Penulisan

Cara Menulis Metode Penelitian Artikel Informatika

Terbit 14 Mei 2026

Panduan menulis metode penelitian artikel informatika agar dataset, tahapan, parameter, dan evaluasi mudah dinilai reviewer.

Metode penelitian adalah bagian yang membuat artikel informatika dapat dipercaya. Di bagian ini, penulis menjelaskan bagaimana penelitian dilakukan, data apa yang digunakan, alat apa yang dipakai, tahapan apa yang dijalankan, dan bagaimana hasil diuji. Jika metode ditulis terlalu umum, reviewer akan sulit menilai apakah hasil penelitian benar-benar lahir dari proses yang rapi atau hanya dari klaim penulis.

Banyak naskah informatika memiliki ide yang menarik, tetapi melemah karena bagian metode tidak cukup rinci. Penulis hanya menulis "menggunakan algoritma Naive Bayes", "mengembangkan sistem berbasis web", atau "melakukan pengujian black box" tanpa menjelaskan data, parameter, prosedur, skenario, dan alasan pemilihan metode. Artikel seperti ini sulit direplikasi dan sulit dibandingkan dengan penelitian lain.

Fungsi bagian metode dalam artikel informatika

Bagian metode bukan sekadar tempat menyebut nama algoritma, model pengembangan, atau teknik pengujian. Fungsi utamanya adalah menunjukkan bahwa penelitian dilakukan dengan prosedur yang logis, terukur, dan sesuai dengan tujuan. Pembaca harus bisa memahami hubungan antara masalah penelitian, data, tahapan kerja, dan cara evaluasi yang dipakai.

Dalam artikel informatika, metode juga menjadi penghubung antara gap penelitian dan hasil. Jika gap menyebut bahwa penelitian sebelumnya belum memakai dataset lokal, metode harus menjelaskan sumber dataset lokal tersebut. Jika novelty ada pada evaluasi yang lebih lengkap, metode harus menjelaskan metrik, skenario uji, dan cara menghitungnya.

Reviewer biasanya membaca metode untuk menjawab beberapa pertanyaan. Apakah data cukup jelas? Apakah tahapan penelitian masuk akal? Apakah parameter dapat diperiksa? Apakah hasil bisa diulang oleh peneliti lain? Apakah evaluasi benar-benar menjawab tujuan? Semakin jelas jawaban di bagian metode, semakin kuat posisi artikel ketika masuk proses review.

Mulai dari jenis penelitian yang tepat

Sebelum menulis detail teknis, tentukan dulu jenis penelitian yang dilakukan. Artikel informatika dapat berupa eksperimen algoritma, pengembangan sistem, evaluasi usability, analisis data, perancangan model, studi komparatif, atau kombinasi beberapa pendekatan. Jenis penelitian menentukan isi metode yang perlu ditulis.

Artikel eksperimen machine learning perlu menjelaskan dataset, preprocessing, pembagian data, algoritma, parameter, dan metrik evaluasi. Artikel pengembangan sistem perlu menjelaskan analisis kebutuhan, rancangan, implementasi, teknologi, dan pengujian. Artikel usability perlu menjelaskan responden, instrumen, skenario tugas, indikator, dan cara analisis data.

Kesalahan umum terjadi ketika penulis memakai istilah terlalu luas, misalnya "penelitian kuantitatif" atau "metode waterfall", tetapi tidak menjelaskan aktivitas penelitian yang sebenarnya. Istilah metodologis boleh digunakan, tetapi harus diikuti detail operasional. Pembaca tidak cukup mengetahui label metode; mereka perlu mengetahui apa yang benar-benar dilakukan peneliti.

Jelaskan data dan objek penelitian secara rinci

Data adalah fondasi banyak artikel informatika. Karena itu, metode perlu menjelaskan sumber data, jumlah data, periode pengambilan, format, karakteristik, dan kriteria pemilihan. Jika data berasal dari scraping, jelaskan situs atau sumbernya, batasan pengambilan, field yang diambil, dan cara membersihkan data. Jika data berasal dari kuesioner, jelaskan jumlah responden, kriteria responden, dan bentuk instrumen.

Untuk dataset machine learning, penulis sebaiknya menulis jumlah kelas, distribusi label, contoh fitur, ukuran data latih dan data uji, serta potensi ketidakseimbangan data. Informasi ini penting karena hasil akurasi tidak bisa dibaca dengan benar tanpa memahami karakteristik dataset. Dataset kecil, tidak seimbang, atau berasal dari satu sumber harus dijelaskan sebagai konteks, bukan disembunyikan.

Untuk artikel pengembangan sistem, objek penelitian bisa berupa pengguna, proses bisnis, dokumen, alur kerja, atau kebutuhan organisasi. Jelaskan siapa pengguna utama, masalah apa yang mereka hadapi, dan data apa yang diproses oleh sistem. Bagian ini membantu pembaca memahami mengapa fitur tertentu dibangun dan mengapa pengujian tertentu dipilih.

Tulis tahapan penelitian sebagai alur yang bisa diikuti

Tahapan penelitian sebaiknya ditulis sebagai alur kerja yang jelas, bukan daftar kegiatan yang terputus. Mulailah dari pengumpulan data atau analisis kebutuhan, lalu lanjutkan ke preprocessing, perancangan, implementasi, pengujian, evaluasi, dan analisis hasil. Setiap tahap perlu menunjukkan input, proses, dan output.

Jika artikel membahas klasifikasi teks, contoh alurnya dapat berupa pengumpulan komentar, pelabelan data, pembersihan teks, tokenisasi, pembobotan TF-IDF, pembagian data, pelatihan model, evaluasi, dan analisis kesalahan. Jika artikel membahas sistem informasi, alurnya dapat berupa observasi proses, analisis kebutuhan, perancangan database, pembuatan antarmuka, implementasi fungsi, pengujian black box, dan evaluasi pengguna.

Alur seperti ini membuat metode lebih mudah diperiksa. Reviewer dapat melihat apakah setiap tahap mendukung tujuan penelitian. Jika ada tahap yang tidak dijelaskan, misalnya pelabelan data atau pengaturan parameter, reviewer dapat mempertanyakan validitas hasil. Karena itu, jangan hanya menampilkan diagram alur; jelaskan juga narasi di balik diagram tersebut.

Rinci preprocessing dan transformasi data

Dalam penelitian informatika, hasil sering sangat dipengaruhi oleh proses sebelum model atau sistem dijalankan. Pada data teks, preprocessing dapat mencakup case folding, cleaning, tokenisasi, stopword removal, stemming, normalisasi kata, dan pembobotan. Pada data gambar, preprocessing dapat mencakup resizing, augmentasi, normalisasi piksel, cropping, dan pemisahan data. Pada data numerik, preprocessing dapat mencakup pembersihan missing value, encoding, scaling, dan feature selection.

Jangan menulis preprocessing hanya sebagai satu kalimat pendek jika tahap tersebut memengaruhi hasil. Jelaskan aturan pembersihan data, alasan transformasi, dan contoh perubahan bila perlu. Misalnya, jika komentar pengguna mengandung singkatan bahasa Indonesia, jelaskan apakah singkatan dinormalisasi atau dibiarkan. Jika data tidak seimbang, jelaskan apakah memakai resampling, class weight, atau hanya melaporkan kondisi apa adanya.

Preprocessing yang rinci tidak berarti harus terlalu panjang. Yang penting adalah pembaca memahami keputusan yang dapat mengubah hasil. Tahap ini juga membantu penulis menghindari klaim yang terlalu besar, karena pembaca dapat melihat batas data dan perlakuan yang diberikan terhadap data.

Sebutkan algoritma, model, atau teknologi dengan konteks

Nama algoritma tidak cukup untuk menjelaskan metode. Jika memakai Naive Bayes, SVM, Random Forest, CNN, K-Means, AHP, TOPSIS, atau metode lain, jelaskan perannya dalam penelitian. Apakah metode dipakai sebagai model utama, pembanding, tahap seleksi fitur, clustering awal, atau bagian dari sistem pendukung keputusan? Peran ini perlu jelas agar pembaca tidak salah memahami kontribusi.

Untuk artikel pengembangan aplikasi, sebutkan teknologi yang relevan dengan penelitian, bukan semua detail teknis yang tidak berpengaruh. Framework, bahasa pemrograman, database, library, dan perangkat uji perlu disebut jika membantu pembaca memahami implementasi dan reproduksi. Namun, jangan menjadikan metode sebagai dokumentasi instalasi. Fokus tetap pada keputusan penelitian.

Jika memakai library atau tools tertentu, sebutkan versi ketika versi tersebut memengaruhi hasil. Misalnya versi Python, library machine learning, framework web, atau database. Informasi ini membantu pembaca memahami lingkungan eksperimen. Untuk artikel yang menargetkan jurnal, detail seperti ini memberi kesan bahwa penelitian dilakukan secara terkendali.

Jelaskan parameter dan konfigurasi eksperimen

Parameter sering menjadi bagian yang dilupakan. Padahal, dua penelitian dengan algoritma yang sama dapat menghasilkan nilai berbeda karena konfigurasi yang berbeda. Untuk machine learning, jelaskan parameter utama seperti jumlah epoch, learning rate, kernel, jumlah tree, nilai k, ukuran batch, pembagian data, random seed jika digunakan, dan strategi validasi.

Untuk sistem informasi, parameter bisa berupa skenario uji, jumlah data uji, jenis akun, hak akses, ukuran file, atau kondisi penggunaan. Untuk jaringan komputer, parameter dapat berupa bandwidth, delay, packet loss, topologi, jumlah node, atau durasi pengujian. Untuk evaluasi usability, parameter dapat berupa jumlah tugas, durasi sesi, skala penilaian, dan indikator keberhasilan.

Jika parameter dipilih berdasarkan referensi, tulis sumber atau alasan pemilihannya. Jika parameter dipilih melalui percobaan, jelaskan rentang percobaan dan kriteria terbaiknya. Penjelasan ini penting karena reviewer sering menilai apakah hasil penelitian diperoleh secara adil atau hanya dari konfigurasi yang kebetulan menguntungkan.

Bangun skenario pengujian yang sesuai tujuan

Skenario pengujian harus menjawab tujuan penelitian. Jika tujuan artikel adalah membandingkan performa beberapa algoritma, skenario harus memastikan setiap algoritma diuji pada kondisi yang sama. Jika tujuan artikel adalah menguji kelayakan sistem, skenario harus mencakup fungsi utama, alur pengguna, dan kondisi yang mungkin terjadi saat sistem digunakan.

Untuk artikel klasifikasi, skenario bisa berupa pembagian data 80:20, validasi silang, atau perbandingan beberapa metode pada dataset yang sama. Untuk artikel sistem informasi, skenario bisa berupa pengujian login, input data, validasi form, pencarian, laporan, dan hak akses. Untuk artikel usability, skenario bisa berupa tugas yang harus diselesaikan responden, seperti mencari informasi, mengunggah dokumen, atau menghasilkan laporan.

Jangan memilih skenario yang terlalu mudah hanya agar hasil terlihat baik. Pengujian yang terlalu sempit membuat artikel lemah karena tidak membuktikan sistem atau metode dalam kondisi yang realistis. Skenario yang baik tidak harus rumit, tetapi harus relevan dengan masalah penelitian.

Pilih metrik evaluasi yang benar

Metrik evaluasi perlu sesuai dengan jenis penelitian. Untuk klasifikasi, akurasi sering digunakan, tetapi tidak selalu cukup. Jika data tidak seimbang, precision, recall, F1-score, confusion matrix, atau AUC bisa lebih informatif. Untuk regresi, metrik seperti MAE, MSE, RMSE, atau MAPE dapat digunakan sesuai konteks. Untuk sistem rekomendasi, metrik seperti precision at k, recall at k, atau rating error mungkin lebih tepat.

Untuk artikel pengembangan sistem, evaluasi dapat memakai black box testing, user acceptance test, usability testing, SUS, atau evaluasi performa sistem. Pilihan metrik harus dijelaskan. Jika memakai SUS, jelaskan jumlah responden dan cara interpretasi skor. Jika memakai black box, jelaskan jumlah skenario dan kriteria lulus. Jika memakai performa sistem, jelaskan kondisi pengujian.

Metrik yang tepat membuat hasil lebih mudah dibaca. Metrik yang salah dapat membuat hasil tampak bagus tetapi tidak menjawab masalah. Karena itu, metode perlu menjelaskan bukan hanya metrik apa yang dipakai, tetapi juga mengapa metrik tersebut cocok untuk tujuan penelitian.

Hubungkan metode dengan novelty dan gap

Metode yang kuat selalu terhubung dengan gap dan novelty. Jika artikel mengklaim kontribusi pada dataset lokal, metode harus menjelaskan proses pengumpulan dan karakteristik dataset lokal. Jika artikel mengklaim evaluasi lebih lengkap, metode harus menampilkan metrik dan skenario yang lebih lengkap. Jika artikel mengklaim sistem lebih sesuai kebutuhan pengguna, metode harus menjelaskan analisis kebutuhan dan evaluasi pengguna.

Hubungan ini penting karena reviewer akan mencari konsistensi antarbagian. Artikel dapat terlihat lemah ketika pendahuluan menjanjikan kontribusi besar, tetapi metode hanya menjelaskan langkah umum. Sebaliknya, artikel terlihat lebih matang ketika novelty ditulis proporsional dan metode menunjukkan cara membuktikannya.

Sebelum submit, cocokkan kembali tujuan, novelty, metode, hasil, dan kesimpulan. Jika salah satu bagian tidak selaras, revisi dulu. Untuk memperkuat bagian kontribusi, baca juga cara menulis novelty artikel ilmiah informatika.

Contoh struktur bagian metode

Struktur metode dapat disesuaikan dengan jenis artikel, tetapi penulis bisa memakai pola dasar yang konsisten. Untuk artikel eksperimen, bagian metode dapat dibagi menjadi sumber data, preprocessing, metode atau model, konfigurasi eksperimen, dan evaluasi. Untuk artikel pengembangan sistem, bagian metode dapat dibagi menjadi analisis kebutuhan, perancangan, implementasi, pengujian, dan evaluasi pengguna.

Contoh subbagian untuk artikel klasifikasi teks adalah: dataset penelitian, pelabelan data, preprocessing teks, ekstraksi fitur, algoritma klasifikasi, skenario pengujian, dan metrik evaluasi. Contoh subbagian untuk artikel sistem informasi adalah: objek penelitian, analisis kebutuhan, desain database, rancangan antarmuka, implementasi modul, black box testing, dan user acceptance test.

Gunakan subheading hanya jika membantu pembaca. Artikel pendek mungkin cukup memakai beberapa paragraf terstruktur. Namun, untuk artikel yang datanya kompleks, subheading membuat metode lebih mudah dipindai. Hindari subheading yang terlalu umum seperti "Alat" atau "Bahan" jika isinya bisa dibuat lebih informatif, misalnya "Dataset Komentar Pengguna" atau "Skenario Pengujian Sistem".

Kesalahan umum saat menulis metode

Kesalahan pertama adalah menulis metode terlalu singkat. Kalimat seperti "Penelitian ini menggunakan metode machine learning" tidak menjelaskan apa pun secara operasional. Kesalahan kedua adalah mencampur metode dengan teori. Definisi panjang tentang algoritma tidak selalu diperlukan jika tidak membantu memahami prosedur penelitian.

Kesalahan ketiga adalah tidak menjelaskan data. Artikel yang hanya menampilkan hasil tanpa karakteristik data akan sulit dipercaya. Kesalahan keempat adalah tidak menyebut parameter. Reviewer tidak dapat mengetahui apakah eksperimen adil jika konfigurasi tidak ditulis. Kesalahan kelima adalah memilih metrik yang tidak sesuai dengan tujuan.

Kesalahan keenam adalah membuat metode tidak sinkron dengan hasil. Misalnya metode menyebut tiga algoritma, tetapi hasil hanya menampilkan satu algoritma. Atau metode menyebut evaluasi pengguna, tetapi hasil tidak menampilkan ringkasan responden. Kesalahan seperti ini dapat dikurangi dengan memakai checklist sebelum submit artikel ilmiah sebelum naskah dikirim.

Checklist metode penelitian sebelum submit

Gunakan checklist ini untuk memeriksa apakah metode sudah cukup jelas. Checklist tidak harus dimasukkan ke artikel, tetapi dapat dipakai saat revisi mandiri atau diskusi dengan pembimbing dan koauthor.

• Apakah jenis penelitian sudah jelas?
• Apakah data, objek, atau responden dijelaskan dengan cukup rinci?
• Apakah tahapan penelitian memiliki urutan yang logis?
• Apakah preprocessing atau transformasi data dijelaskan?
• Apakah algoritma, model, framework, atau teknologi ditulis sesuai perannya?
• Apakah parameter dan konfigurasi eksperimen disebutkan?
• Apakah skenario pengujian sesuai dengan tujuan penelitian?
• Apakah metrik evaluasi tepat dan dijelaskan alasannya?
• Apakah metode membuktikan gap dan novelty yang dijanjikan?
• Apakah hasil yang ditampilkan nanti benar-benar berasal dari metode tersebut?

Kesimpulan

Menulis metode penelitian artikel informatika berarti menjelaskan prosedur penelitian secara cukup rinci agar pembaca dapat memahami, menilai, dan bila perlu mengulang prosesnya. Bagian metode perlu memuat jenis penelitian, data, tahapan, preprocessing, algoritma atau teknologi, parameter, skenario pengujian, dan metrik evaluasi.

Metode yang baik tidak berdiri sendiri. Ia harus menjawab gap, membuktikan novelty, dan menghasilkan data yang dapat dibahas di bagian hasil. Karena itu, penulis sebaiknya menyusun metode sejak awal, bukan menambahkannya setelah hasil selesai. Dengan metode yang jelas, artikel informatika akan lebih mudah dibaca reviewer dan lebih siap masuk proses submit jurnal.