Pertemuan 2 — Pemilihan Proyek & Perumusan Masalah

Gambaran Umum

Pertemuan ini membahas titik tolak sebuah Tugas Akhir (TA): bagaimana memilih topik proyek riset yang layak, bernilai ilmiah, dan relevan dengan informatika, lalu mengubah keresahan terhadap suatu fenomena menjadi masalah penelitian yang terdefinisi secara sistematis. Alurnya bergerak dari penemuan ide secara divergen, penyaringan secara konvergen dengan instrumen dan matriks kelayakan, sampai perumusan latar belakang dan pernyataan masalah. Inti pesannya: masalah riset adalah kesenjangan pengetahuan ilmiah, bukan sekadar kendala teknis membuat aplikasi.

Poin Kunci untuk Diingat

Masalah riset adalah kesenjangan antara kondisi ideal/teoretis dan fakta empiris yang belum terselesaikan oleh pengetahuan yang ada — bukan sekadar masalah teknis seperti belum adanya aplikasi atau sistem yang masih manual.
Penemuan ide berjalan dua fase: divergen (kumpulkan ide sebanyak-banyaknya, tunda kritik) lalu konvergen (saring ketat sampai 1 topik yang feasible dan bernilai); dalam brainstorming 6 langkah, jangan campurkan eksplorasi bebas (langkah 2) dengan skrining kelayakan (langkah 4).
Tipologi Dawson membagi proyek komputasi menjadi 5 kelas — research, development, evaluation, comparative, dan industry/application-based — dan TA boleh memadukan dua kelas.
Pemilihan topik dinilai dengan 4 faktor (minat, kompetensi, sumber daya, waktu 1–2 semester) dan dapat diskoring dengan Matriks Kelayakan berbobot: Minat 20%, Kompetensi 25%, Akses Dataset/Alat 30%, Kelayakan Waktu 25%.
Relevance Tree bersifat deduktif-hierarkis (Level 0 sampai simpul daun Level 3), sedangkan Spider Diagram bersifat asosiatif-radial dan non-hirarkis untuk sistem terintegrasi.
Latar belakang dibangun deduktif (piramida terbalik) dari tiga pilar — Fenomena Nyata, Urgensi & Dampak, Research Gap — dan dialurkan dengan kerangka OMKKMASASOLTU: Obyek → Metode Ada → Kelebihan & Kelemahan → Masalah → Solusi → Tujuan.
Ada 4 jenis research gap: Evidence, Methodological, Domain, dan Theoretical Gap; alur justifikasinya adalah Fenomena → Research Gap → Research Problem.
Problem Statement yang baik spesifik dan terukur, berpijak pada literatur valid, dan mengungkap akar penyebab; hindari kalimat umum/puitis, keluhan ketiadaan aplikasi komersial, dan menjadikan keinginan peneliti sebagai masalah.

Isi per Bagian

1. Pendahuluan

Capaian Pembelajaran

Sub-CPMK Pertemuan 2: 1. Mampu memilih topik proyek riset yang feasible, bernilai ilmiah, dan relevan dengan bidang informatika. 2. Mampu merumuskan research problem, latar belakang yang kuat, dan alur pembentukan masalah secara sistematis.
CPMK yang dilayani:
CPMK1001: Merancang solusi TI berbasis sikap ilmiah.
CPMK1004: Dokumentasi laporan ilmiah sistematis.
Bobot evaluasi perkuliahan: Tugas Terstruktur 44%, Ujian Akhir (UAS) 38%, Partisipasi & Kuis 8%, Ujian Tengah (UTS) 10%.

Kilas Balik & Jembatan

Minggu lalu (hakikat riset):
Riset bertujuan menghasilkan pengetahuan baru (novelty).
Piramida DIKW: Data → Informasi → Pengetahuan → Kebijaksanaan.
Proyek komputasi bukan sekadar membuat program, melainkan menguji hipotesis ilmiah.
Hari ini (titik tolak), pertanyaan yang dijawab:
Bagaimana memilih topik TA yang tepat dan realistis?
Apa saja teknik sistematis untuk memantik ide riset?
Bagaimana mengubah keresahan terhadap fenomena menjadi research problem yang terdefinisi?

Pertanyaan Pemantik — Refleksi Awal Tugas Akhir

Pertanyaan pembuka: dari mana judul TA akan berasal?
Mitos populer mahasiswa:
Menunggu wangsit atau ilham yang datang tiba-tiba.
Mengambil judul kakak tingkat lalu hanya mengganti objek studi kasusnya.
Membuat aplikasi apa saja asal dosen pembimbing setuju.
Realitas sikap ilmiah:
Ide riset lahir dari eksplorasi terstruktur dan membaca literatur.
Topik harus memiliki celah riset (research gap) yang terbukti.
Ada metodologi baku untuk membedah masalah sebelum menulis kode program.

2. Menemukan Ide Proyek Riset

Lima Kelas Proyek Komputasi — Tipologi Dawson

Research-based Project — menginvestigasi teori atau fenomena algoritma. Contoh: konvergensi optimizer baru pada Transformer.
Development-based Project — merancang perangkat lunak secara rekayasa formal. Contoh: arsitektur microservices yang toleran terhadap kesalahan.
Evaluation-based Project — menguji kinerja sistem/alat secara empiris. Contoh: uji skalabilitas basis data NoSQL vs SQL.
Comparative-based Project — membandingkan dua/lebih metode secara terkontrol. Contoh: komparasi YOLOv8 vs RT-DETR untuk deteksi hama.
Industry/Application-based Project — memecahkan masalah spesifik mitra industri. Contoh: klasifikasi mutu panen sawit multispektral.

Catatan Dawson: TA mahasiswa dapat memadukan dua kelas, misalnya development + evaluation.

Sumber Inspirasi Ide Riset — Saluran Penggalian Topik

Literatur ilmiah: bagian Future Work pada paper IEEE/ACM.
Pengalaman kerja/magang: masalah nyata di industri/mitra.
Proyek open source: isu performa atau keterbatasan modul publik.
Mata kuliah favorit: minat mendalam pada sub-disiplin komputasi.
Riset dosen: bergabung dengan topik hibah atau lab keahlian.
Replikasi & ekstensi: menguji metode mutakhir pada dataset lokal.
Diskusi sejawat: saling membedah tantangan teknis dalam kelompok.

Peringatan: ide liar tanpa panduan metodologis sering menjebak mahasiswa ke lingkup proyek raksasa yang mustahil selesai dalam 1–2 semester.

Divergen vs Konvergen — Dua Kutub Penemuan Ide

Fase divergen (eksplorasi luas):
Kuantitas ide diutamakan.
Tunda evaluasi dan kritik awal.
Buka beragam sudut pandang.
Fase konvergen (penyaringan ketat):
Uji kelayakan dan sumber daya.
Seleksi relevansi informatika.
Tentukan 1 prioritas realistis.
Hasil yang dituju: 1 topik terpilih yang feasible dan bernilai.
Prinsipnya: gunakan fase divergen untuk mengumpulkan variasi ide, lalu beralih tegas ke fase konvergen untuk memilih satu fokus.

Enam Langkah Brainstorming

Fase divergen: 1. Tentukan minat. 2. Eksplorasi bebas. 3. Klastering ide.
Fase konvergen: 4. Skrining kelayakan. 5. Uji novelty. 6. Keputusan topik.
Kunci sesi: jangan mencampuradukkan tahap 2 dan tahap 4. Mengkritik ide pada langkah 2 membunuh kreativitas; mengabaikan skrining pada langkah 4 melahirkan topik yang tidak selesai.

Studi Kasus: Divergensi Ide — Eksplorasi Minat Computer Vision

Pernyataan minat awal: ingin mengerjakan skripsi tentang pengolahan citra medis menggunakan kecerdasan artifisial.
Hasil eksplorasi menghasilkan 6 variasi ide (dirinci di bagian Contoh / Studi Kasus).

Studi Kasus: Bantuan LLM — Eksplorasi Ide dengan AI

Praktik prompting yang baik dicontohkan dengan prompt yang spesifik: meminta 5 variasi permasalahan riset terkini di bidang Computer Vision citra medis, yang memiliki dataset publik terbuka di Kaggle dan dapat dilatih dengan GPU Google Colab, dalam konteks mahasiswa S1 Informatika.
Pemanfaatan LLM:
Gunakan LLM untuk memperkaya sudut pandang divergen.
Minta saran celah metodologi atau dataset standar.
Aturan AI Disclosure:
Pemakaian AI untuk eksplorasi ide wajib dideklarasikan dalam naskah proposal.
Jangan menelan mentah saran LLM; verifikasi referensi paper yang disebutkan karena rawan halusinasi.

Studi Kasus: Keputusan Topik

Topik terpilih tentang klasifikasi retinopati diabetik dengan MobileNetV3 dan atensi spasial untuk perangkat dengan keterbatasan tertentu, beserta rasional ilmiah dan faktor kelayakan praktisnya (dirinci di bagian Contoh / Studi Kasus).

3. Menstrukturkan & Memilih Proyek

Relevance Tree — Dekomposisi Hirarkis Masalah Riset

Konsep dasar:
Mengurai satu tema besar secara deduktif menjadi rantai cabang yang semakin spesifik.
Membantu peneliti memetakan seluruh komponen dari bidang riset yang diminati.
Menunjukkan dengan jelas di simpul mana kontribusi penelitian akan diletakkan.
Lima tahap pembuatan: 1. Tuliskan bidang minat utama di puncak (Level 0). 2. Pecah ke 3–4 sub-disiplin (Level 1). 3. Urai tiap sub-disiplin ke teknik/metode (Level 2). 4. Identifikasi masalah spesifik pada daun ranting (Level 3). 5. Pilih satu simpul daun sebagai calon topik.

Contoh Relevance Tree — Hirarki Topik Edge Computing

Puncak: Edge AI pada Kamera Lalu Lintas, dipecah menjadi Efisiensi Komputasi, Akurasi Deteksi, serta Privasi & Keamanan, lalu diurai lagi ke teknik-teknik spesifik di daunnya.
Simpul target yang dipilih mahasiswa: Kuantisasi 8-bit untuk Efisiensi Komputasi sebagai topik TA (dirinci di bagian Contoh / Studi Kasus).

Spider Diagram — Pemetaan Konsep Asosiatif Radial

Karakteristik utama:
Menempatkan gagasan sentral di pusat lingkaran, lalu mengembangkan cabang secara radial.
Bersifat non-hirarkis: lebih fleksibel untuk melihat keterhubungan antar modul sistem.
Sangat cocok untuk topik pengembangan sistem komputasi terintegrasi (integrated systems).
Kontras dengan Relevance Tree:
Relevance Tree: bersifat deduktif dan kaku, membedah dari umum ke khusus.
Spider Diagram: bersifat asosiatif dan organis, merangkul keterkaitan antar konsep yang setara.

Contoh Spider Diagram — Studi Kasus Presensi Cerdas

Gagasan sentral Presensi Cerdas Kampus dikembangkan ke modul-modul di sekitarnya; fokus terpilihnya adalah modul Biometrik Wajah Anti-Spoofing (dirinci di bagian Contoh / Studi Kasus).

Memilih Teknik yang Tepat — Komparasi Tiga Instrumen Ide

Teknik	Karakter Utama	Kapan Digunakan	Kelebihan / Risiko
Brainstorming	Divergen, eksplorasi bebas kuantitas ide	Awal sekali, saat belum memiliki bayangan topik sama sekali	Sangat kaya ide baru; berisiko bias jika tidak disaring ketat
Relevance Tree	Deduktif, dekomposisi hierarki bertingkat	Sudah punya bidang umum, ingin mencari sub-masalah spesifik	Alur sangat logis; membutuhkan wawasan dasar struktur bidang
Spider Diagram	Asosiatif, relasi radial antar modul konsep	Merancang sistem komputasi dengan banyak komponen terkait	Fleksibel dan holistik; dapat meluas tanpa batas jika tidak dibatasi

Empat Faktor Pemilihan Proyek — Kriteria Kelayakan Topik

Minat / Motivasi Personal — apakah topik ini benar-benar menarik? Motivasi internal adalah energi utama saat menghadapi kebuntuan kode atau revisi naskah.
Kompetensi / Latar Belakang — apakah bekal teori dan keterampilan teknis cukup? Mempelajari bahasa baru dari nol saat skripsi sangat berisiko.
Ketersediaan Sumber Daya — apakah dataset sudah ada atau mudah diakuisisi? Apakah perangkat keras (GPU/server/sensor) tersedia untuk eksperimen?
Batasan Waktu / Kelayakan — dapatkah seluruh siklus penelitian diselesaikan tuntas dalam 1–2 semester sesuai kalender akademik?

Matriks Kelayakan Topik — Skoring Kuantitatif

Kriteria dan bobot:
Minat & Motivasi Pribadi: 20%
Kompetensi Awal Mahasiswa: 25%
Akses Dataset / Alat Uji: 30%
Kelayakan Waktu (1 Semester): 25%
Total bobot: 100%
Hasil perbandingan dua topik (dirinci di bagian Contoh / Studi Kasus): Topik A memperoleh total skor terbobot 4,3/5,0 dan direkomendasikan, sedangkan Topik B hanya 2,05/5,0 dan berisiko tinggi.
Prinsip keputusan ilmiah: pilih topik yang skor terbobotnya seimbang dan realistis, bukan sekadar topik yang terdengar paling canggih namun sarat kendala alat dan data.

4. Merumuskan Masalah Penelitian

Apa itu Research Problem? — Pusat Gravitasi Riset Ilmiah

Definisi: Masalah Penelitian (Research Problem) adalah kesenjangan (gap) nyata antara apa yang seharusnya (kondisi ideal/teoretis) dengan apa yang terjadi (fakta empiris/kinerja sistem saat ini), yang belum dapat diselesaikan oleh pengetahuan yang ada.
Urgensi masalah riset:
Masalah mendikte metodologi yang harus digunakan.
Masalah menentukan kebaruan (novelty) skripsi.
Tanpa masalah yang jelas, penelitian kehilangan justifikasi ilmiah.

Yang Bukan Masalah Riset — Masalah Teknis vs Riset

Masalah teknis/rutin: penyelesaiannya cukup dengan pemrograman rutin (software engineering biasa), tanpa menghasilkan pengetahuan baru. Contohnya pendataan manual di toko, aplikasi web lambat karena server kehabisan RAM, dan belum adanya aplikasi pemesanan Android untuk suatu UMKM.
Masalah riset ilmiah: menyangkut kesenjangan pengetahuan, misalnya penurunan akurasi klasifikasi saat ketidakseimbangan kelas ekstrem, tingginya latency konsensus blockchain, dan kerentanan model visi komputer terhadap adversarial attack (contoh lengkap di bagian Contoh / Studi Kasus).

Anatomi Latar Belakang Masalah — Tiga Pilar Paragraf Masalah

Fenomena Nyata — deskripsi kondisi faktual di dunia nyata atau industri; wajib didukung data statistik/fakta empiris terkini.
Urgensi & Dampak — mengapa masalah penting dipecahkan dan apa konsekuensi buruk jika dibiarkan tanpa solusi.
Research Gap — kelemahan atau batasan solusi/metode ilmiah terdahulu; inilah pintu masuk kontribusi peneliti.

Pola alur pikirnya deduktif (piramida terbalik): dari gambaran makro dunia nyata, mengerucut ke kelemahan metode SOTA (state-of-the-art), hingga spesifikasi masalah yang diteliti.

Alur OMKKMASASOLTU — Kerangka Deduktif Latar Belakang

Obyek (O) — bidang/sistem yang diteliti dan signifikansi perannya.
Metode Ada (M) — pendekatan atau algoritma SOTA yang saat ini jamak digunakan.
Kelebihan & Kelemahan (KK) — apresiasi capaian metode ada, lalu beberkan celah/kelemahannya.
Masalah (MASA) — Research Problem: titik kritis kesenjangan yang belum tuntas.
Solusi (SOL) — metode/perbaikan yang diusulkan untuk menambal kelemahan.
Tujuan (TU) — target capaian perbaikan performa yang terukur secara kuantitatif.

Contoh Penerapan OMKKMASASOLTU — Studi Kasus Citra Medis

Penerapan kerangka ini pada kasus deteksi dini tuberkulosis paru dari citra rontgen toraks dengan CNN ResNet-50 (dirinci di bagian Contoh / Studi Kasus).

Fenomena, Gap, dan Problem — Tiga Simpul Justifikasi Ilmiah

Fenomena Lapangan — realitas masalah di dunia nyata; buktinya data statistik, fakta lapangan, laporan resmi.
Research Gap — keterbatasan solusi ilmiah yang ada; buktinya paper SOTA, review, temuan yang kontradiktif.
Research Problem — pernyataan kesenjangan spesifik; rumusan eksplisit tentang apa yang akan dipecahkan peneliti.

Alur hubungannya: fenomena memicu pencarian literatur → literatur menyingkap research gap → research gap dirumuskan menjadi research problem.

Empat Jenis Research Gap

Evidence Gap — hasil temuan antar peneliti sebelumnya saling bertentangan pada fenomena yang sama. Contoh: Paper A menyatakan SVM lebih unggul, namun Paper B membuktikan Naive Bayes lebih stabil.
Methodological Gap — metode sebelumnya memiliki kelemahan mendasar pada instrumen atau validasi data. Contoh: evaluasi hanya memakai akurasi pada data imbalanced tanpa melihat F1/MCC.
Domain Gap — solusi terbukti berhasil pada domain X, namun belum pernah diuji pada karakteristik domain Y. Contoh: model OCR aksara Latin diadaptasi untuk transliterasi aksara Lampung kuno.
Theoretical Gap — belum ada landasan teori formal yang mampu menjelaskan anomali fenomena tertentu. Contoh: ketiadaan penjelasan formal mengapa arsitektur model tertentu rentan halusinasi.

Pernyataan Masalah (Problem Statement) — Formula Kalimat

Formula sintaksis standar, diparafrasekan strukturnya: kalimat diawali dengan capaian metode/sistem yang ada, dilanjutkan kelemahan kritisnya ketika berhadapan dengan kondisi nyata tertentu, dan ditutup dengan dampak kerugian yang diakibatkannya. Komponennya: [Metode/Sistem Ada] + [Capaian A] + [Kelemahan Kritis B] + [Kondisi Nyata C] + [Dampak Kerugian D].
Do's (dianjurkan):
Spesifik dan terukur parameternya.
Berpijak pada rujukan literatur yang valid.
Mengungkapkan akar penyebab (root cause).
Don'ts (hindari):
Kalimat terlalu umum, puitis, atau retoris.
Mengeluhkan ketiadaan aplikasi komersial.
Menjadikan keinginan peneliti sebagai masalah.

5. Studi Kasus Lintas Domain

Bagian ini menunjukkan pola yang sama di berbagai domain: setiap kasus dibedakan antara masalah praktis di lapangan dengan research problem ilmiahnya (rincian tiap kasus ada di bagian Contoh / Studi Kasus).

Visi Komputer / AI: NLP analisis sentimen dan Computer Vision untuk pemantauan via drone.
Rekayasa Jaringan / Infrastruktur: Sistem Informasi medis dan Keamanan Jaringan (IDS).
Rekayasa Software: RPL (technical debt) dan Data (integrasi ETL).

6. Aktivitas & Penutup

Aktivitas 1: Brainstorming Topik dan Aktivitas 2: Sketsa Masalah — ketentuannya dirinci di bagian Tugas / Worksheet / Latihan.

Ringkasan & Jembatan

Tiga intisari pertemuan: 1. Proyek riset harus dipilih melalui proses divergen–konvergen yang realistis dengan sumber daya. 2. Masalah riset adalah kesenjangan pengetahuan ilmiah, bukan sekadar kendala teknis pembuatan aplikasi. 3. Alur latar belakang deduktif (OMKKMASASOLTU) mengalirkan fenomena empiris menuju research gap.
Preview rantai logika ilmiah: Research Problem → Research Question → Research Objective.
Jembatan ke Pertemuan 3: untuk membuktikan celah riset benar-benar otentik, minggu depan akan dikuasai Survei Literatur Sistematis & Reference Management.

Referensi Perkuliahan

Dawson, C. W. (2009). Projects in Computing and Information Systems: A Student's Guide (2nd ed.). Addison-Wesley / Pearson Education.
Wahono, R. S. (2020). Membedah Anatomi Penelitian: Research Problem, Research Question, dan Research Objective. Brainmatics.
Wahono, R. S. (2012). Kiat Menyusun Alur Latar Belakang Masalah Penelitian. romisatriawahono.net.

Istilah & Konsep Kunci

Istilah	Definisi Singkat
Novelty	Kebaruan pengetahuan yang dihasilkan riset; salah satu penentu nilai skripsi yang ditentukan oleh masalah risetnya.
Piramida DIKW	Jenjang Data → Informasi → Pengetahuan → Kebijaksanaan, dibahas sebagai kilas balik hakikat riset.
Research-based Project	Kelas proyek Dawson yang menginvestigasi teori atau fenomena algoritma.
Development-based Project	Kelas proyek Dawson yang merancang perangkat lunak secara rekayasa formal.
Evaluation-based Project	Kelas proyek Dawson yang menguji kinerja sistem/alat secara empiris.
Comparative-based Project	Kelas proyek Dawson yang membandingkan dua/lebih metode secara terkontrol.
Industry/Application-based Project	Kelas proyek Dawson yang memecahkan masalah spesifik mitra industri.
Fase Divergen	Fase eksplorasi luas yang mengutamakan kuantitas ide dan menunda kritik/evaluasi awal.
Fase Konvergen	Fase penyaringan ketat melalui uji kelayakan dan sumber daya untuk menentukan satu topik prioritas.
Brainstorming (6 langkah)	Tahapan sistematis menyeleksi ide: tentukan minat, eksplorasi bebas, klastering ide, skrining kelayakan, uji novelty, keputusan topik.
AI Disclosure	Kewajiban mendeklarasikan pemakaian AI (misalnya LLM untuk eksplorasi ide) dalam naskah proposal.
Relevance Tree	Teknik dekomposisi deduktif hierarkis dari tema besar (Level 0) ke masalah spesifik di simpul daun (Level 3) sebagai calon topik.
Spider Diagram	Teknik pemetaan konsep asosiatif radial yang non-hirarkis, cocok untuk sistem komputasi terintegrasi.
Matriks Kelayakan Topik	Skoring kuantitatif berbobot untuk memilih topik: Minat 20%, Kompetensi 25%, Akses Dataset/Alat 30%, Kelayakan Waktu 25%.
Research Problem	Kesenjangan nyata antara kondisi ideal/teoretis dan fakta empiris/kinerja saat ini, yang belum dapat diselesaikan pengetahuan yang ada.
Masalah Teknis / Rutin	Kendala yang penyelesaiannya cukup dengan pemrograman rutin, tanpa menghasilkan pengetahuan baru; bukan masalah riset.
Research Gap	Kelemahan atau batasan solusi/metode ilmiah terdahulu; pintu masuk kontribusi peneliti dalam latar belakang.
Evidence Gap	Jenis gap berupa temuan antar peneliti sebelumnya yang saling bertentangan pada fenomena yang sama.
Methodological Gap	Jenis gap berupa kelemahan mendasar metode sebelumnya pada instrumen atau validasi data.
Domain Gap	Jenis gap berupa solusi yang berhasil di domain X tetapi belum pernah diuji di domain Y.
Theoretical Gap	Jenis gap berupa belum adanya landasan teori formal untuk menjelaskan anomali fenomena tertentu.
OMKKMASASOLTU	Kerangka deduktif latar belakang: Obyek – Metode Ada – Kelebihan & Kelemahan – Masalah – Solusi – Tujuan.
SOTA (State-of-the-Art)	Metode/pendekatan terkini yang jamak digunakan dan menjadi acuan capaian serta kelemahan dalam latar belakang.
Problem Statement	Pernyataan masalah dalam satu kalimat baku yang memuat capaian metode ada, kelemahan kritis, kondisi nyata, dan dampaknya.
Fenomena – Gap – Problem	Tiga simpul justifikasi ilmiah: fenomena lapangan memicu pencarian literatur, literatur menyingkap gap, gap dirumuskan menjadi problem.

Contoh / Studi Kasus dari Slide

1. Divergensi Ide — Computer Vision Citra Medis (Slide Studi Kasus: Divergensi Ide)

Minat awal: pengolahan citra medis menggunakan kecerdasan artifisial.
Enam ide hasil eksplorasi: 1. Deteksi pneumonia dari citra X-ray dada. 2. Segmentasi tumor otak pada citra MRI 3D. 3. Klasifikasi penyakit kulit via kamera ponsel. 4. Optimasi model CNN ringan untuk perangkat Raspberry Pi di Puskesmas. 5. Deteksi retinopati diabetik dengan teknik few-shot learning. 6. Sintesis data citra medis langka menggunakan Generative Adversarial Networks (GAN).

2. Keputusan Topik — Retinopati Diabetik (Slide Studi Kasus: Keputusan Topik)

Topik terpilih: klasifikasi retinopati diabetik menggunakan arsitektur MobileNetV3 dengan atensi spasial untuk perangkat posisi terbatas.
Rasional ilmiah:
Dataset terbuka: tersedia dataset publik APTOS 2019 di Kaggle (terverifikasi label dokter).
Celah riset: model SOTA akurat namun boros komputasi; perlu efisiensi parameter tanpa degradasi sensitivitas.
Faktor kelayakan praktis:
Kompetensi: mahasiswa sudah menguasai PyTorch & OpenCV.
Waktu & alat: pelatihan model ringan memakan waktu < 4 jam di Google Colab gratis.

3. Relevance Tree — Edge Computing (Slide Contoh Relevance Tree)

Tema puncak: Edge AI pada Kamera Lalu Lintas.
Cabang Level 1: Efisiensi Komputasi; Akurasi Deteksi; Privasi & Keamanan.
Daun-daun tekniknya antara lain: Pruning Bobot, Kuantisasi 8-bit Post-Train, Knowledge Distillation (di bawah Efisiensi Komputasi); Kondisi Malam Hari, Oklusi Kendaraan, Resolusi Rendah (di bawah Akurasi Deteksi); Blurring Wajah Otomatis dan Enkripsi Video Stream (di bawah Privasi & Keamanan).
Simpul target: mahasiswa memilih fokus pada Kuantisasi 8-bit untuk Efisiensi Komputasi sebagai topik TA.

4. Spider Diagram — Presensi Cerdas (Slide Contoh Spider Diagram)

Pusat: Presensi Cerdas Kampus.
Modul-modul di sekitarnya: Aplikasi Mobile Mahasiswa; Integritas Log Presensi; Biometrik Wajah (Anti-Spoofing); Sinkronisasi Luring-Daring; Geofencing & Beacon BLE.
Fokus terpilih: dari seluruh spektrum sistem presensi, mahasiswa mengambil riset inti pada modul Biometrik Wajah Anti-Spoofing.

5. Matriks Kelayakan — Dua Topik Dibandingkan (Slide Matriks Kelayakan Topik)

Kriteria (Bobot)	Topik A: Deteksi CT-Scan	Topik B: Robot Humanoid Mandiri
Minat & Motivasi Pribadi (20%)	4 (skor 0,8)	5 (skor 1,0)
Kompetensi Awal Mahasiswa (25%)	4 (skor 1,0)	2 (skor 0,5)
Akses Dataset / Alat Uji (30%)	5 (skor 1,5)	1 (skor 0,3)
Kelayakan Waktu — 1 Semester (25%)	4 (skor 1,0)	1 (skor 0,25)
Total Skor Terbobot	4,3 / 5,0 (Direkomendasikan)	2,05 / 5,0 (Tinggi Risiko)

6. OMKKMASASOLTU — Citra Medis Tuberkulosis (Slide Contoh Penerapan OMKKMASASOLTU)

Obyek (O): Deteksi dini tuberkulosis paru melalui modalitas citra radiologi rontgen toraks digital.
Metode (M): Algoritma CNN arsitektur ResNet-50 sering dipakai untuk klasifikasi biner.
Kelebihan/Kelemahan (KK): ResNet-50 mencapai akurasi 94% pada citra berkualitas tinggi, namun kinerjanya merosot drastis pada citra dengan pencahayaan rendah dan artefak gerakan pasien.
Masalah (MASA): Model gagal mengekstraksi fitur lesi mikro pada citra ber-derau tinggi akibat hilangnya gradien spasial halus.
Solusi (SOL): Mengintegrasikan modul atensi spasial ganda (Dual-Attention Mechanism) dan normalisasi adaptif pada lapisan konvolusi.
Tujuan (TU): Meningkatkan metrik F1-score minimal 5% pada dataset citra ber-derau tanpa meningkatkan waktu inferensi secara signifikan.

7. Masalah Teknis vs Masalah Riset (Slide Yang Bukan Masalah Riset)

Masalah teknis/rutin (bukan riset):
Sistem pendataan di Toko X masih manual menggunakan kertas.
Aplikasi web lambat karena server kehabisan memori RAM.
Belum ada aplikasi pemesanan berbasis Android untuk UMKM Y.
Masalah riset ilmiah:
Penurunan akurasi klasifikasi drastis pada model saat terjadi ketidakseimbangan kelas ekstrem (severe class imbalance).
Tingginya latency konsensus pada jaringan blockchain skala padat transaksi.
Kerentanan model visi komputer terhadap serangan manipulasi piksel (adversarial attack).

8. Studi Kasus Lintas Domain — Visi Komputer (Slide Studi Kasus: Visi Komputer)

NLP — Analisis Sentimen:
Masalah praktis: ulasan produk lokal banyak memakai bahasa gaul (slang) campur kode.
Research Problem: ketidakmampuan model BERT standar menangani pergeseran semantik kata prokem multi-bahasa daerah, yang mengakibatkan kesalahan klasifikasi polaritas sebesar 23%.
Computer Vision — Drone:
Masalah praktis: pemantauan kebakaran hutan via drone sering terhalang kabut asap.
Research Problem: degradasi kontras ekstrem pada citra termal inframerah yang menyebabkan hilangnya batas tepi objek titik api pada algoritma deteksi standar.

9. Studi Kasus Lintas Domain — Rekayasa Jaringan (Slide Studi Kasus: Rekayasa Jaringan)

Sistem Informasi — Medis:
Masalah praktis: waktu tunggu antrean pasien di poliklinik rumah sakit membludak.
Research Problem: tingginya idle time ruang dokter akibat ketidakpastian distribusi waktu kedatangan pasien darurat pada algoritma penjadwalan statis.
Keamanan Jaringan — IDS:
Masalah praktis: server web universitas rentan lumpuh akibat serangan siber.
Research Problem: tingginya angka false alarm pada IDS berbasis signature ketika menghadapi variasi pola serangan DDoS jenis low-rate slowloris.

10. Studi Kasus Lintas Domain — Rekayasa Software (Slide Studi Kasus: Rekayasa Software)

RPL — Technical Debt:
Masalah praktis: biaya perawatan modul software open-source membengkak.
Research Problem: ketiadaan metrik kuantitatif yang mampu mendeteksi korelasi antara pola code smell arsitektural dengan frekuensi cacat regresi pada commit kolaboratif.
Data — Integrasi ETL:
Masalah praktis: data capaian mahasiswa tersebar di berbagai database terisolasi.
Research Problem: terjadinya inkonsistensi semantik data transaksional dan latensi sinkronisasi tinggi pada arsitektur pipeline ETL konvensional berbasis batch.

Tugas / Worksheet / Latihan

Aktivitas 1: Brainstorming Topik — Simulasi Penemuan Ide Terpadu

Tahap 1 — Mandiri (Durasi: 5 Menit):
Tuliskan 5 ide awal topik skripsi di catatan Anda.
Bebas berekspresi tanpa mengkritik ide dulu.
Tahap 2 — Diskusi (Durasi: 10 Menit):
Bentuk kelompok 3 orang mahasiswa.
Uji ide anggota dengan 4 faktor kelayakan (Slide 18).
Tahap 3 — Seleksi (Durasi: 5 Menit):
Pilih 1 ide terbaik yang paling feasible.
Bawa ide terpilih ini ke Aktivitas 2.

Aktivitas 2: Sketsa Masalah — Merumuskan Simpul Masalah Ilmiah

Lembar kerja praktik yang harus diisi: 1. Kotak Fenomena Nyata: Masalah faktual apa yang terjadi di dunia industri/masyarakat? Bukti apa yang Anda miliki? 2. Kotak Research Gap: Mengapa teknologi atau metode yang ada saat ini belum mampu menyelesaikan masalah tersebut secara tuntas? 3. Kotak Problem Statement: Rumuskan dalam satu kalimat baku mengacu pada formula Slide 27.
Dosen akan menunjuk 2–3 kelompok secara acak untuk memaparkan sketsa masalahnya selama 2 menit dan mendapatkan umpan balik langsung.