Teknologi Informasi untuk Riset

e-CRF · Manajemen Data · Literature Tools · Visualisasi · AI · Integritas Akademik

Mohammad Rizki
mohammadrizki.md@gmail.com

Pertanyaan pemantik

Ketika penelitian gagal, apakah penyebabnya selalu metodologi?

Data ganda, variabel ambigu, file hilang, referensi tidak terlacak, dan grafik menyesatkan dapat merusak kesimpulan yang semula dirancang dengan baik.

Teknologi bukan pengganti penalaran ilmiah. Teknologi memperkuat proses yang dirancang dengan benar.

Capaian pembelajaran

Setelah sesi ini, peserta mampu:

  1. Memetakan kebutuhan teknologi pada siklus penelitian.
  2. Mendesain e-CRF sederhana dengan validasi dan data dictionary.
  3. Menentukan strategi manajemen data, keamanan, dan keterlacakan.
  4. Menggunakan alat literatur, analisis, dan visualisasi secara tepat.
  5. Mengevaluasi penggunaan AI berdasarkan validitas, transparansi, dan integritas akademik.

Satu studi kasus sepanjang sesi

Pertanyaan penelitian: Apakah kepatuhan kontrol berhubungan dengan tekanan darah terkontrol pada pasien hipertensi di layanan primer?

  • Desain: potong lintang analitik.
  • Unit analisis: pasien.
  • Sumber: rekam medis dan wawancara singkat.
  • Luaran: status tekanan darah terkontrol sesuai definisi operasional.
  • Tantangan: data sensitif, data hilang, definisi variabel, dan bias pengukuran.

Tugas: Tentukan teknologi yang dibutuhkan sejak perencanaan sampai publikasi.

Peta alur kerja digital

flowchart LR
  A[Protokol & literatur] --> B[Data dictionary]
  B --> C[e-CRF]
  C --> D[Data mentah]
  D --> E[Validasi & cleaning]
  E --> F[Analisis]
  F --> G[Visualisasi & laporan]
  G --> H[Arsip & reproduksibilitas]

Lintas seluruh tahap: etika, keamanan, dokumentasi, version control, dan penilaian manusia.

Memilih alat: mulai dari kebutuhan

Kebutuhan Contoh alat Pertanyaan evaluasi
Menelusuri literatur PubMed, Google Scholar Apakah cakupan dan strategi pencarian terdokumentasi?
Mengelola referensi Zotero Apakah metadata dan sitasi dapat diperiksa?
Mengumpulkan data REDCap, KoboToolbox Apakah validasi, hak akses, dan audit tersedia?
Analisis kuantitatif jamovi, R Apakah langkah analisis dapat diulang?
Analisis kualitatif Taguette Apakah kode dan kutipan dapat ditelusuri?
Visualisasi R/ggplot2, Datawrapper Apakah grafik tepat untuk jenis data?

e-CRF: lebih dari formulir elektronik

Electronic Case Report Form (e-CRF) adalah antarmuka terstruktur untuk merekam data penelitian sesuai protokol.

  • Memuat variabel yang diperlukan untuk menjawab pertanyaan penelitian.
  • Menggunakan definisi operasional dan tipe data yang eksplisit.
  • Mengurangi kesalahan melalui batas nilai, pilihan terstandar, dan skip logic.
  • Memisahkan identitas subjek dari dataset analitik.
  • Memungkinkan pemeriksaan kualitas dan, bila tersedia, jejak audit.

Dari pertanyaan penelitian ke field e-CRF

Konstruk Field Tipe Aturan
Identitas studi study_id Teks Unik; bukan NIK/nama
Usia age_years Bilangan bulat Rentang layak menurut protokol
Tekanan darah sistolik sbp_mmHg Numerik Satuan mmHg; rentang validasi
Kepatuhan kontrol visit_adherence Kategori Definisi dan periode jelas
Tanggal pengukuran bp_date Tanggal Tidak melewati tanggal ekstraksi
Status outcome bp_controlled Biner Diturunkan dari aturan protokol

Catatan: ambang tekanan darah harus ditetapkan dalam protokol, bukan dipilih setelah melihat hasil.

Data dictionary = kontrak makna data

Untuk setiap variabel, dokumentasikan:

  • Nama dan label; definisi operasional.
  • Tipe data, satuan, kode kategori, dan nilai hilang.
  • Sumber dan waktu pengukuran.
  • Aturan validasi dan branching.
  • Status: data asli, turunan, atau identitas.

Penting

Tanpa data dictionary, dua peneliti dapat memakai nama variabel yang sama dengan makna berbeda.

e-CRF: contoh logika validasi

study_id          : required, unique
age_years         : integer, 18..110 [contoh; sesuaikan protokol]
sbp_mmHg          : numeric, plausible range + query if outlier
visit_adherence   : {0: tidak, 1: ya, 9: tidak diketahui}
bp_date           : date, <= tanggal ekstraksi
pregnancy_status  : tampil hanya jika relevan menurut protokol

Bedakan: nilai tidak mungkin, nilai ekstrem tetapi mungkin, dan data yang benar-benar hilang.

Memilih platform e-CRF

Aspek REDCap KoboToolbox Form umum
Orientasi Penelitian terstruktur Survei/lapangan Survei sederhana
Validasi/skip logic Ada Ada Bervariasi
Pengumpulan offline Bergantung konfigurasi Mendukung pada alur tertentu Bervariasi
Audit & governance Bergantung implementasi Bergantung implementasi Perlu evaluasi
Data sensitif klinis Perlu persetujuan dan konfigurasi institusi Perlu evaluasi ketat Jangan otomatis diasumsikan aman

Pemilihan akhir mengikuti persyaratan etik, kebijakan institusi, lokasi penyimpanan, dan kontrol akses.

Mini-praktik 1 — desain e-CRF

Dalam kelompok (7 menit)

  1. Pilih lima variabel inti studi hipertensi.
  2. Tetapkan tipe, kode, satuan, dan sumber data.
  3. Tambahkan dua aturan validasi dan satu aturan skip logic bila relevan.
  4. Identifikasi field yang tidak boleh muncul dalam dataset analitik.

Luaran: sketsa e-CRF + data dictionary mini.

Data lifecycle: raw ≠ clean ≠ analysis

flowchart LR
  A[Raw / immutable] --> B[Working copy]
  B --> C[Clean dataset]
  C --> D[Analysis dataset]
  D --> E[Outputs]

  • Raw: dipertahankan; perubahan dilakukan pada salinan.
  • Clean: koreksi terdokumentasi, tanpa menghapus jejak.
  • Analysis: variabel turunan dan kriteria eksklusi eksplisit.
  • Outputs: tabel/grafik dapat ditautkan ke versi dataset dan kode.

Kualitas data: lima dimensi

Dimensi Contoh pemeriksaan
Completeness Proporsi data hilang per variabel
Validity Tipe, format, rentang, kode kategori
Consistency Tanggal kontrol tidak mendahului tanggal lahir
Uniqueness study_id duplikat
Timeliness Jeda pengumpulan dan entri data

Data cleaning bukan mengubah data agar hipotesis diterima.

Penanganan missing data

  • Bedakan not applicable, not collected, refused, dan unknown.
  • Laporkan pola dan proporsi data hilang.
  • Pertimbangkan mekanisme MCAR, MAR, dan MNAR sebagai kerangka analisis.
  • Complete-case analysis tidak selalu bebas bias.
  • Imputasi memerlukan asumsi dan metode yang sesuai; jangan mengisi nilai sembarangan.

Keamanan data dan privasi

Minimum controls:

  • Kumpulkan hanya data yang diperlukan (data minimization).
  • Pisahkan tabel identitas dan tabel penelitian dengan kode studi.
  • Terapkan akses berbasis peran dan autentikasi kuat.
  • Gunakan enkripsi saat transit dan penyimpanan sesuai kebijakan.
  • Tentukan retensi, backup, pemulihan, dan prosedur insiden.
  • Pastikan penggunaan data sesuai persetujuan etik dan regulasi yang berlaku.

Peringatan

Pseudonimisasi tidak sama dengan anonimisasi. Jangan mengunggah data pasien teridentifikasi ke layanan AI publik tanpa dasar hukum, persetujuan, dan kontrol institusional yang memadai.

Literature tools: setiap alat punya fungsi

flowchart LR
 A[Search: PubMed / database] --> B[Screen: kriteria inklusi]
 B --> C[Read & appraise]
 C --> D[Manage: Zotero]
 D --> E[Synthesize & cite]

Pencarian ≠ pengelolaan referensi ≠ penilaian mutu bukti.

Strategi pencarian yang dapat direproduksi

Contoh komponen:

  • Konsep populasi: hypertension.
  • Konsep paparan: appointment adherence atau follow-up.
  • Konsep luaran: blood pressure control.
  • Gabungkan sinonim dengan OR, konsep berbeda dengan AND.
  • Simpan database, tanggal pencarian, string lengkap, dan filter.

Latihan: bandingkan hasil pencarian bebas dengan strategi Boolean terdokumentasi.

Zotero: alur kerja minimum

  1. Impor metadata dari database/penerbit.
  2. Periksa judul, penulis, DOI, tahun, dan jenis dokumen.
  3. Kelompokkan dalam collections dan beri tag yang bermakna.
  4. Lampirkan PDF yang diperoleh secara sah; beri anotasi.
  5. Gunakan plugin sitasi, lalu verifikasi kembali daftar pustaka.

Kesalahan umum: metadata salah tetap menghasilkan sitasi yang tampak rapi.

AI untuk literatur: peluang dan batas

Berguna untuk: menghasilkan kata kunci alternatif, menjelaskan istilah, menyusun matriks ekstraksi, membantu merangkum teks yang telah diverifikasi.

Tidak boleh diasumsikan: AI selalu menemukan seluruh artikel, mengutip sumber yang benar, atau menilai risiko bias secara akurat.

Praktik aman: periksa setiap DOI, judul, kutipan, angka, dan klaim pada sumber primer.

Dari dataset ke analisis

flowchart LR
 A[Research question] --> B[Outcome & exposure]
 B --> C[EDA]
 C --> D[Analisis sesuai desain]
 D --> E[Estimasi efek + ketidakpastian]
 E --> F[Interpretasi klinis]

  • Mulai dari distribusi, kelengkapan, dan anomali.
  • Pilih metode berdasarkan skala data, desain, asumsi, dan tujuan inferensi.
  • Laporkan ukuran efek dan interval kepercayaan, bukan hanya nilai p.

Contoh workflow jamovi

  1. Impor CSV dan pastikan tipe variabel benar.
  2. Periksa missingness, frekuensi, dan statistik deskriptif.
  3. Visualisasikan distribusi tekanan darah.
  4. Buat tabel status kepatuhan × kontrol tekanan darah.
  5. Pilih analisis asosiasi yang sesuai, periksa potensi confounding.
  6. Ekspor tabel dan dokumentasikan keputusan analitik.

Data kualitatif: Taguette

Alur: transkrip → anonimisasi → pembacaan → penandaan kutipan → pengodean → pengelompokan tema → interpretasi.

  • Simpan hubungan antara kode, kutipan, dan konteks.
  • Buat codebook dengan definisi serta contoh.
  • Catat perubahan kode dan keputusan analitik.
  • Jangan menyamakan jumlah kutipan dengan pentingnya tema.

Visualisasi: pertanyaan dulu, grafik kemudian

Tujuan Pilihan awal
Distribusi numerik Histogram, boxplot
Perbandingan kelompok Dot plot, boxplot, bar proporsi
Tren waktu Line chart dengan sumbu waktu
Hubungan dua numerik Scatter plot
Estimasi efek Forest plot dengan interval kepercayaan

Grafik yang indah tetapi salah skala dapat menghasilkan inferensi yang keliru.

Contoh: hindari sumbu menyesatkan

Kurang tepat

  • Bar chart dengan sumbu Y terpotong tanpa penjelasan.
  • Diagram 3D yang mendistorsi proporsi.
  • Tidak ada satuan, penyebut, atau ukuran sampel.

Lebih tepat

  • Skala disesuaikan dengan jenis grafik dan tujuan.
  • Label, satuan, n, dan ketidakpastian jelas.
  • Warna dapat dibedakan dan tidak menjadi satu-satunya pembawa informasi.

Reproduksibilitas: simpan proses, bukan hanya hasil

research-project/
├── protocol/
├── instruments/       # e-CRF & data dictionary
├── data_raw/          # akses terbatas; tidak dipublikasi
├── data_clean/
├── scripts/
├── outputs/
├── manuscripts/
└── README.md

Gunakan penamaan konsisten, versi file/kode, change log, dan lingkungan analisis terdokumentasi.

AI dalam siklus penelitian

Tahap Dukungan AI Risiko utama
Perencanaan Ide, kerangka, alternatif kata kunci Pertanyaan dangkal/bias
Instrumen Draf item dan validasi logika Definisi tidak valid
Data Bantuan skrip cleaning Perubahan data tanpa jejak
Analisis Penjelasan kode dan opsi metode Metode tidak sesuai
Penulisan Struktur dan penyuntingan bahasa Referensi/hasil fabrikasi

Tanggung jawab ilmiah tetap pada peneliti.

Prompt AI yang dapat diaudit

Kurang baik: “Analisis data ini dan buat kesimpulan signifikan.”

Lebih baik:

“Berdasarkan data sintetis dan protokol berikut, sarankan langkah EDA dan pemeriksaan asumsi. Jangan membuat hasil atau referensi. Nyatakan asumsi, keterbatasan, dan bagian yang memerlukan verifikasi manusia.”

Catat alat, versi jika relevan, tanggal, tujuan, dan bagaimana hasil diverifikasi sesuai kebijakan institusi/jurnal.

Integritas akademik: garis batas

Praktik Penilaian
AI membantu memperjelas bahasa; penulis memeriksa isi Dapat diterima bila sesuai kebijakan dan diungkapkan bila diwajibkan
AI membuat referensi yang tidak pernah diverifikasi Tidak dapat diterima
Menghapus outlier karena tidak mendukung hipotesis Tidak dapat diterima
Menyembunyikan perubahan analisis pascahoc Merusak transparansi
Mengunggah data identitas pasien tanpa otorisasi Berisiko melanggar privasi dan etik
AI dicantumkan sebagai penulis Tidak memenuhi tanggung jawab kepengarangan manusia

Prinsip FAIR dan CARE

FAIR: Findable, Accessible, Interoperable, Reusable — prinsip pengelolaan dan keterpakaian data.

CARE: Collective Benefit, Authority to Control, Responsibility, Ethics — relevan terutama untuk tata kelola data komunitas/masyarakat adat.

Penting: FAIR tidak berarti seluruh data pasien harus dibuka. Metadata, dokumentasi, dan akses terkontrol tetap dapat mendukung penggunaan ulang yang bertanggung jawab.

Mini-praktik 2 — audit workflow

Kasus: Tim menyimpan data pasien di spreadsheet bersama, memakai kode “NA” untuk semua jenis missing, meminta AI membuat 15 sitasi, dan hanya menyimpan grafik final.

Diskusikan:

  1. Identifikasi minimal lima risiko.
  2. Urutkan perbaikan menurut dampak pada validitas dan keselamatan data.
  3. Tentukan evidence yang membuktikan workflow telah diperbaiki.

Luaran: checklist audit 1 halaman.

Checklist sebelum penelitian berjalan

Kuis formatif

1. Data tekanan darah 680 mmHg masuk e-CRF. Tindakan terbaik?

A. Hapus otomatis
B. Ubah menjadi 180
C. Tandai untuk verifikasi terhadap sumber asli
D. Biarkan tanpa pemeriksaan

Jawaban: C. Validasi memicu query; koreksi harus berdasarkan bukti dan terlacak.

Kuis formatif

2. AI menghasilkan artikel dengan DOI yang terlihat meyakinkan, tetapi tidak dapat ditemukan. Apa langkah tepat?

A. Kutip karena DOI tampak valid
B. Ganti judul agar cocok
C. Hapus/abaikan klaim tersebut sampai sumber primer terverifikasi
D. Gunakan sebagai grey literature

Jawaban: C. AI bukan pengganti verifikasi bibliografis.

Pesan penutup

Good research needs good information stewardship.

Teknologi yang tepat menjadikan penelitian lebih valid, aman, transparan, dapat diaudit, dan dapat direproduksi — bukan sekadar lebih cepat.

Human judgment → Structured data → Computational analysis → Interpretable evidence → Human decision

Sumber dan bacaan lanjut