenshot, dan konfigurasi. Jika semuanya dimasukkan, artikel menjadi penuh tetapi tidak selalu lebih kuat. Pilih hasil yang paling relevan untuk membuktikan klaim utama.

Untuk eksperimen algoritma, hasil penting biasanya mencakup metrik utama, perbandingan metode, hasil validasi, dan analisis kesalahan. Untuk pengembangan sistem, hasil penting dapat berupa implementasi fitur utama, pengujian fungsi, evaluasi pengguna, dan performa sistem. Untuk penelitian jaringan, hasil penting dapat berupa throughput, delay, jitter, packet loss, atau kondisi pengujian yang berpengaruh.

Pilih data yang membantu pembaca melihat kontribusi. Jika artikel mengklaim metode baru lebih baik, tunjukkan perbandingan dengan baseline. Jika artikel mengklaim sistem lebih efisien, tampilkan bukti waktu proses atau respons pengguna. Jika artikel mengklaim evaluasi lebih lengkap, tampilkan lebih dari satu metrik dan jelaskan hubungan antar metrik tersebut.

Tulis hasil secara objektif sebelum memberi interpretasi

Paragraf hasil sebaiknya dimulai dengan pernyataan objektif. Contohnya, "Model Random Forest memperoleh akurasi 91,2%, precision 89,6%, recall 87,4%, dan F1-score 88,5%." Kalimat seperti ini memberi dasar yang jelas sebelum penulis masuk ke pembahasan. Setelah itu, barulah jelaskan apa arti angka tersebut dan bagaimana posisinya dibanding metode lain.

Pemisahan antara hasil dan interpretasi membantu artikel terlihat rapi. Pembaca bisa mengetahui mana data yang diperoleh dan mana pendapat analitis penulis. Namun, pemisahan ini tidak harus berarti membuat dua subbab besar yang kaku. Dalam banyak artikel informatika, hasil dan pembahasan bisa digabung selama setiap data langsung diikuti penjelasan yang memadai.

Hindari kata-kata berlebihan seperti "sangat luar biasa", "terbukti sempurna", atau "pasti lebih baik". Gunakan bahasa akademik yang proporsional. Jika hasil meningkat 2%, jelaskan konteksnya. Peningkatan kecil bisa penting jika dataset sulit atau metode lebih efisien, tetapi bisa juga tidak bermakna jika tidak ada pengujian tambahan.

Gunakan tabel untuk membandingkan angka

Tabel sangat berguna ketika artikel menampilkan beberapa metode, skenario, kelas, atau metrik. Tabel membantu pembaca membandingkan nilai dengan cepat. Namun, tabel yang baik tidak hanya menumpuk angka. Judul tabel harus jelas, kolom harus relevan, dan isi tabel harus sesuai dengan pertanyaan penelitian.

Untuk klasifikasi, tabel dapat memuat akurasi, precision, recall, dan F1-score dari beberapa model. Untuk regresi, tabel dapat memuat MAE, RMSE, dan MAPE. Untuk pengembangan sistem, tabel dapat memuat skenario pengujian, input, output yang diharapkan, hasil aktual, dan status. Untuk usability, tabel dapat memuat indikator, skor rata-rata, dan interpretasi.

Setelah tabel ditampilkan, jangan hanya menulis "hasil dapat dilihat pada Tabel 1". Jelaskan pola utamanya. Nilai mana yang paling tinggi? Apakah ada metode yang stabil di semua metrik? Apakah ada kelas yang sulit dikenali? Apakah hasil pengujian menunjukkan fitur berjalan sesuai rancangan? Tabel adalah bukti, tetapi paragraf setelah tabel adalah analisisnya.

Gunakan grafik untuk menunjukkan pola

Grafik berguna ketika penulis ingin menunjukkan tren, perubahan, distribusi, atau perbandingan visual. Pada artikel informatika, grafik dapat digunakan untuk menunjukkan perkembangan akurasi per epoch, nilai loss, distribusi kelas, waktu eksekusi, penggunaan memori, hasil survei, atau perbandingan performa beberapa metode.

Grafik harus mudah dibaca. Pastikan sumbu memiliki label, satuan jelas, legenda tidak membingungkan, dan warna tidak terlalu banyak. Grafik yang terlalu dekoratif justru mengurangi kesan ilmiah. Fokuskan grafik pada pola yang ingin dibahas. Jika grafik hanya mengulang tabel tanpa memberi pemahaman baru, pilih salah satu saja.

Dalam pembahasan, jelaskan pola grafik. Misalnya, "nilai loss menurun stabil hingga epoch ke-20, tetapi perubahan setelah epoch ke-25 sangat kecil". Penjelasan seperti ini lebih berguna daripada hanya menyebut bahwa grafik menunjukkan hasil pelatihan. Pembaca perlu dibantu memahami titik penting dari visual tersebut.

Jelaskan hasil berdasarkan metrik yang tepat

Metrik evaluasi tidak boleh dibaca sembarangan. Akurasi tinggi belum tentu berarti model baik jika dataset tidak seimbang. Pada kasus klasifikasi penyakit, fraud, atau sentimen minoritas, recall bisa lebih penting daripada akurasi. Pada sistem rekomendasi, precision at k mungkin lebih relevan daripada akurasi umum. Pada regresi, RMSE lebih sensitif terhadap error besar dibanding MAE.

Karena itu, pembahasan perlu menjelaskan alasan metrik tertentu dianggap penting. Jika artikel menggunakan precision, jelaskan dampak false positive. Jika menggunakan recall, jelaskan dampak false negative. Jika memakai F1-score, jelaskan bahwa metrik tersebut menyeimbangkan precision dan recall. Jika memakai SUS, jelaskan interpretasi skor usability yang diperoleh.

Penjelasan metrik membuat hasil lebih kuat. Artikel tidak hanya berkata "nilai F1-score meningkat", tetapi menjelaskan mengapa peningkatan tersebut relevan dengan tujuan penelitian. Untuk memperbaiki dasar penulisan metrik sejak bagian metode, penulis juga bisa membaca cara menulis artikel ilmiah informatika.

Bandingkan hasil dengan baseline atau penelitian terdahulu

Pembahasan akan lebih kuat jika hasil penelitian dibandingkan dengan baseline atau penelitian terdahulu. Baseline bisa berupa metode sederhana, metode yang umum digunakan, sistem lama, atau konfigurasi awal. Perbandingan ini membantu pembaca melihat apakah kontribusi penelitian benar-benar memberi nilai tambah.

Jika artikel membahas algoritma, bandingkan model utama dengan metode pembanding pada dataset dan skenario yang sama. Jika artikel membahas sistem, bandingkan kondisi sebelum dan sesudah sistem dibuat, misalnya waktu proses, jumlah kesalahan, atau kemudahan akses informasi. Jika artikel membahas usability, bandingkan skor dengan interpretasi standar atau temuan penelitian terdahulu.

Perbandingan harus adil. Jangan membandingkan hasil dari dataset berbeda tanpa menjelaskan batasannya. Jangan mengklaim lebih baik dari penelitian lain jika skenario, ukuran data, atau metriknya tidak sama. Kalimat yang aman adalah, "hasil ini menunjukkan kecenderungan lebih baik pada skenario yang digunakan dalam penelitian ini". Bahasa seperti ini lebih ilmiah daripada klaim absolut.

Bahas temuan yang tidak sesuai harapan

Hasil yang tidak sesuai harapan tidak selalu buruk. Justru, pembahasan yang jujur terhadap hasil semacam ini dapat membuat artikel lebih kredibel. Misalnya, model deep learning tidak selalu lebih baik daripada metode klasik pada dataset kecil. Sistem yang fiturnya lengkap belum tentu mendapat skor usability tinggi jika alur pengguna membingungkan.

Jika ada hasil yang rendah, jelaskan kemungkinan penyebabnya. Penyebab bisa berasal dari ukuran dataset, distribusi kelas, kualitas label, parameter, fitur yang kurang representatif, keterbatasan perangkat, desain antarmuka, atau skenario uji yang terlalu sulit. Jangan menyalahkan data secara umum tanpa analisis. Tunjukkan bagian mana yang mungkin memengaruhi hasil.

Pembahasan terhadap temuan negatif juga dapat membuka saran penelitian berikutnya. Misalnya, perlu penambahan data, validasi dengan pengguna lebih banyak, tuning parameter, penggunaan metode ensemble, atau pengujian pada lingkungan nyata. Dengan cara ini, keterbatasan tidak melemahkan artikel, tetapi menunjukkan bahwa penulis memahami batas penelitiannya.

Hubungkan hasil dengan novelty dan gap penelitian

Hasil dan pembahasan harus kembali ke gap penelitian. Jika gap menyebut kurangnya evaluasi pada dataset lokal, pembahasan harus menjelaskan apa yang ditemukan dari dataset lokal tersebut. Jika novelty ada pada kombinasi metode, hasil harus menunjukkan dampak kombinasi itu. Jika kontribusi ada pada sistem yang lebih sesuai kebutuhan pengguna, pembahasan harus menunjukkan bukti dari evaluasi pengguna.

Tanpa hubungan ini, hasil bisa terasa terpisah dari pendahuluan. Artikel mungkin memiliki banyak angka, tetapi kontribusinya tidak terlihat. Karena itu, setelah menulis hasil, tanyakan: apakah bagian ini membuktikan novelty yang dijanjikan? Apakah hasil ini menjawab gap? Apakah pembaca bisa melihat alasan penelitian ini perlu dilakukan?

Hubungan antara gap, novelty, metode, hasil, dan pembahasan adalah inti artikel ilmiah. Untuk memperkuat alur tersebut, penulis dapat meninjau kembali cara menulis novelty artikel ilmiah informatika dan contoh gap penelitian informatika.

Jelaskan implikasi hasil secara proporsional

Implikasi menjawab pertanyaan: apa arti hasil ini bagi bidang, pengguna, pengembang, peneliti lain, atau organisasi yang diteliti? Pada artikel informatika, implikasi bisa berupa metode yang lebih cocok untuk jenis data tertentu, fitur sistem yang mempercepat proses, rancangan evaluasi yang lebih lengkap, atau rekomendasi teknis untuk implementasi berikutnya.

Implikasi harus sesuai dengan bukti. Jika penelitian hanya dilakukan pada satu dataset kecil, jangan menyatakan bahwa metode pasti unggul untuk semua kasus. Jika evaluasi pengguna hanya melibatkan sedikit responden, jangan menyatakan sistem pasti diterima oleh semua pengguna. Gunakan kalimat yang terbatas tetapi kuat, misalnya "pada skenario pengujian ini", "berdasarkan dataset yang digunakan", atau "dalam konteks objek penelitian".

Implikasi yang baik membantu pembaca melihat nilai penelitian tanpa berlebihan. Artikel menjadi lebih matang karena penulis tidak hanya menunjukkan angka, tetapi juga menjelaskan bagaimana angka tersebut dapat digunakan secara praktis atau akademik.

Tulis keterbatasan hasil dengan jujur

Keterbatasan bukan tanda artikel buruk. Hampir semua penelitian memiliki batas, terutama dalam bidang informatika yang sangat bergantung pada data, perangkat, skenario, dan konteks penggunaan. Menulis keterbatasan secara jujur membantu reviewer memahami ruang lingkup klaim penulis.

Contoh keterbatasan adalah jumlah data yang terbatas, distribusi kelas yang tidak seimbang, pengujian hanya pada lingkungan simulasi, responden usability yang sedikit, belum ada pengujian beban tinggi, atau sistem belum diuji pada organisasi berbeda. Keterbatasan ini sebaiknya ditulis sebagai bagian dari pembahasan atau menjelang kesimpulan.

Namun, jangan menjadikan keterbatasan sebagai daftar alasan. Hubungkan keterbatasan dengan saran konkret. Misalnya, penelitian berikutnya dapat menambah dataset, membandingkan metode lain, melakukan validasi eksternal, atau menguji sistem dalam penggunaan jangka panjang. Dengan begitu, keterbatasan menjadi pintu untuk penelitian lanjutan.

Contoh pola paragraf hasil dan pembahasan

Pola sederhana yang bisa digunakan adalah data, interpretasi, perbandingan, dan implikasi. Pertama, tulis data utama: "Model SVM memperoleh F1-score 88,5%, lebih tinggi dibanding Naive Bayes sebesar 83,1%." Kedua, berikan interpretasi: "Perbedaan ini menunjukkan bahwa SVM lebih mampu menangani fitur teks berdimensi tinggi pada dataset yang digunakan."

Ketiga, bandingkan dengan kondisi lain: "Namun, SVM membutuhkan waktu pelatihan lebih lama dibanding Naive Bayes." Keempat, tulis implikasi: "Dengan demikian, SVM lebih sesuai ketika prioritas penelitian adalah performa klasifikasi, sedangkan Naive Bayes dapat dipilih jika kebutuhan utama adalah proses yang ringan." Pola ini membuat pembahasan lebih seimbang.

Untuk artikel sistem informasi, pola serupa dapat digunakan. Tulis hasil pengujian fitur, jelaskan maknanya, bandingkan dengan proses manual, lalu jelaskan implikasinya bagi pengguna. Dengan pola ini, pembahasan tidak terasa seperti catatan teknis, tetapi menjadi argumen ilmiah.

Kesalahan umum saat menulis hasil dan pembahasan

Kesalahan pertama adalah hanya menampilkan tabel tanpa narasi. Tabel perlu dijelaskan agar pembaca memahami pola penting. Kesalahan kedua adalah mengulang semua isi tabel dalam kalimat. Narasi tidak perlu menyebut setiap angka; cukup soroti angka yang paling relevan.

Kesalahan ketiga adalah membuat klaim terlalu besar. Hasil dari satu dataset tidak bisa langsung digeneralisasi ke semua kasus. Kesalahan keempat adalah tidak membahas hasil yang buruk. Jika ada kelas dengan performa rendah atau fitur yang gagal diuji, jelaskan penyebabnya. Kesalahan kelima adalah tidak menghubungkan hasil dengan tujuan penelitian.

Kesalahan keenam adalah mencampur pembahasan dengan teori yang terlalu panjang. Pembahasan memang boleh memakai referensi, tetapi fokusnya tetap pada hasil penelitian sendiri. Referensi digunakan untuk membandingkan, mendukung, atau menjelaskan temuan, bukan menggantikan analisis penulis.

Checklist sebelum menyelesaikan bagian hasil

Sebelum artikel dikirim ke jurnal, gunakan checklist sederhana untuk memeriksa bagian hasil dan pembahasan. Checklist ini membantu memastikan hasil tidak hanya lengkap secara data, tetapi juga kuat secara argumen.

• Apakah setiap tujuan penelitian memiliki bukti hasil?
• Apakah tabel dan grafik memiliki judul, label, dan keterangan yang jelas?
• Apakah narasi menjelaskan pola utama, bukan hanya menunjuk tabel?
• Apakah metrik evaluasi dibaca sesuai konteks?
• Apakah ada perbandingan dengan baseline atau penelitian terdahulu?
• Apakah hasil yang tidak sesuai harapan dibahas dengan jujur?
• Apakah pembahasan terhubung dengan gap dan novelty?
• Apakah implikasi ditulis proporsional sesuai bukti?
• Apakah keterbatasan hasil disebutkan?
• Apakah kesimpulan nanti benar-benar mengikuti hasil?

Checklist ini juga berguna sebelum submit. Setelah bagian hasil rapi, lanjutkan pemeriksaan format, referensi, metadata, dan dokumen pendukung menggunakan checklist sebelum submit artikel ilmiah.

Kesimpulan

Menulis hasil dan pembahasan artikel informatika berarti mengubah data penelitian menjadi argumen yang dapat dinilai. Penulis perlu menyajikan hasil secara objektif, memilih tabel atau grafik yang relevan, membaca metrik dengan benar, membandingkan dengan baseline, membahas temuan yang tidak sesuai harapan, dan menghubungkan semuanya dengan gap serta novelty.

Bagian ini tidak boleh berhenti pada laporan angka atau screenshot. Reviewer perlu melihat bahwa penulis memahami makna hasil, batas hasil, dan implikasinya. Dengan hasil dan pembahasan yang terstruktur, artikel informatika akan lebih meyakinkan, lebih mudah direview, dan lebih siap masuk proses publikasi jurnal.