Pengujian Data: Menimbang Etika, Keterbukaan, dan Ketangguhan Data Penelitian Biologi

E-Modul Pertemuan 10 · Teknologi Informasi dan Literasi Data (TILDA)

Ketika Data Diuji

Menimbang Etika, Keterbukaan, dan Ketangguhan Data Penelitian Biologi

Program Studi Biologi · FMIPA Universitas Negeri Medan · Semester Ganjil 2026/2027
Penyusun: Eko Prasetya, S.Pd., M.Sc.
Pengantar

Dari Penghafal Aturan Menjadi Juri

Bayangkan Anda sudah hafal seluruh aturan sepak bola, dari ukuran lapangan sampai definisi offside. Hafalan itu berguna, tetapi belum membuat Anda layak memimpin pertandingan. Wasit yang baik harus bisa melihat kejadian yang berlangsung cepat, menimbang niat pemain, lalu memutuskan pelanggaran atau bukan dalam hitungan detik. Pertemuan 9 memberi Anda buku aturannya, dan pertemuan 10 ini melatih Anda meniup peluit. Itulah sebabnya kata kerja pada indikator kita berubah dari menjelaskan menjadi mengevaluasi.

Mengevaluasi berarti memberi penilaian yang disertai alasan, bukan sekadar menyebut benar atau salah. Seorang evaluator bertanya apa yang terjadi, prinsip apa yang dipertaruhkan, siapa yang dirugikan, dan langkah apa yang paling masuk akal untuk memperbaikinya. Dalam penelitian biologi, pertanyaan semacam ini muncul setiap hari, dari cara mencatat data lapangan sampai keputusan membagikan koordinat spesies langka. Kabar baiknya, keterampilan menilai ini bisa dilatih, dan bahan latihannya tersedia melimpah dalam bentuk kasus nyata. Modul ini mengumpulkan kasus-kasus tersebut dari jurnal ilmiah terkemuka, lalu mengubahnya menjadi alat yang bisa Anda pakai sendiri.

Posisi pertemuan 10 dalam alur kemampuan paruh kedua semester
Gambar 2. Posisi pertemuan 10 dalam alur kemampuan paruh kedua semester
Studi Kasus Mini · Rina dan Tabel yang Terlalu RapiKisah rekaan untuk ilustrasi

Rina, mahasiswa semester tiga, sedang membantu kakak tingkatnya merapikan data pengukuran panjang daun dari tiga lokasi di kaki Gunung Sibayak. Ia heran karena kolom lokasi kedua berisi angka yang nyaris identik, baris demi baris, seolah disalin. Kakak tingkatnya berkata santai bahwa sebagian data memang “ditambal” karena hujan membuat pengukuran tertunda, dan toh hasilnya tidak akan jauh berbeda. Rina ragu, tetapi ia juga tidak ingin merusak hubungan baik dengan seniornya. Di titik inilah seorang peneliti muda diuji, bukan oleh soal ujian, melainkan oleh keputusan kecil yang tidak dilihat siapa pun.

Apa yang sebaiknya Rina lakukan? Simpan dulu jawaban Anda. Kita akan kembali ke Rina di Pojok Refleksi, setelah Anda punya alat untuk menilainya.

“Aturan membuat kita tahu batasnya. Evaluasi membuat kita berani menjaganya.”
Poin Penting
  • Pertemuan 9 berfokus pada memahami prinsip etika dan keamanan data. Pertemuan 10 berfokus pada menilai penerapannya dalam kasus nyata.
  • Evaluasi yang baik selalu memuat tiga unsur: penilaian, alasan, dan rekomendasi.
  • Lima topik modul ini: evaluasi kasus etika, Open Science, Responsible AI, ketangguhan data, dan praktik terbaik pengelolaan data.
Bab 1

Menimbang Kasus: Dari Kekeliruan Jujur sampai Pemalsuan

1.1 Seberapa sering sebenarnya?

Banyak orang membayangkan pemalsuan data sebagai ulah segelintir oknum, semacam apel busuk dalam keranjang yang sehat. Fanelli (2009) menguji anggapan itu dengan menggabungkan hasil 21 survei yang menanyai ilmuwan secara langsung, dan 18 di antaranya dianalisis dalam meta-analisis. Hasilnya, rata-rata tertimbang 1,97% ilmuwan mengaku pernah memfabrikasi, memfalsifikasi, atau memodifikasi data setidaknya sekali. Ketika pertanyaannya diganti menjadi apakah mereka pernah mengetahui rekan melakukannya, angkanya melonjak menjadi 14,12%. Untuk praktik penelitian yang meragukan, pengakuan diri mencapai 33,7% dan kesaksian terhadap rekan bahkan sampai 72%.

Hasil meta-analisis survei perilaku ilmuwan (diolah dari Fanelli, 2009)
Gambar 3. Hasil meta-analisis survei perilaku ilmuwan (diolah dari Fanelli, 2009)

Mengapa angka pengakuan diri jauh lebih kecil daripada angka kesaksian? Fanelli menduga ada efek yang ia sebut efek Mohammed Ali, yaitu kecenderungan orang menilai dirinya lebih jujur daripada rekan-rekannya. Selain itu, reputasi kejujuran adalah modal utama seorang ilmuwan, sehingga siapa pun yang pernah memalsukan data cenderung enggan mengakuinya, bahkan dalam survei anonim. Karena itu Fanelli menyimpulkan bahwa angka-angka tadi kemungkinan besar masih lebih rendah daripada kenyataannya. Pesannya untuk kita sederhana: pelanggaran integritas bukan peristiwa langka yang hanya terjadi di negeri yang jauh.

1.2 Kekeliruan, wilayah abu-abu, dan pemalsuan

Tidak semua data yang salah lahir dari niat jahat. Fanelli menegaskan bahwa unsur kunci pelanggaran berat adalah niat untuk menipu, sedangkan kekeliruan yang tidak disengaja atau perbedaan tafsir yang jujur tidak digolongkan sebagai pelanggaran. Di antara dua kutub itu terbentang wilayah abu-abu yang disebut praktik penelitian meragukan, misalnya membuang titik data hanya berdasarkan firasat. Wilayah abu-abu inilah yang paling licin, karena pelakunya sering merasa sedang merapikan data, bukan membengkokkannya. Bayangkan sebuah jalan menurun tanpa pagar: orang jarang jatuh karena melompat, tetapi karena tergelincir sedikit demi sedikit.

AspekKekeliruan jujurPraktik meragukanFabrikasi dan falsifikasi
NiatTidak ada niat menipuSamar; sering dirasionalisasiSengaja mengarang atau membelokkan data
Contoh biologiSalah ketik satuan berat spesimen; label foto gel tertukarMembuang individu “aneh” tanpa kriteria yang ditetapkan sebelumnya; hanya melaporkan hasil yang signifikanMengisi data pengamatan yang tidak pernah dilakukan; menyalin gambar untuk perlakuan berbeda
Respons yang proporsionalKoreksi terbuka (erratum), perbaikan prosedurTransparansi penuh, pelaporan alasan, diskusi dengan pembimbingPenarikan publikasi (retraksi) dan pemeriksaan oleh lembaga
Spektrum integritas data, dari kekeliruan sampai pemalsuan
Gambar 4. Spektrum integritas data, dari kekeliruan sampai pemalsuan

1.3 Jejak yang bisa dilihat mata

Kalau pemalsuan sulit diakui, bisakah ia dideteksi? Bik dkk. (2016) memeriksa gambar dari 20.621 makalah di 40 jurnal yang terbit antara 1995 dan 2014, terutama gambar western blot, pita gel, dan foto mikroskop. Mereka menemukan 782 makalah atau 3,8% memuat duplikasi gambar yang tidak semestinya, dan setidaknya separuhnya menunjukkan ciri manipulasi yang disengaja. Menariknya, semua itu ditemukan melalui pengamatan visual, tanpa perangkat lunak forensik khusus. Artinya, mata yang terlatih dan kebiasaan memeriksa ulang sudah merupakan alat audit yang sangat kuat.

Bik dan rekan membagi temuan mereka ke dalam tiga kategori yang bertingkat. Kategori pertama adalah duplikasi sederhana, yaitu gambar yang sama dipakai untuk dua kondisi percobaan berbeda, dan ini paling mungkin muncul dari kecerobohan saat menyusun figur. Kategori kedua adalah duplikasi dengan reposisi, ketika gambar yang sama digeser, diputar, atau dibalik. Kategori ketiga adalah duplikasi dengan alterasi, misalnya pita gel yang disalin berulang atau area gambar yang ditambal. Semakin tinggi kategorinya, semakin besar usaha sadar yang dibutuhkan, sehingga semakin sulit pula menyebutnya sebagai ketidaksengajaan.

KategoriWujudnyaJumlah makalahKemungkinan penyebab
I. Duplikasi sederhanaPanel identik mewakili kondisi berbeda230 (29,4%)Paling mungkin kecerobohan, tetapi bisa juga disengaja
II. Duplikasi dengan reposisiGambar sama yang digeser, diputar, atau dibalik356 (45,5%)Lebih mungkin disengaja
III. Duplikasi dengan alterasiPita, sel, atau area yang disalin dan ditambal196 (25,1%)Lebih mungkin disengaja

Sumber: diolah dari Bik dkk. (2016), total 782 makalah bermasalah.

Tiga kategori duplikasi gambar menurut Bik dkk. (2016), ilustrasi rekaan
Gambar 5. Tiga kategori duplikasi gambar menurut Bik dkk. (2016), ilustrasi rekaan

Temuan lain yang patut direnungkan adalah pola berulang. Ketika Bik dan rekan memeriksa makalah lain dari penulis pertama atau terakhir yang makalahnya bermasalah, 38,8% di antaranya ternyata memiliki setidaknya satu makalah lain yang juga bermasalah. Masalah dalam penyusunan figur rupanya cenderung menjadi kebiasaan, bukan kejadian sekali lewat. Sebaliknya, jurnal yang rutin memeriksa gambar sebelum terbit, seperti Journal of Cell Biology, hanya memuat 0,3% makalah bermasalah. Pelajarannya jelas: kebiasaan baik dan pemeriksaan berlapis lebih efektif daripada sekadar berharap semua orang jujur.

Studi Kasus Mini · Laba-Laba, Kepribadian, dan Data yang BerulangKasus nyata, berdasarkan laporan Pennisi (2020) di jurnal Science

Jonathan Pruitt pernah menjadi bintang muda ekologi perilaku berkat temuannya tentang kepribadian laba-laba sosial, ada yang pemalu dan ada yang agresif. Pada 2018 ia menerima Canada 150 Research Chair yang bergengsi di McMaster University. Keadaan berbalik ketika seorang peneliti muda mempertanyakan data dalam salah satu makalahnya di The American Naturalist, lalu tim yang memeriksanya menemukan terlalu banyak titik data yang berulang persis sama. Kate Laskowski, rekan penulisnya, kemudian menemukan kejanggalan serupa di makalah lain yang datanya juga hanya berasal dari Pruitt. Dalam sekitar dua minggu, dua makalah sudah ditarik dan sebanyak 23 jurnal mulai mengevaluasi makalah-makalah yang melibatkannya.

Pruitt menyatakan tidak melakukan penipuan dan menyebut masalah itu sebagai kesalahan pengelolaan data. Namun para koleganya kini harus melakukan pekerjaan forensik yang tidak pernah mereka bayangkan, misalnya memeriksa deretan angka yang tidak seacak seharusnya. Noa Pinter-Wollman, yang menulis hampir 20 makalah bersama Pruitt, menyebut situasi ini sebagai tragedi karena ia kehilangan kolaborator yang dipercayainya. Kasus ini memperlihatkan bahwa satu sumber data yang tidak diawasi bisa mengguncang karya banyak orang yang bekerja dengan jujur. Perhatikan pula bahwa ketika laporan ini ditulis, statusnya masih berupa dugaan yang sedang diperiksa, sehingga penilaian kita harus tetap berpijak pada bukti.

Diskusikan: bagian mana dari kasus ini yang merupakan fakta, dan bagian mana yang masih berupa dugaan? Pelajaran apa yang bisa dipetik oleh rekan penulis yang tidak pernah memegang data mentah?

1.4 Alat evaluasi Anda: kerangka FAKTA

Agar penilaian tidak didorong emosi atau kabar burung, Anda memerlukan urutan berpikir yang konsisten. Modul ini menawarkan kerangka lima langkah bernama FAKTA, yang dirangkum dari gagasan-gagasan dalam literatur di atas. Setiap huruf mewakili satu pertanyaan yang harus dijawab sebelum Anda menjatuhkan penilaian. Urutannya sengaja dimulai dari fakta dan diakhiri dengan solusi, karena vonis tanpa fakta hanyalah gosip, sedangkan fakta tanpa solusi hanyalah keluhan. Gunakan kerangka ini untuk setiap studi kasus dalam diskusi kelompok nanti.

LangkahPertanyaan kunciContoh pada kasus Pruitt
FFaktaApa yang sebenarnya terjadi, dan apa buktinya?Titik data berulang persis sama di beberapa makalah
AAturanPrinsip atau regulasi mana yang dipertaruhkan?Integritas data (larangan fabrikasi dan falsifikasi)
KKadar niatKekeliruan jujur, praktik meragukan, atau kesengajaan?Belum dapat dipastikan; perlu investigasi lembaga
TTerdampakSiapa dan apa yang dirugikan?Rekan penulis, mahasiswa, jurnal, dan bidang ilmu
AArah perbaikanTindakan korektif dan pencegahan apa yang proporsional?Retraksi makalah bermasalah, audit data mentah, verifikasi silang
Kerangka FAKTA untuk mengevaluasi kasus etika data
Gambar 6. Kerangka FAKTA untuk mengevaluasi kasus etika data
  • Saya sudah memisahkan fakta yang terbukti dari dugaan atau opini.
  • Saya sudah menyebut prinsip atau regulasi yang relevan secara spesifik.
  • Saya tidak menyimpulkan niat tanpa bukti yang memadai.
  • Saya sudah memetakan pihak yang dirugikan, termasuk makhluk hidup dan komunitas.
  • Rekomendasi saya bersifat korektif sekaligus mencegah kejadian berulang.
“Vonis tanpa fakta hanyalah gosip, dan fakta tanpa solusi hanyalah keluhan.”
Tips dan Trik
  • Nilailah perbuatannya, bukan orangnya. Diskusi yang menyerang pribadi menutup peluang belajar.
  • Gunakan kata yang tepat: “diduga” untuk hal yang belum terbukti, “terbukti” hanya bila sudah ada hasil pemeriksaan resmi.
  • Saat merapikan figur, bandingkan setiap panel dengan berkas asli dari alat. Kesalahan kategori I paling sering lahir dari folder yang berantakan.
Poin Penting
  • Survei menunjukkan sekitar 2% ilmuwan mengaku pernah memalsukan atau memodifikasi data, dan angka sebenarnya diduga lebih tinggi (Fanelli, 2009).
  • Yang membedakan kekeliruan dari pelanggaran berat adalah niat menipu, tetapi wilayah abu-abu tetap berbahaya.
  • Sekitar 1 dari 25 makalah yang diperiksa memuat duplikasi gambar bermasalah, dan pemeriksaan sebelum terbit terbukti efektif menekannya (Bik dkk., 2016).
  • Gunakan kerangka FAKTA: Fakta, Aturan, Kadar niat, Terdampak, Arah perbaikan.
Jeda Sejenak

Pernahkah Anda tergoda “merapikan” data praktikum agar grafiknya terlihat lebih bagus? Di titik mana pada spektrum Gambar 4 tindakan itu berada?

Bab 2

Open Science: Membuka Jendela Tanpa Membukakan Jalan bagi Pemburu

2.1 Mengapa sains perlu terbuka

Transparansi, keterbukaan, dan kemampuan untuk diulang adalah nilai yang diakui hampir semua ilmuwan. Namun Nosek dkk. (2015) mencatat jurang antara nilai dan praktik, karena sistem penghargaan akademik lebih menyukai temuan baru daripada upaya verifikasi. Akibatnya, hasil yang tidak signifikan jarang terbit dan menumpuk di laci, sehingga gambaran ilmu menjadi berat sebelah. Mereka menyebutnya masalah aksi kolektif: semua pihak diuntungkan jika semua orang terbuka, tetapi tidak ada individu yang cukup terdorong untuk memulai sendirian. Untuk memecah kebuntuan itu, sebuah komite menyusun pedoman Transparency and Openness Promotion (TOP) bagi jurnal ilmiah.

Pedoman TOP berisi delapan standar yang boleh diadopsi sebagian atau seluruhnya. Dua standar memberi penghargaan pada keterbukaan, yaitu sitasi untuk data, kode, dan materi, serta penerimaan studi replikasi. Empat standar menjelaskan apa saja yang perlu dibuka, yaitu rancangan dan analisis, materi penelitian, data, serta kode analisis. Dua standar sisanya berkaitan dengan prapendaftaran studi dan prapendaftaran rencana analisis sebelum data dikumpulkan. Setiap standar memiliki tiga tingkat, mulai dari sekadar menyatakan ketersediaan sampai mewajibkan analisis direproduksi secara independen sebelum terbit.

Standar TOPMaknanyaWujudnya dalam riset biologi
SitasiData, kode, dan materi disitasi seperti artikelMenyitasi dataset GBIF atau sekuens GenBank lengkap dengan DOI atau nomor aksesi
Transparansi dataData disimpan di repositori tepercayaTabel pengukuran lapangan diunggah ke Dryad, Figshare, atau Zenodo
Transparansi kodeSkrip analisis dapat diaksesSkrip R untuk analisis keanekaragaman ikut dibagikan
Transparansi materiBahan dan instrumen dapat dilacakNomor voucher herbarium, protokol primer, lembar pengamatan
Rancangan dan analisisMetode dilaporkan lengkapKriteria inklusi sampel ditulis jelas sejak awal
Prapendaftaran studiKeberadaan studi dicatat publikRencana survei didaftarkan sebelum turun lapangan
Prapendaftaran analisisRencana analisis ditetapkan lebih duluMemisahkan analisis konfirmatori dari eksploratori
ReplikasiStudi ulang dihargai dan diterbitkanMenguji ulang temuan lama di lokasi atau populasi berbeda

Sumber: diadaptasi dari Nosek dkk. (2015). Kolom contoh biologi adalah adaptasi penyusun.

Tiga tingkat standar TOP (diadaptasi dari Nosek dkk., 2015)
Gambar 7. Tiga tingkat standar TOP (diadaptasi dari Nosek dkk., 2015)

2.2 Ketika keterbukaan justru melukai

Keterbukaan bukan tanpa harga, dan biologi punya contoh yang sangat gamblang. Lindenmayer dan Scheele (2017) menyebutnya dilema penggunaan ganda, ketika informasi yang dimaksudkan untuk konservasi justru dipakai untuk merugikan keanekaragaman hayati. Mereka mencatat lebih dari 20 spesies reptil yang baru dideskripsikan telah menjadi sasaran perburuan, sebagian hanya dalam hitungan bulan setelah deskripsinya terbit. Dari pengalaman mereka sendiri di Australia, catatan lokasi kadal langka yang wajib diunggah ke atlas satwa daring milik pemerintah segera mengundang orang masuk tanpa izin ke lahan petani dan merusak habitat bebatuan. Kepercayaan antara peneliti dan pemilik lahan yang dibangun bertahun-tahun pun ikut terancam.

Studi Kasus Mini · Tokek Gua yang Hilang dari RumahnyaKasus nyata, dikisahkan dalam Lindenmayer dan Scheele (2017)

Goniurosaurus luii adalah tokek gua dari Tiongkok yang berpenampilan mencolok dan diminati kolektor satwa. Tidak lama setelah spesies ini dideskripsikan secara ilmiah, populasinya lenyap dari lokasi tipe, yaitu tempat spesimen acuannya pertama kali ditemukan. Lindenmayer dan Scheele bahkan mencatat bahwa ketika nama spesies semacam ini diketik di mesin pencari, isian otomatis langsung menawarkan kata kunci untuk membelinya. Publikasi yang niatnya memperkenalkan spesies kepada dunia ilmu justru berubah menjadi peta harta karun bagi pedagang satwa. Kasus ini menjadi pengingat bahwa koordinat GPS di tabel data kita bisa bernilai nyawa.

Jika Anda menemukan populasi anggrek langka di Taman Nasional Gunung Leuser, informasi apa yang akan Anda tulis di laporan, dan informasi apa yang akan Anda simpan?

Dilema penggunaan ganda: publikasi lokasi yang berujung perburuan (ilustrasi)
Gambar 8. Dilema penggunaan ganda: publikasi lokasi yang berujung perburuan (ilustrasi)

Jalan keluarnya bukan menutup semua data, melainkan menakar risikonya. Untuk spesies bernilai ekonomi tinggi dengan risiko besar, informasi lokasi dan habitat sebaiknya ditahan, sementara lembaga berwenang tetap diberi tahu dan jalur akses bagi pihak yang sah tetap dibuka. Untuk risiko sedang, data spasial dapat dikaburkan sehingga hanya lokasi umum yang ditampilkan dan data rinci hanya diberikan kepada pihak yang disetujui. Untuk risiko rendah, publikasi lokasi dan deskripsi habitat tetap layak dilakukan tanpa pembatasan. Beberapa jurnal taksonomi seperti Zootaxa bahkan sudah menerbitkan deskripsi spesies baru tanpa informasi lokasi.

Tingkat risikoKeputusanContoh data biologi
RendahBuka penuhKelimpahan serangga penyerbuk di kebun kampus; data fisiologi tanaman budidaya
SedangBatasi: kaburkan koordinat, berikan data rinci atas permintaanTitik sarang burung dilindungi di hutan kota; lokasi tumbuhan obat yang mulai langka
TinggiTahan: jangan publikasikan lokasi, laporkan ke otoritasPopulasi anggrek atau reptil endemik bernilai jual tinggi; lokasi baru spesies terancam punah

Sumber: kerangka risiko dari Lindenmayer dan Scheele (2017); contoh disesuaikan penyusun.

Menakar risiko sebelum membagikan data lokasi spesies
Gambar 9. Menakar risiko sebelum membagikan data lokasi spesies

2.3 Ketika aturan justru menghambat ilmu

Masalah keterbukaan juga bisa muncul dari arah sebaliknya, yaitu aturan yang terlalu ketat. Konvensi Keanekaragaman Hayati (CBD) mengikat 196 negara pihak untuk melestarikan keanekaragaman hayati, memanfaatkannya secara berkelanjutan, dan membagi keuntungan dari pemanfaatan sumber daya genetik secara adil. Tujuan terakhir itu dipertegas dalam Protokol Nagoya yang berlaku sejak 2014 melalui skema Akses dan Pembagian Keuntungan (ABS). Prathapan dkk. (2018), bersama 172 ilmuwan penanda tangan dari 35 negara, berpendapat bahwa banyak regulasi nasional turunan skema ini justru mempersulit penelitian biodiversitas oleh ilmuwan dalam negeri maupun kolaborasi internasional. Lebih dari 1.200 peneliti Brasil, misalnya, sampai mengajukan permohonan agar studi taksonomi dibedakan dari riset komersial.

Bagi negara megadiversitas seperti Indonesia, perdebatan ini sangat dekat dengan keseharian peneliti. Prathapan dan rekan mengingatkan bahwa dari sekitar 12 juta spesies eukariota di Bumi, kurang dari 2 juta yang sudah diberi nama, sementara sekitar 20% spesies terancam punah. Mereka mengusulkan agar penelitian nirlaba seperti inventarisasi dan taksonomi dibedakan dari riset komersial yang berujung pada hak kekayaan intelektual. Sebagai model, mereka menunjuk sistem multilateral dalam Perjanjian Benih (Seed Treaty) yang memfasilitasi sekitar 8.500 transfer materi genetik setiap minggu. Bagi Anda sebagai mahasiswa, pelajarannya ada dua: patuhi izin akses dan perjanjian transfer material, sekaligus pahami bahwa aturan yang baik seharusnya melindungi keanekaragaman hayati tanpa mematikan ilmunya.

“Keterbukaan adalah jendela, bukan pintu yang dicopot dari engselnya.”
Tips dan Trik Sebelum Membagikan Data Lapangan
  • Periksa status konservasi setiap spesies dalam dataset Anda sebelum mengunggahnya ke platform publik.
  • Untuk spesies sensitif, turunkan ketelitian koordinat atau tampilkan hanya nama kawasan.
  • Pastikan sampel biologis dan data sekuens Anda dilengkapi izin penelitian dan dokumen transfer material yang sah.
  • Tulis alasan pembatasan data secara terbuka di metadata. Menutup data dengan alasan yang jelas tetap termasuk sikap transparan.
Poin Penting
  • Open Science memperkuat verifikasi dan replikasi. Pedoman TOP memuat 8 standar dengan 3 tingkat (Nosek dkk., 2015).
  • Keterbukaan punya sisi gelap: data lokasi spesies langka dapat memicu perburuan dan kerusakan habitat (Lindenmayer & Scheele, 2017).
  • Prinsipnya seterbuka mungkin, setertutup yang diperlukan, berdasarkan penilaian risiko.
  • Aturan akses sumber daya genetik wajib dipatuhi, dan idealnya dirancang agar tidak mematikan riset nirlaba (Prathapan dkk., 2018).
Jeda Sejenak

Data Mini Riset kelompok Anda termasuk risiko rendah, sedang, atau tinggi? Apa alasannya?

Bab 3

Responsible AI: Asisten yang Fasih, tetapi Wajib Diperiksa

3.1 Ketika mesin mengarang daftar pustaka

Kecerdasan buatan generatif kini hadir di banyak meja belajar, termasuk untuk mencari literatur. Walters dan Wilder (2023) menguji keandalan kebiasaan ini dengan meminta ChatGPT-3.5 dan ChatGPT-4 menulis tinjauan pustaka singkat tentang 42 topik lintas bidang. Dari 84 naskah yang dihasilkan, mereka memeriksa 636 rujukan satu per satu di berbagai basis data. Hasilnya, 55% rujukan dari GPT-3.5 ternyata fiktif, sedangkan pada GPT-4 angkanya turun menjadi 18%. Di antara rujukan yang benar-benar ada pun, 43% rujukan GPT-3.5 dan 24% rujukan GPT-4 masih mengandung kesalahan substansial, seperti nama penulis, tahun, atau nomor halaman yang keliru.

Rujukan fiktif dan keliru dalam naskah buatan ChatGPT (diolah dari Walters & Wilder, 2023)
Gambar 10. Rujukan fiktif dan keliru dalam naskah buatan ChatGPT (diolah dari Walters & Wilder, 2023)

Mengapa mesin secanggih itu bisa mengarang? Walters dan Wilder menjelaskan bahwa ChatGPT pada dasarnya adalah alat pengolah bahasa, bukan alat pengolah informasi, sehingga ia meniru bentuk teks tanpa menjamin kebenaran isinya. Lebih mengkhawatirkan lagi, lima naskah yang diminta berupa tinjauan pustaka justru disajikan seperti studi empiris dengan metode dan hasil rekaan, dan salah satunya bahkan memuat koefisien korelasi serta nilai p yang dikarang. Model ini juga kerap bertahan pada jawaban keliru ketika diminta memeriksa ulang. Ibaratnya seperti pemandu wisata yang sangat fasih bercerita, tetapi sesekali menunjuk bangunan yang sebenarnya tidak pernah ada. Model yang Anda pakai hari ini mungkin sudah jauh lebih baik, tetapi prinsip verifikasinya tetap sama.

Studi Kasus Mini · Daftar Pustaka yang Terlalu SempurnaKisah rekaan untuk ilustrasi

Dimas meminta sebuah chatbot menyusun latar belakang proposal tentang mangrove di pesisir timur Sumatra Utara, lengkap dengan sepuluh rujukan. Hasilnya tampak meyakinkan, nama jurnalnya dikenal dan judul artikelnya terdengar sangat relevan. Karena dikejar tenggat, ia langsung menyalin semuanya ke laporan kelompok tanpa membuka satu pun artikelnya. Saat peer review, kelompok lain mencoba menelusuri DOI-nya dan tidak menemukan tiga di antaranya di basis data mana pun. Dimas tidak berniat menipu, tetapi kelalaiannya tetap menghasilkan rujukan fiktif dalam laporan yang ditandatangani seluruh anggota kelompok.

Evaluasi kasus Dimas dengan kerangka FAKTA. Di mana letak kadar niatnya, dan siapa saja yang ikut menanggung akibatnya?

3.2 Tata kelola AI: dari prinsip global ke kebiasaan harian

Kalau AI bisa keliru, siapa yang mengatur penggunaannya? Jobin dkk. (2019) memetakan 84 dokumen pedoman etika AI yang diterbitkan pemerintah, perusahaan, lembaga riset, dan organisasi internasional. Mereka menemukan sebelas prinsip etika, dan lima di antaranya muncul di lebih dari separuh dokumen, yaitu transparansi, keadilan, tidak merugikan, tanggung jawab, dan privasi. Namun kesepakatan itu lebih banyak di permukaan, karena setiap dokumen menafsirkan dan menerapkan prinsip yang sama dengan cara berbeda. Mereka juga mencatat bahwa suara dari Afrika, Amerika Selatan dan Tengah, serta Asia Tengah nyaris tidak terdengar dalam perdebatan global ini.

PrinsipMuncul diTerjemahannya untuk mahasiswa biologi
Transparansi73 dari 84 dokumenNyatakan alat AI yang dipakai, untuk bagian apa, dan kapan
Keadilan68 dari 84Waspadai bias, misalnya AI yang hanya mengenal literatur dari negara tertentu
Tidak merugikan60 dari 84Jangan biarkan keluaran AI yang belum diperiksa masuk ke data atau kesimpulan
Tanggung jawab60 dari 84Penulis manusia tetap bertanggung jawab penuh atas naskah
Privasi47 dari 84Jangan mengunggah data pribadi responden atau data sensitif ke layanan AI publik

Sumber: frekuensi dari Jobin dkk. (2019); kolom terjemahan adalah adaptasi penyusun.

Prinsip etika dalam 84 pedoman AI global (diolah dari Jobin dkk., 2019)
Gambar 11. Prinsip etika dalam 84 pedoman AI global (diolah dari Jobin dkk., 2019)

Sebagian besar pedoman itu bersifat hukum lunak, artinya tidak mengikat secara hukum tetapi berpengaruh besar pada praktik. Di level Anda sebagai mahasiswa, hukum lunak itu bisa diterjemahkan menjadi kebiasaan sehari-hari yang sederhana. Nyatakan dengan jujur di bagian mana AI membantu Anda, jangan memasukkan data sensitif ke layanan AI publik, dan periksa setiap klaim serta rujukan yang dihasilkannya. Yang terpenting, tanggung jawab atas naskah dan data tetap berada di tangan manusia, bukan mesin. Menariknya, Jobin dan rekan juga menemukan pedoman yang secara eksplisit memperingatkan agar kita tidak menaruh kepercayaan berlebihan pada AI.

“AI boleh membantu menulis, tetapi tanda tangan di bawah laporan tetap milik Anda.”
Tips dan Trik Memverifikasi Rujukan dari AI
  1. Salin DOI ke kolom pencarian doi.org. DOI yang tidak mengarah ke mana pun adalah tanda bahaya pertama.
  2. Cari judul persisnya di Google Scholar, lalu cocokkan nama penulis, tahun, jurnal, volume, dan halaman.
  3. Buka artikelnya dan baca bagian yang dikutip. Rujukan asli pun bisa dipakai untuk klaim yang tidak pernah ditulis penulisnya.
  4. Catat jejak penggunaan AI: nama alat, tanggal, perintah utama, dan bagian naskah yang dibantu.
Poin Penting
  • Chatbot dapat mengarang rujukan dan data dengan sangat meyakinkan. Pada studi 2023, 55% rujukan GPT-3.5 dan 18% rujukan GPT-4 fiktif (Walters & Wilder, 2023).
  • Lima prinsip yang paling disepakati dalam pedoman AI global: transparansi, keadilan, tidak merugikan, tanggung jawab, dan privasi (Jobin dkk., 2019).
  • Aturan emas di kelas ini: AI sebagai alat bantu mengidentifikasi isu, manusia sebagai verifikator dan penanggung jawab.
Jeda Sejenak

Berapa banyak rujukan dalam tugas terakhir Anda yang benar-benar Anda baca sendiri? Jika jawabannya “tidak semua”, apa langkah pertama yang akan Anda ubah?

Bab 4

Uji Ketangguhan Data: Valid, Reliabel, Aman, dan Berkelanjutan

Data penelitian ibarat jembatan yang akan dilalui banyak orang setelah Anda: pembaca, peneliti lain, bahkan pembuat kebijakan. Sebelum jembatan dibuka, insinyur mengujinya dari beberapa sisi, dan data pun layak diperlakukan sama. Modul ini memakai empat uji ketangguhan, yaitu validitas, reliabilitas, keamanan, dan keberlanjutan. Validitas bertanya apakah data mengukur apa yang memang ingin diukur, sedangkan reliabilitas bertanya apakah hasilnya konsisten jika diulang. Keamanan bertanya apakah data terlindung dari kehilangan dan penyalahgunaan, sementara keberlanjutan bertanya apakah data masih bisa ditemukan dan dipakai bertahun-tahun kemudian.

UjiPertanyaan kunciTanda bahayaKasus pembelajaran
ValiditasApakah data lengkap dan benar-benar mewakili yang diukur?Data mentah tidak ada, metadata kosong, satuan tidak jelasRoche dkk. (2015)
ReliabilitasApakah hasil konsisten bila diulang orang lain?Efek sangat besar dengan variasi nyaris nol; tidak ada replikasiClark dkk. (2020)
KeamananApakah data terlindung dari hilang, rusak, dan bocor?Satu salinan di satu laptop; kata sandi tersimpan di folder bersamaWilson dkk. (2017)
KeberlanjutanApakah data masih ada dan terbaca 10 tahun lagi?Disimpan pribadi; format usang; kontak penulis tidak aktifVines dkk. (2014)
Empat uji ketangguhan data penelitian
Gambar 12. Empat uji ketangguhan data penelitian

4.1 Reliabilitas: ketika hasil dramatis tidak bisa diulang

Studi Kasus Mini · Ikan Karang, CO2, dan Replikasi yang MengejutkanKasus nyata, dari Clark dkk. (2020) di jurnal Nature

Selama sekitar satu dekade, sejumlah studi berprofil tinggi melaporkan bahwa pengasaman laut membuat ikan karang kehilangan naluri menghindari predator. Beberapa studi bahkan melaporkan ikan kontrol hanya menghabiskan 0 sampai 10% waktunya di air beraroma predator, sedangkan ikan yang dipapar CO2 tinggi justru menghabiskan 90 sampai 100% waktunya di sana. Clark dkk. (2020) mencoba mengulang temuan tersebut selama tiga tahun, di dua lokasi di Australia, pada lebih dari 900 ikan dari enam spesies. Hasilnya, ikan dari kedua kelompok sama-sama menghindari aroma predator, dan efek dramatis yang dilaporkan sebelumnya tidak muncul.

Tim Clark juga melakukan simulasi bootstrap dengan 10.000 kali pengambilan sampel ulang dari data mereka yang besar. Simulasi itu menunjukkan bahwa kombinasi ukuran efek sangat besar dan variasi antarindividu yang sangat kecil, seperti yang dilaporkan sebelumnya, sangat tidak mungkin terjadi. Mereka mengingatkan bahwa variasi antarindividu adalah fenomena biologis yang mendasar, sehingga hasil yang nyaris tanpa variasi perlu disikapi dengan hati-hati. Clark dan rekan tidak menuduh siapa pun berbuat curang, dan mereka tetap menegaskan bahwa kenaikan CO2 adalah ancaman serius bagi laut melalui pemanasan. Yang mereka tunjukkan adalah pentingnya replikasi independen sebelum sebuah temuan dijadikan dasar prediksi besar.

Apa kemiripan antara “terlalu banyak data yang sama” dalam kasus Pruitt dan “variasi yang terlalu kecil” dalam kasus ini?

Cara kerja tim Clark sendiri layak ditiru sebagai contoh transparansi. Setiap percobaan direkam dengan video, dan sebelum ikan dimasukkan, selembar catatan berisi riwayat perlakuan ikan tersebut ditunjukkan ke kamera. Pergerakan ikan dianalisis dengan perangkat lunak pelacak otomatis, bukan dihitung manual oleh pengamat yang mengetahui perlakuannya. Seluruh data dan kode analisis diarsipkan di Figshare tanpa pembatasan akses. Dengan cara ini, siapa pun yang meragukan hasil mereka bisa memeriksanya sendiri.

Ilustrasi skematis perbedaan temuan lama dan hasil replikasi (bukan data asli; mengacu pada Clark dkk., 2020)
Gambar 13. Ilustrasi skematis perbedaan temuan lama dan hasil replikasi (bukan data asli; mengacu pada Clark dkk., 2020)
“Data yang terlalu rapi justru layak dicurigai, karena kehidupan tidak pernah seragam.”

4.2 Validitas dan kelengkapan: pintu terbuka, isi tak berlabel

Membuka data belum tentu membuat data berguna. Roche dkk. (2015) memeriksa 100 dataset studi ekologi dan evolusi yang diarsipkan di repositori Dryad, berasal dari tujuh jurnal yang mewajibkan pengarsipan data. Hasilnya, 56% dataset tidak lengkap, sehingga sebenarnya tidak memenuhi kebijakan jurnalnya sendiri. Lebih lanjut, 64% dataset diarsipkan dengan cara yang sebagian atau sepenuhnya menghalangi pemakaian ulang. Penyebab yang paling sering adalah metadata yang tidak memadai, format berkas yang tidak terbaca mesin seperti PDF atau Word, serta tidak disertakannya data mentah.

Temuan ini seperti rumah yang pintunya dibuka lebar, tetapi semua perabotnya dibungkus kardus tanpa label. Tamu boleh masuk, tetapi tidak tahu mana meja dan mana lemari. Roche dan rekan menduga banyak peneliti sebenarnya paham kewajiban berbagi data, tetapi tidak pernah dilatih cara melakukannya dengan baik. Mereka juga menemukan bahwa dataset terbaik biasanya menautkan setiap berkas data secara eksplisit ke gambar dan analisis dalam makalah. Kebiasaan sederhana ini membuat penulis dan pembaca sama-sama bisa memastikan tidak ada titik data yang hilang.

Kualitas 100 dataset publik ekologi dan evolusi (diolah dari Roche dkk., 2015)
Gambar 14. Kualitas 100 dataset publik ekologi dan evolusi (diolah dari Roche dkk., 2015)

4.3 Keberlanjutan: data yang menguap dimakan waktu

Bagaimana jika data cukup disimpan sendiri oleh penelitinya? Vines dkk. (2014) meminta dataset dari 516 artikel yang terbit antara 1991 dan 2011, semuanya berisi data morfologi tumbuhan atau hewan. Mereka hanya menerima 101 dataset, atau sekitar 19% dari seluruh artikel. Di antara penulis yang memberi kabar tentang status datanya, peluang data masih ada turun 17% untuk setiap tahun usia artikel. Peluang menemukan alamat surel penulis yang masih aktif pun turun sekitar 7% per tahun.

Jawaban para penulis terdengar sangat manusiawi. Ada data yang hilang bersama komputer yang dicuri, ada yang mungkin tersimpan di loteng rumah orang tua, dan ada yang tersimpan di disket atau Zip disk yang tidak bisa dibaca lagi karena perangkatnya sudah tidak ada. Padahal, banyak data biologi bersifat unik menurut waktu dan tempat, sehingga sekali hilang tidak dapat diganti. Vines dan rekan menyimpulkan bahwa dalam jangka panjang, data penelitian tidak bisa diandalkan hanya pada penyimpanan pribadi peneliti. Solusi yang mereka tawarkan adalah mewajibkan data dibagikan melalui arsip publik saat artikel diterbitkan.

Data yang disimpan pribadi perlahan menghilang (ilustrasi berdasarkan Vines dkk., 2014)
Gambar 15. Data yang disimpan pribadi perlahan menghilang (ilustrasi berdasarkan Vines dkk., 2014)

4.4 Keamanan: ancaman terbesar sering kali sederhana

Keamanan data sering dibayangkan sebagai urusan peretas, padahal ancaman terbesar biasanya jauh lebih sederhana. Laptop hilang, cakram keras rusak, atau berkas asli tertimpa versi yang sudah diedit. Wilson dkk. (2017) menyarankan agar data mentah disimpan dalam bentuk aslinya, dijadikan hanya-baca, dan dicadangkan di lebih dari satu lokasi. Mereka juga mengingatkan agar kata sandi dan kunci akses tidak ikut tersimpan di repositori yang bisa dibuka orang lain, serta agar data yang dilindungi hukum tidak diunggah ke sistem publik. Untuk data yang menyangkut pribadi manusia, ingat kembali kewajiban perlindungan data pribadi yang sudah Anda pelajari di pertemuan 9.

Tips dan Trik
  • Kunci berkas data mentah dengan pengaturan hanya-baca, lalu kerjakan analisis pada salinannya.
  • Simpan cadangan di dua tempat yang berbeda, misalnya penyimpanan awan kampus dan cakram eksternal di rumah.
  • Saat membagikan folder ke grup, periksa ulang isinya. Jangan sampai daftar nama dan nomor telepon narasumber ikut terbawa.
  • Ingat semboyan Wilson dkk. (2017): penyimpanan itu murah, waktu Anda yang mahal.
Poin Penting
  • Uji data dari empat sisi: validitas, reliabilitas, keamanan, dan keberlanjutan.
  • Temuan dramatis dengan variasi yang nyaris nol layak diuji ulang, dan replikasi yang transparan adalah bentuk tanggung jawab ilmiah (Clark dkk., 2020).
  • Data terbuka belum tentu data berguna: 56% dataset publik yang diperiksa tidak lengkap (Roche dkk., 2015).
  • Data yang hanya disimpan pribadi cenderung hilang, dengan peluang bertahan turun 17% per tahun (Vines dkk., 2014).
Jeda Sejenak

Jika laptop Anda hilang malam ini, data Mini Riset mana yang ikut hilang untuk selamanya?

Bab 5

Praktik Terbaik: Kebiasaan Kecil yang Menyelamatkan Data

Setelah melihat begitu banyak cara data bisa salah, wajar jika Anda bertanya harus mulai dari mana. Wilson dkk. (2017) menjawabnya dengan konsep praktik yang cukup baik, yaitu seperangkat kebiasaan minimum yang bisa diterapkan siapa pun tanpa harus menjadi ahli pemrograman. Mereka hanya memilih praktik yang dipakai banyak peneliti dan masih dipakai berbulan-bulan setelah pertama dicoba, karena saran yang tidak dijalankan tidak ada gunanya. Banyak saran itu ditujukan untuk kolaborator yang paling Anda pedulikan, yaitu diri Anda sendiri di masa depan. Seperti kelakar mereka, diri Anda tiga bulan lalu tidak akan pernah membalas surel Anda.

NoKebiasaanContoh penerapanSumber
1Simpan data mentah apa adanyaFoto lembar data lapangan dan berkas asli alat disimpan terpisah, hanya-bacaWilson dkk. (2017)
2Cadangkan di lebih dari satu lokasiAwan kampus dan cakram eksternalWilson dkk. (2017)
3Susun data rapiSatu kolom satu variabel, satu baris satu pengamatanWilson dkk. (2017)
4Catat setiap langkah pengolahanSkrip analisis atau catatan langkah di berkas teksWilson dkk. (2017)
5Beri nama berkas yang bermakna2026-05_sibayak_panjangdaun.csv, bukan hasil1.csvWilson dkk. (2017)
6Lengkapi metadata dan READMEPenjelasan setiap kolom, singkatan, dan satuanRoche dkk. (2015)
7Pakai format terbukaCSV untuk tabel, bukan PDF atau WordRoche dkk. (2015)
8Arsipkan di repositori ber-DOI dengan lisensi jelasZenodo, Figshare, atau Dryad dengan lisensi CC0 atau CC BYWilson dkk. (2017); Roche dkk. (2015)
9Tautkan data ke gambar dan analisisKolom atau berkas yang menyebut “data untuk Gambar 2”Roche dkk. (2015)
10Minta rekan memeriksaAnggota kelompok lain membaca ulang data dan metadataRoche dkk. (2015)

5.1 Data rapi: satu kolom, satu makna

Salah satu kebiasaan yang paling berdampak adalah menyusun data rapi. Prinsipnya hanya dua: setiap kolom berisi satu variabel, dan setiap baris berisi satu pengamatan. Misalnya, jangan membuat kolom bernama jantan_diberi_perlakuan, tetapi pisahkan menjadi kolom jenis kelamin dan kolom perlakuan. Satuan sebaiknya ditulis di metadata atau nama kolom, sehingga isi sel cukup berupa angka 3,4 dan bukan 3,4 kg. Kode untuk data kosong seperti -99 sebaiknya diganti dengan NA agar tidak ikut terhitung sebagai angka.

Dari tabel yang enak dilihat menjadi data yang enak dianalisis
Gambar 16. Dari tabel yang enak dilihat menjadi data yang enak dianalisis

5.2 Rumah yang tertata untuk proyek Anda

Kebiasaan berikutnya adalah menata folder proyek dengan pola yang sama setiap kali. Wilson dan rekan menyarankan satu folder untuk setiap proyek, dengan subfolder terpisah untuk data mentah, dokumen, hasil olahan, dan skrip. Di folder utama diletakkan berkas README yang menjelaskan isi proyek, berkas LICENSE yang menyatakan lisensi, dan berkas CITATION yang menjelaskan cara menyitasi proyek tersebut. Mereka juga menyarankan catatan perubahan bertanggal, dengan entri terbaru di bagian paling atas. Pola ini membuat siapa pun, termasuk Anda sendiri setahun kemudian, bisa langsung memahami isi proyek tanpa harus bertanya.

MiniRiset_Kelompok3_Mangrove/
|-- README.txt          (tujuan, anggota, kontak, cara membaca data)
|-- LICENSE.txt         (misalnya CC BY 4.0)
|-- CITATION.txt        (cara menyitasi dataset ini)
|-- data/
|   |-- mentah/2026-09_percut_transek_raw.csv   (hanya-baca)
|   |-- metadata_kolom.txt
|-- doc/
|   |-- DMP_kelompok3.docx
|   |-- catatan_perubahan.txt
|-- results/
|   |-- tabel_kerapatan_bersih.csv
|   |-- gambar_kerapatan_per_zona.png
|-- src/
    |-- olah_data_transek.R

Struktur diadaptasi dari contoh tata letak proyek dalam Wilson dkk. (2017).

Studi Kasus Mini · Laptop Fajar dan Berkas “Fix Banget”Kisah rekaan untuk ilustrasi

Kelompok 4 sedang menyusun Mini Riset tentang kualitas air Sungai Deli, dan seluruh pengolahan data dipegang Fajar karena ia yang paling mahir memakai Excel. Semua berkas tersimpan di laptopnya dengan nama yang hanya ia pahami sendiri, seperti fix2.xlsx, fix2_revisi.xlsx, dan fixbanget.xlsx. Dua hari menjelang tenggat, laptop itu terkena tumpahan air dan tidak mau menyala lagi. Anggota lain memang menyimpan salinan yang pernah dikirim lewat pesan grup, tetapi tidak ada yang yakin berkas mana yang paling mutakhir. Lebih repot lagi, tidak seorang pun ingat rumus yang dipakai untuk menghitung indeks pencemarannya, karena langkah pengolahan itu tidak pernah dicatat di mana pun.

Kelompok 4 akhirnya mengulang seluruh pengolahan dalam semalam, dan angka yang keluar sedikit berbeda dari tabel yang sudah mereka presentasikan minggu sebelumnya. Perbedaan itu bukan kecurangan, melainkan akibat langkah kerja yang tidak terdokumentasi sehingga tidak bisa diulang persis. Kejadian ini merugikan mereka dua kali, yaitu waktu yang terbuang dan rasa percaya diri yang goyah ketika dosen bertanya mengapa angkanya berubah. Padahal tiga kebiasaan sederhana sudah cukup mencegah semuanya: mencadangkan data di dua tempat, memberi nama berkas yang bermakna, dan mencatat setiap langkah pengolahan. Menariknya, tidak satu pun dari ketiganya memerlukan perangkat lunak khusus atau biaya tambahan.

Telusuri kelompok Anda sendiri: siapa yang memegang berkas aslinya, dan apakah anggota lain bisa mengulang pengolahan itu tanpa bertanya kepada orang tersebut?

“Kolaborator terpenting Anda adalah diri Anda sendiri, tiga bulan dari sekarang.”Terinspirasi dari Wilson dkk. (2017)
Cheat Sheet

Satu Halaman untuk Menilai dan Merawat Data

Evaluasi kasus: FAKTA

  • Fakta dan buktinya
  • Aturan yang dipertaruhkan
  • Kadar niat
  • Terdampak
  • Arah perbaikan

Empat uji ketangguhan

  • Valid: lengkap, ada data mentah dan metadata
  • Reliabel: bisa diulang, variasinya wajar
  • Aman: cadangan ganda, tanpa bocoran
  • Berkelanjutan: repositori ber-DOI

Buka, batasi, atau tahan?

  • Risiko rendah: buka penuh
  • Risiko sedang: kaburkan koordinat
  • Risiko tinggi: tahan, laporkan ke otoritas
  • Sampel genetik: pastikan izin dan dokumen transfer

Aturan pakai AI

  • Nyatakan penggunaannya
  • Periksa setiap rujukan dan klaim
  • Jangan unggah data sensitif
  • Tanggung jawab tetap pada manusia

Data rapi

  • 1 kolom = 1 variabel
  • 1 baris = 1 pengamatan
  • Satuan di metadata, kosong = NA
  • Simpan dalam format CSV

Nama dan folder

  • tanggal_lokasi_isi.csv
  • data/, doc/, results/, src/
  • README, LICENSE, CITATION
  • Catatan perubahan bertanggal
Poster ringkas praktik terbaik pengelolaan data
Gambar 17. Poster ringkas praktik terbaik pengelolaan data
Poin Penting
  • Praktik terbaik tidak harus rumit. Mulailah dari kebiasaan minimum yang konsisten (Wilson dkk., 2017).
  • Data rapi, metadata jelas, format terbuka, dan repositori ber-DOI adalah empat investasi termurah untuk data Anda.
  • Kebiasaan ini juga menjadi kriteria peer review DMP pada aktivitas pertemuan ini.
Jeda Sejenak

Dari sepuluh kebiasaan di tabel awal bab ini, mana yang sudah dijalankan kelompok Anda, dan mana yang akan Anda mulai minggu ini?

Aktivitas dan Penugasan

Dari Membaca ke Menilai: Aktivitas Pertemuan 10 dan Mini Riset Akhir

Sekarang saatnya semua alat di modul ini dipakai sungguhan. Pada pertemuan tatap muka, kelompok Anda akan mengevaluasi satu studi kasus dengan kerangka FAKTA, lalu melakukan peer review terhadap DMP milik kelompok lain. AI generatif boleh dipakai untuk membantu mengidentifikasi isu etika, dengan syarat setiap temuannya diverifikasi terhadap pedoman etika dan literatur di modul ini. Hasil diskusi dan masukan dari peer review kemudian dipakai untuk menyempurnakan Mini Riset menjadi laporan akhir. Seluruh rangkaian ini melatih kejujuran, tanggung jawab, kepedulian, etika berkomunikasi, dan kerja sama.

A. Alur kegiatan tatap muka (2 × 50 menit)

WaktuKegiatanKeluaran
10 menitApersepsi: kembali ke kasus Rina, pembagian kasus per kelompokSetiap kelompok memegang satu kasus
30 menitEvaluasi kasus dengan kerangka FAKTA; AI generatif dipakai untuk memetakan isu, lalu diverifikasiLembar FAKTA terisi, lengkap dengan catatan verifikasi
30 menitPeer review DMP kelompok lain dengan rubrik di bawahFormulir peer review
20 menitPresentasi singkat hasil evaluasi kasus (maksimal 3 menit per kelompok) dan penguatan dosenRangkuman pelajaran kelas
10 menitPenutup dan penjelasan tugas Mini Riset AkhirRencana revisi kelompok

B. Bank studi kasus

KasusIsu utamaBahan bacaan
1. Laba-laba dan data yang berulangDugaan manipulasi dataBab 1; Pennisi (2020)
2. Duplikasi gambar gelManipulasi gambar dan kekeliruan penyusunan figurBab 1; Bik dkk. (2016)
3. Tokek gua dan kadal di lahan petaniData terbuka yang membahayakan spesiesBab 2; Lindenmayer dan Scheele (2017)
4. Daftar pustaka DimasPenggunaan AI tanpa verifikasiBab 3; Walters dan Wilder (2023)
5. Sampel daun yang dikirim ke luar negeri (rekaan)Penggunaan material dan data genetik tanpa izin: sampel dikirim ke laboratorium mitra tanpa izin penelitian dan dokumen transfer materialBab 2; Prathapan dkk. (2018)
6. Grup WhatsApp etnobotani (rekaan)Pelanggaran privasi: rekaman wawancara, nama, dan alamat informan pengobat tradisional dibagikan ke grup angkatanBab 4; materi P9 tentang perlindungan data pribadi

C. Rubrik peer review DMP

Peer review bukan ajang mencari kesalahan, melainkan kesempatan saling menguatkan sebelum laporan dikumpulkan. Berikan skor 1 sampai 4 untuk setiap kriteria berdasarkan bukti yang benar-benar tertulis di DMP, bukan berdasarkan dugaan Anda tentang maksud penulisnya. Tulis komentar dengan bahasa yang santun, spesifik, dan disertai saran yang bisa langsung dikerjakan. Ingat bahwa kelompok yang Anda nilai juga sedang belajar, persis seperti kelompok Anda. Umpan balik yang baik biasanya menyebut apa yang sudah kuat sebelum menunjukkan apa yang perlu diperbaiki.

Kriteria4 (Sangat baik)3 (Baik)2 (Cukup)1 (Perlu perbaikan)
Sumber dataAsal, izin, dan lisensi setiap data jelas dan terlacakAsal jelas, izin atau lisensi sebagianAsal disebut tanpa izin atau lisensiSumber tidak jelas
Risiko etikaRisiko teridentifikasi lengkap beserta mitigasinyaRisiko teridentifikasi, mitigasi kurang rinciRisiko disebut umumTidak ada analisis risiko
Keamanan dan privasiCadangan ganda, akses terbatas, data pribadi dilindungiAda cadangan dan pengaturan aksesHanya menyebut “disimpan dengan aman”Tidak dibahas
DokumentasiAda metadata, README, penamaan berkas yang konsistenMetadata ada, penamaan belum konsistenDokumentasi minimTidak ada dokumentasi
Berbagi dan keberlanjutanRepositori ber-DOI, lisensi, dan tingkat keterbukaan sesuai risikoRencana berbagi jelas, repositori belum ditentukanRencana berbagi samarTidak ada rencana berbagi
Format Umpan Balik “2-2-1”
  • 2 kekuatan DMP yang layak dipertahankan.
  • 2 perbaikan yang paling penting, masing-masing dengan saran konkret.
  • 1 pertanyaan yang membantu kelompok pemilik DMP berpikir lebih dalam.

D. Tugas kelompok: Mini Riset Akhir

Laporan akhir Mini Riset adalah bukti bahwa kelompok Anda mampu mengevaluasi penerapan etika, keamanan, dan pengelolaan data pada penelitian nyata. Susunlah laporan dengan memanfaatkan hasil diskusi kasus dan masukan dari peer review, bukan sekadar menyalin laporan tahap 2. Setiap rekomendasi perbaikan sebaiknya dapat ditelusuri kembali ke masukan atau temuan tertentu. Jika menggunakan AI generatif, tuliskan pernyataan penggunaannya di bagian akhir laporan. Pastikan pula setiap rujukan sudah diverifikasi sesuai tips di Bab 3.

Isi laporan

  1. Deskripsi penelitian dan sumber data
  2. Identifikasi potensi risiko etika
  3. Evaluasi keamanan dan privasi data
  4. Data Management Plan (versi revisi)
  5. Rekomendasi perbaikan pengelolaan data
  6. Daftar pustaka (APA Style)

Lampiran wajib

  • Lembar FAKTA hasil diskusi kasus
  • Formulir peer review yang diterima kelompok
  • Tabel tanggapan: masukan, tindakan, dan letak perubahan
  • Pernyataan penggunaan AI (bila ada)
Komponen penilaian laporanBobot
Deskripsi penelitian dan sumber data10%
Identifikasi risiko etika20%
Evaluasi keamanan dan privasi20%
DMP revisi (kualitas dan tindak lanjut peer review)25%
Rekomendasi perbaikan15%
Daftar pustaka dan verifikasi rujukan10%
Poin Penting Pengumpulan
  • Laporan dikumpulkan dalam bentuk PDF melalui komisaris kelas, sesuai tenggat yang disampaikan dosen.
  • Gunakan nama berkas yang bermakna: P10_MiniRisetAkhir_Kelompok[nomor].pdf.
  • Pemeriksaan kesamaan naskah dengan Turnitin bersifat opsional dan mengikuti ketersediaan akses.
Pojok Refleksi

Kembali ke Rina, Kembali ke Diri Sendiri

Ingat Rina dan tabel yang terlalu rapi di awal modul? Kini Anda punya alat untuk menilainya dengan tenang. Faktanya, sebagian data lokasi kedua bukan hasil pengukuran, dan itu termasuk fabrikasi, seberapa kecil pun jumlahnya. Rina tidak perlu menghakimi seniornya, tetapi ia bisa mengusulkan agar data yang ditambal dihapus, ditandai sebagai data kosong, lalu dilaporkan secara jujur di metodologi. Jika sulit dibicarakan berdua, pembimbing adalah tempat yang tepat untuk meminta arahan, karena menjaga integritas data adalah tanggung jawab bersama, bukan beban satu orang.

Kejujuran data dimulai dari percakapan kecil yang berani
Gambar 18. Kejujuran data dimulai dari percakapan kecil yang berani
Pertanyaan untuk Direnungkan

1. Kasus mana di modul ini yang paling mengusik Anda, dan mengapa?

2. Jika data Mini Riset kelompok Anda diaudit besok pagi, bagian mana yang paling Anda khawatirkan?

3. Kapan terakhir kali Anda memakai AI tanpa memeriksa hasilnya? Apa yang akan Anda lakukan berbeda?

4. Apa satu kebiasaan pengelolaan data yang akan Anda pertahankan sampai skripsi nanti?

Janji kecil untuk data saya

  • Saya tidak akan mengarang, menambal, atau membelokkan data, sekecil apa pun.
  • Saya akan menyimpan data mentah dan mencadangkannya di lebih dari satu tempat.
  • Saya akan menilai risiko sebelum membagikan data lokasi spesies.
  • Saya akan memeriksa setiap rujukan dan klaim yang dibantu AI.
  • Saya akan berani bertanya ketika melihat praktik yang meragukan.

Refleksi bukan untuk membuat Anda merasa bersalah, melainkan untuk membuat langkah berikutnya lebih mantap. Setiap peneliti hebat pernah keliru, dan yang membedakan mereka adalah kesediaan untuk memeriksa dan memperbaiki. Tuliskan jawaban Anda di buku catatan pribadi, karena pertanyaan-pertanyaan ini akan relevan kembali saat Anda merancang proposal di pertemuan berikutnya. Data yang Anda rawat dengan jujur hari ini adalah reputasi yang Anda bangun untuk masa depan. Sampai jumpa di pertemuan 11, tempat kita mulai merancang penelitian berbasis data.

“Integritas bukan tentang tidak pernah salah, tetapi tentang tidak pernah menyembunyikan kesalahan.”
Rujukan

Glosarium dan Daftar Pustaka

Glosarium

IstilahArti sederhana
FabrikasiMengarang data atau hasil yang tidak pernah diperoleh
FalsifikasiMengubah atau membelokkan data, metode, atau hasil agar sesuai keinginan
Praktik penelitian meragukanTindakan di wilayah abu-abu, misalnya membuang data tanpa kriteria yang jelas
RetraksiPenarikan resmi sebuah artikel yang sudah terbit
ReplikasiMengulang penelitian untuk menguji apakah hasilnya konsisten
BootstrapTeknik statistik yang mengambil sampel ulang berkali-kali dari data untuk memperkirakan sebaran hasil
PrapendaftaranMencatat rencana studi dan analisis secara publik sebelum data dikumpulkan
Lokasi tipeTempat spesimen acuan suatu spesies pertama kali ditemukan
Akses dan Pembagian Keuntungan (ABS)Skema yang mengatur izin mengambil sumber daya genetik dan pembagian manfaatnya
Hukum lunakPedoman yang tidak mengikat secara hukum tetapi berpengaruh pada praktik
MetadataData tentang data, misalnya arti kolom, satuan, dan cara pengumpulan
Data rapiTabel dengan satu variabel per kolom dan satu pengamatan per baris
DOIKode pengenal digital permanen untuk artikel atau dataset

Daftar Pustaka

Bik, E. M., Casadevall, A., & Fang, F. C. (2016). The prevalence of inappropriate image duplication in biomedical research publications. mBio, 7(3), e00809-16. https://doi.org/10.1128/mBio.00809-16

Clark, T. D., Raby, G. D., Roche, D. G., Binning, S. A., Speers-Roesch, B., Jutfelt, F., & Sundin, J. (2020). Ocean acidification does not impair the behaviour of coral reef fishes. Nature, 577, 370–375. https://doi.org/10.1038/s41586-019-1903-y

Fanelli, D. (2009). How many scientists fabricate and falsify research? A systematic review and meta-analysis of survey data. PLoS ONE, 4(5), e5738. https://doi.org/10.1371/journal.pone.0005738

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2

Lindenmayer, D., & Scheele, B. (2017). Do not publish. Science, 356(6340), 800–801. https://doi.org/10.1126/science.aan1362

Nosek, B. A., Alter, G., Banks, G. C., Borsboom, D., Bowman, S. D., Breckler, S. J., Buck, S., Chambers, C. D., Chin, G., Christensen, G., Contestabile, M., Dafoe, A., Eich, E., Freese, J., Glennerster, R., Goroff, D., Green, D. P., Hesse, B., Humphreys, M., … Yarkoni, T. (2015). Promoting an open research culture. Science, 348(6242), 1422–1425. https://doi.org/10.1126/science.aab2374

Pennisi, E. (2020). Prominent spider biologist spun a web of questionable data. Science, 367(6478), 613–614. https://doi.org/10.1126/science.367.6478.613

Prathapan, K. D., Pethiyagoda, R., Bawa, K. S., Raven, P. H., Rajan, P. D., & 172 co-signatories from 35 countries. (2018). When the cure kills: CBD limits biodiversity research. Science, 360(6396), 1405–1406. https://doi.org/10.1126/science.aat9844

Roche, D. G., Kruuk, L. E. B., Lanfear, R., & Binning, S. A. (2015). Public data archiving in ecology and evolution: How well are we doing? PLoS Biology, 13(11), e1002295. https://doi.org/10.1371/journal.pbio.1002295

Vines, T. H., Albert, A. Y. K., Andrew, R. L., Débarre, F., Bock, D. G., Franklin, M. T., Gilbert, K. J., Moore, J.-S., Renaut, S., & Rennison, D. J. (2014). The availability of research data declines rapidly with article age. Current Biology, 24(1), 94–97. https://doi.org/10.1016/j.cub.2013.11.014

Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045. https://doi.org/10.1038/s41598-023-41032-5

Wilson, G., Bryan, J., Cranston, K., Kitzes, J., Nederbragt, L., & Teal, T. K. (2017). Good enough practices in scientific computing. PLoS Computational Biology, 13(6), e1005510. https://doi.org/10.1371/journal.pcbi.1005510

Catatan: judul asli artikel Prathapan dkk. (2018) memakai tanda pisah panjang; di sini ditulis dengan titik dua mengikuti ketentuan gaya modul.

Beranda

Selamat Datang di Pertemuan 10

Selamat datang di pertemuan kesepuluh. Di pertemuan sebelumnya, Anda sudah berkenalan dengan aturan main: etika digital, hak cipta, privasi, prinsip FAIR, dan Data Management Plan. Sekarang saatnya naik satu tingkat, dari orang yang tahu aturan menjadi orang yang sanggup menilai apakah aturan itu benar-benar dijalankan. Modul ini disusun seperti ruang sidang kecil, tempat Anda akan membaca kasus nyata, menimbang bukti, lalu mengambil keputusan yang bisa dipertanggungjawabkan. Bacalah bab demi bab secara berurutan, karena setiap bab menyiapkan alat yang dipakai di bab berikutnya.

Identitas Modul
Mata kuliahTeknologi Informasi dan Literasi Data (TILDA), 2 SKS, Semester 3
PertemuanKe-10
CPL 4Merancang penelitian biologi menggunakan pendekatan ilmiah dari tingkat molekuler hingga ekosistem.
CPMK 3Merancang pemanfaatan teknologi informasi dan literasi data untuk mendukung penyusunan rancangan penelitian biologi berdasarkan pendekatan ilmiah dan kaidah etika akademik.
Sub-CPMK 5Mengevaluasi validitas, reliabilitas, keamanan, dan etika penggunaan data serta informasi digital dalam penelitian biologi.
IndikatorMengevaluasi penerapan etika dan keamanan data pada studi kasus penelitian biologi.
MetodeCase Method, Problem-Based Learning, diskusi kelompok, presentasi, peer review
Nilai karakterKejujuran, tanggung jawab, kepedulian, etika berkomunikasi, kerja sama
TagihanMini Riset Akhir (kelompok)
Bobot penilaian4% dari nilai akhir mata kuliah
Alokasi waktuTatap muka 2 × 50 menit; tugas terstruktur 2 × 60 menit; belajar mandiri 2 × 60 menit

Setelah mempelajari modul ini, Anda mampu:

  1. Membedakan kekeliruan jujur, praktik penelitian meragukan, dan pemalsuan data berdasarkan bukti.
  2. Mengevaluasi kasus etika penelitian biologi dengan kerangka FAKTA.
  3. Menimbang manfaat dan risiko keterbukaan data, termasuk data lokasi spesies dan sumber daya genetik.
  4. Menilai penggunaan AI generatif dalam penelitian berdasarkan prinsip tata kelola AI.
  5. Menguji data dari sisi validitas, reliabilitas, keamanan, dan keberlanjutan.
  6. Memberikan peer review yang konstruktif terhadap DMP kelompok lain.
Peta perjalanan e-modul pertemuan 10
Gambar 1. Peta perjalanan e-modul pertemuan 10
Cara Memakai E-Modul Ini

Gunakan menu di bagian atas untuk berpindah bab, atau tombol di bagian bawah setiap halaman untuk melanjutkan. Kotak berwarna punya fungsi berbeda: kotak hijau berisi poin penting, kotak amber berisi tips, kotak bergaris putus-putus berisi studi kasus, dan kotak ungu berisi pertanyaan reflektif. Setiap bab ditutup dengan jeda singkat untuk merenung, dan semuanya berujung di Pojok Refleksi. Tugas kelompok untuk Mini Riset Akhir ada di menu Aktivitas dan Tugas, lengkap dengan rubrik peer review.

46 thoughts on “Pengujian Data: Menimbang Etika, Keterbukaan, dan Ketangguhan Data Penelitian Biologi”

  1. 1.Kasus yg paling mengusik saya adalah dari kasus 3.1 ketika mesin mengarang daftar pustaka.Karena kalo dipikir-pikir AI itu juga nggak selalu benar ,AI bisa memanipulasi data,mencopy data lain,hingga membuat data seolah-olah benar.Dan lebih baik dalam membuat daftar pustaka itu kita lakukan sendiri tanpa bantuan dari AI,dan dampaknya juga lebih baik dalam membantu otak kita bekerja.

    2.Tinjauan teoritis dan daftar pustakanya,karena bagian yg kedua itu sangat penting dan sering kali salah dalam menukiskannya,jadi harus disiapkan terdahulu.

    3.Kemarin.Dan biasanya saya tidak terlalu mencantumkan penuh hasil AI kedalam tugas,kuta harus membaca dan memamhami jawaban AI nya dulu,karena AI tidak selalu benar.

    4.Kebiasaan yg harus dipeetahankan adalah menyimpan data dengan rapi dan bila perlu mencadangkan atau backup data.

  2. 1. Kasus yang paling mengusik saya adalah kasus Rina yang mengisi data yang kosong supaya tabel hasil penelitiannya terlihat lebih rapi. Menurut saya, hal ini cukup mengkhawatirkan karena data penelitian seharusnya sesuai dengan hasil pengamatan yang sebenarnya. Walaupun tujuannya hanya untuk melengkapi data, tetap saja data yang dibuat sendiri bisa memengaruhi hasil penelitian. Dari kasus ini saya jadi lebih paham bahwa kalau ada data yang kosong atau tidak sesuai, lebih baik dicatat dan dijelaskan apa adanya daripada membuat data baru.

    2. Kalau data Mini Riset kelompok kami diaudit besok pagi, bagian yang paling saya khawatirkan adalah data mentah dan catatan selama proses pengambilan data. Saya khawatir ada data yang belum tercatat dengan lengkap atau ada bagian yang sulit ditelusuri kembali dari mana angka tersebut diperoleh. Karena itu, data mentah dan proses pengolahan data sebaiknya disimpan dan dicatat dengan baik supaya kalau ada yang mengecek, kami bisa menjelaskan asal data tersebut.

    3. Saya pernah menggunakan AI untuk mencari informasi tugas dan langsung memakai hasilnya tanpa mengecek kembali sumbernya. Setelah membaca modul ini, saya sadar bahwa hasil dari AI belum tentu semuanya benar. Ke depannya, saya akan mengecek lagi informasi yang diberikan AI, terutama kalau berkaitan dengan jurnal, buku, atau data penelitian. Saya akan mencari sumber aslinya dan memastikan informasi tersebut memang benar sebelum menggunakannya dalam tugas.

    4. Kebiasaan yang akan saya pertahankan adalah menyimpan data mentah dengan baik dan membuat salinannya. Jadi, data asli tidak langsung diubah ketika melakukan pengolahan. Saya akan menyimpan data asli dan mengolah salinannya supaya kalau terjadi kesalahan, data awal masih ada dan bisa dicek kembali.

  3. 1. Kasus mana di modul ini yang paling mengusik Anda, dan mengapa?
    Jawab: Kasus Rina dan tabel data yang terlalu rapi paling mengusik saya. Hal ini karena kakak tingkatnya mengisi data yang tidak pernah diukur hanya agar hasil penelitian terlihat lengkap. Menurut saya, tindakan tersebut tidak sesuai dengan etika penelitian karena data harus berdasarkan hasil pengamatan yang sebenarnya. Kasus ini mengajarkan saya pentingnya kejujuran dan keberanian dalam menjaga integritas data.

    2. Jika data Mini Riset kelompok Anda diaudit besok pagi, bagian mana yang paling Anda khawatirkan?
    Jawab: Bagian yang paling saya khawatirkan adalah kelengkapan dan ketepatan data hasil pengamatan serta kesesuaian antara data mentah, tabel, dan kesimpulan. Saya juga khawatir jika terdapat kesalahan pencatatan atau sumber referensi yang belum diperiksa. Oleh karena itu, saya akan memeriksa kembali data dan memastikan semua hasil ditulis sesuai kenyataan.

    3. Kapan terakhir kali Anda memakai AI tanpa memeriksa hasilnya? Apa yang akan Anda lakukan berbeda?
    Jawab: Saya pernah menggunakan AI untuk membantu mengerjakan tugas tanpa memeriksa seluruh kebenaran jawabannya. Ke depannya, saya akan memeriksa kembali informasi melalui sumber yang terpercaya, memastikan referensi benar-benar ada, dan memperbaiki jawaban jika ditemukan kesalahan. Saya juga akan menggunakan AI sebagai alat bantu belajar, bukan sebagai pengganti pemikiran sendiri.

    4. Apa satu kebiasaan pengelolaan data yang akan Anda pertahankan sampai skripsi nanti?
    Jawab: Kebiasaan yang akan saya pertahankan adalah mencatat dan menyimpan data mentah secara jujur serta teratur. Saya akan menyimpan hasil pengamatan asli, membuat salinan cadangan, dan tidak mengubah data hanya agar sesuai dengan hipotesis. Dengan kebiasaan ini, data penelitian dapat diperiksa kembali dan dipertanggungjawabkan.

  4. 1. kasus 1.1
    karena membahas mengenai pengakuan diri dan pemalsuan data di mana di zaman sekarang susah menemukan keadilan dan kejujuran mengenai hasil temuan sendiri dan banyak yang mentemplate

    2. bagian persiapan diri setiap anggota saya, dan itu udah menjadi hal lumrah

    3. ketika mencari sebuah jurnal untuk menulis laporan praktikum dan langkah yang saya lakukan saya akan membaca kembali jurnal tersebut untuk menemukan jurnal tersebut valid atau hanya rekayasa saja

    4. pengelolaan data yang bersifat abstrak dan jujur melalui hasil penelitian saya sendiri

  5. 1.Studi kasus,Tokek gua yang bilang dari rumahnya
    2.Yang paling saya khawatir kan yaitu data nya tidak akurat dan ada kekurangan sepata kata di laporan mini riset tersebut
    3.Saya melakukan AI sekitar 4 hari lalu dan saya tidak memeriksa apakah benar di karenakan buru buru,dan kedepannya saya akan melakukan yang berbeda yaitu boleh memakai ai tapi memeriksa apakah benar atau tidak dan tidak monoton memakai AI
    4.Kebiasaan saya,saya akan memastikan data dan tidak membuat asal asalan bahkan data palsu

  6. 1. Kasus yang paling mengusik adalah kasus falsifikasi atau fabrikasi data (pemanipulasian data demi hasil yang sesuai keinginan). Kasus ini paling mengusik karena merusak esensi mendasar dari sains, yaitu kejujuran ilmiah. Ketika data dimanipulasi, penelitian tidak hanya kehilangan validitasnya, tetapi juga dapat menyesatkan peneliti lain yang mencoba merujuk hasil tersebut serta merugikan masyarakat jika temuan diterapkan dalam kehidupan nyata.

    2. Bagian yang paling dikhawatirkan adalah kelengkapan catatan data mentah (raw data) dan dokumentasi logbook penelitian. Kekhawatiran ini sering muncul karena saat melakukan praktikum/eksperimen, pencatatan variabel lingkungan, kondisi sampel, atau alasan adanya data pencilan (outlier) terkadang kurang rinci. Audit data menuntut bukti dokumentasi yang terstruktur dan transparan untuk membuktikan bahwa data tersebut benar-benar diperoleh secara objektif tanpa ada manipulasi.

    3. Terakhir kali memakai AI tanpa pemeriksaan mendalam adalah saat mencari rujukan referensi cepat atau merangkum materi yang panjang secara terburu-buru.
    Hal yang akan dilakukan berbeda: Ke depannya, saya akan menerapkan prinsip Responsible AI dengan selalu melakukan verifikasi silang (cross-check) terhadap informasi atau sitasi yang dihasilkan AI, memastikan pustaka yang dirujuk benar-benar ada, serta tidak menggunakan AI untuk merekayasa atau mengarang data riset.

    4. Kebiasaan yang akan dipertahankan adalah mendokumentasikan raw data secara teratur dan membuat pencatatan versi (data versioning) yang rapi. Ini mencakup menyimpan data mentah asli secara terpisah dari data yang diolah, mencatat setiap langkah analisis statistik yang dilakukan, serta menerapkan backup berkala (cloud/external drive). Kebiasaan ini memastikan integritas data tetap terjaga, dapat dipertanggungjawabkan, dan mudah diverifikasi hingga penyusunan skripsi kelak.

  7. Pentingnya transparansi dan etika dalam pengujian data penelitian biologi terletak pada menjaga integritas hasil riset. Data yang diuji secara jujur dan terbuka tidak hanya valid, tetapi juga mudah direplikasi oleh peneliti lain untuk pengembangan ilmu ke depannya

  8. Menurut saya, artikel ini cukup menarik karena membahas hal yang penting dalam penelitian biologi, terutama tentang kejujuran dalam menggunakan dan menyampaikan data. Dari artikel ini saya jadi lebih paham kalau data penelitian tidak boleh dibuat-buat atau diubah hanya supaya hasilnya terlihat bagus. Selain itu, keterbukaan data juga perlu diperhatikan supaya tetap aman dan tidak menimbulkan masalah. Menurut saya, hal seperti ini penting dipahami oleh mahasiswa biologi agar dalam melakukan penelitian kita bisa lebih teliti, jujur, dan bertanggung jawab terhadap hasil yang diperoleh.

  9. Jawaban
    1. Kasus yang paling mengusik saya adalah kasus “Daftar Pustaka Yang Terlalu Sempurna”. Karena ia menggunakan daftar pustaka dari AI tapa mengecek kebenarannya dan sumber yang digunakan tidak benar benar ada.
    2. Yang paling saya khawatirkan adalah hasil pengamatan tidak sesuai dengan data yang dicatat saya takut ada kesalahan dan membuat haslnyajadi berbeda.
    3. Teakhir kali saya menggunakan AI tanpa mengeceknya kembali itu minggu lalu. Jika hasilnya berbeda maka saya akan mengecek kembali informasi dari Ai menggunakan referensi buku, jurnal, artikel, dan sumber terpercaya lainnya.
    4. Kebiasaan yang akan saya pertahankan sampai tahap skripsi, saya akan mencatat sumber data dengan jelas dan teliti, kemudian saya juga akan mengecek kembali semuanya apakah sudah benar atau belum. JIka masih ada yang salah akan saya perbaiki.

  10. 1.Kasus yang paling mengusik saya adalah ketika data penelitian tidak dilaporkan secara jujur atau sebagian data dihilangkan agar hasil terlihat lebih baik. Hal ini mengganggu karena dapat membuat kesimpulan penelitian menjadi tidak sesuai dengan kondisi sebenarnya.

    2.Saya paling khawatir pada kelengkapan dokumentasi dan pencatatan data mentah, karena setiap hasil harus memiliki bukti dan dapat ditelusuri kembali. Data yang tidak terdokumentasi dengan baik dapat menimbulkan keraguan terhadap hasil penelitian.

    3.Saya tidak pernah mengubakan AI,tanpa memerikanya terlebih dahulu.Jika mengunakan AI saya selalu memeriksanya terlebih dahulu apakah sesuai atau tidak dengan informasi yang saya butuhkan.

    4.Kebiasaan yang akan saya pertahankan adalah mencatat dan menyimpan data mentah secara rapi serta membuat dokumentasi setiap proses penelitian, sehingga data dapat ditelusuri dan dipertanggungjawabkan sampai skripsi nanti.

  11. 1. Studi Kasus Mini · Laptop Fajar dan Berkas “Fix Banget”
    karena Masalahnya terjadi ketika laptop Fajar terkena tumpahan air dan akhirnya tidak bisa menyala, sedangkan file penelitian hanya tersimpan di laptop tersebut. Anggota lain memang punya salinan, tetapi tidak tahu mana file yang paling terbaru dan rumus yang digunakan juga tidak dicatat ( fajar tidak mengelompokkan nama nama file dengan benar ). Akibatnya, mereka harus mengulang pengolahan data dari awal dan hasilnya sedikit berbeda.
    2. bagian keselarasan antara transkip tesk dengan rekaman (narasumber), khawtir adanya pernyataan informasi yang terlewat oleh anggota kelompok yang menyusun.
    3. minggu lalu
    4. saya akan selalu mencadangkan data di lebih dari satu tempat.

  12. Jawaban :
    1. Menurut saya,Kasus yang paling mengusik saya adalah kasus Rina dan data yang “ditambal”. Hal ini mengusik karena sebagian data yang digunakan bukan berasal dari hasil pengukuran sebenarnya. Dalam modul, tindakan tersebut termasuk fabrikasi data. Seharusnya data yang tidak diperoleh ditandai sebagai data kosong dan dilaporkan secara jujur.
    2.Bagian yang paling saya khawatirkan adalah kelengkapan dan keterlacakan data, terutama apakah data mentah, sumber data, dan proses pengolahan data sudah tersimpan dengan baik. Data harus dapat diperiksa kembali sehingga hasil penelitian dapat dipertanggungjawabkan.
    3.Saya pernah menggunakan AI untuk membantu mencari dan menyusun informasi tanpa langsung memeriksa semua hasilnya. Setelah mempelajari modul ini, saya akan lebih teliti dengan memeriksa kembali rujukan, nama penulis, tahun, dan klaim yang diberikan AI sebelum menggunakannya dalam tugas. Modul menjelaskan bahwa AI dapat menghasilkan rujukan yang fiktif atau mengandung kesalahan.
    4.Saya akan membiasakan diri menyimpan data mentah dengan rapi dan membuat salinan cadangan agr data tidak hilang dan tetap dapat diperiksa kembali jika saya memerlukan data tersebut.

  13. 1. Kasus Rina dan tabel yang terlalu rapi. Karena data yang dimasukkan ke dalam tabel bukan hasil pengukuran, yang dimana termasuk fabrikasi. Berawal dari hal kecil, jika dilakukan terus-menerus bisa menjadi hal yang besar. Rina seharusnya bisa mengusulkan kepada seniornya agar data yang ditambal dihapus, lalu dilaporkan jujur di metodologi. Karena menjaga integritas data adalah tanggung jawab bersama. Menurut saya kejujuran itu sangat penting dalam melakukan sebuah penelitian, dari kejujuran data yang dihasilkan akan berdasarkan fakta.
    2. Jika data mini riset dikumpul di audit besok pagi yang saya khawatirkan adalah bagian pembahasan karena menyajikan seluruh pembahasan yang terjadi selama mini riset.
    3. Saya selalu memeriksa hasil ai sebelum memakainya, saya membaca, memahami, dan membandingkannya dengan sumber-sumber yang lain, karena ai tidak sepenuhnya benar.
    4. Saya akan membackup data-data saya, menyimpan salinannya di dalam flashdisk, mencegah jikalau terjadi sesuatu hal buruk yang menimmpah.

  14. 1. Studi Kasus Mini · Tokek Gua yang Hilang dari Rumahnya Kasus nyata, dikisahkan dalam Lindenmayer dan Scheele (2017)
    2. Keamanan data sering dibayangkan sebagai urusan peretas, padahal ancaman terbesar biasanya jauh lebih sederhana. Laptop hilang, cakram keras rusak, atau berkas asli tertimpa versi yang sudah diedit. Wilson dkk. (2017) menyarankan agar data mentah disimpan dalam bentuk aslinya, dijadikan hanya-baca, dan dicadangkan di lebih dari satu lokasi. Mereka juga mengingatkan agar kata sandi dan kunci akses tidak ikut tersimpan di repositori yang bisa dibuka orang lain, serta agar data yang dilindungi hukum tidak diunggah ke sistem publik.
    3. minggu lalu, saya memakai ai untuk menstabilokan atau memberi warna pada sebuah teks, dan hasilnya sesuai yang diinginkan namun setelah saya mengecek ulang kembali hasil ai nya ternyata ada perubahan / ai mengubah isi dari teks yang saya kirim,akan berakibat buruk pada penilaian tugas saya
    4. Saya akan mengolah data dengan baik dan akurat sesuai dengan fakta dan tidak mengambil data palsu atau tidak akurat

  15. 1. Studi Kasus Mini Daftar Pustaka Yang Terlalu Sempurna
    Masalahnya ada pada Dimas yang langsung menggunakan daftar pustaka dari chatbot tanpa mengecek kebenaran sumbernya. Setelah ditelusuri, ternyata ada tiga referensi yang tidak ditemukan. Hal ini menyebabkan munculnya rujukan fiktif dalam laporan, sehingga isi laporan menjadi kurang dapat dipercaya dan kelompoknya ikut bertanggung jawab atas kesalahan tersebut.
    2. Yang paling saya khawatirkan adalah keakuratan data dan hasil pengolahannya. Saya takut ada kesalahan dalam perhitungan atau pengolahan data yang membuat hasil penelitian kurang sesuai.
    3. Terakhir saya menggunakan AI minggu lalu
    4. Satu kebiasaan yang akan saya pertahankan adalah selalu mengecek kembali data dan hasil pengolahannya sebelum digunakan.

  16. 1. Yang paling Yang paling mengusik saya adalah kasus Jonathan Pruitt, peneliti ekologi yang awalnya sangat dihormati dan dipuji di dunia ilmiah. Ia dikenal sebagai peneliti muda yang cemerlang, bahkan mendapat jabatan bergengsi di universitas ternama, sampai akhirnya terungkap bahwa banyak data penelitiannya ternyata berulang dan tidak masuk akal. Yang membuat saya terkesan sekaligus terganggu adalah kenyataan bahwa masalah itu tidak terjadi sendirian kejanggalan ditemukan di banyak makalah, dan bukan hanya ia yang terkena dampaknya, melainkan puluhan rekan penulis yang telah bekerja sama dengannya selama bertahun-tahun
    2. Bagian yang paling saya khawatirkan adalah catatan data mentah yang kami tulis di kertas catatan saat pengambilan data, lalu dipindahkan ke komputer. Kadang saat di lapangan kami mencatat dengan terburu-buru, tulisan bisa kurang jelas, ada angka yang sepertinya terbaca beda saat dipindahkan, atau kami lupa menuliskan keterangan lengkap seperti jam pengambilan, kondisi tempat, atau alat yang dipakai. Ada juga beberapa data yang kami anggap “jauh berbeda dari yang lain” lalu kami tunda untuk memeriksanya nanti, tapi belum sempat dicatat alasannya secara tertulis. Kami sebenarnya tidak bermaksud menyembunyikan apa pun, hanya saja belum terbiasa mencatat setiap langkah dengan rapi sejak awal. Kalau diaudit, hal-hal ini bisa terlihat mencurigakan seolah-olah kami mengubah atau membuang data sesuka hati, padahal sebenarnya hanya karena kami belum terbiasa mengelola catatan seketat yang seharusnya.
    3. Belum lama ini saya memakai kecerdasan buatan untuk membantu menyusun kerangka tulisan sekaligus mengambil beberapa poin dari bacaan yang cukup panjang. Karena hasilnya terlihat rapi, bahasanya teratur, dan sepertinya sesuai dengan topik, saya langsung menyalin dan memakainya tanpa membaca ulang dengan teliti atau mencocokkannya dengan teks aslinya. Saat itu saya berpikir bahwa apa yang dihasilkan pasti sudah benar, padahal AI hanya menyusun kata yang tampak masuk akal tanpa benar memahami isinya terlebih dahulu. Setelah mempelajari modul ini, saya menyadari bahwa hal itu sangat berisiko dan berbahaya karena AI bisa salah dalam mencatat angka, mengubah makna sumber, bahkan menyebutkan hal yang sebenarnya tidak ada. Ke depannya, apa pun yang saya dapatkan dari AI, saya akan selalu membacanya satu per satu, mencocokkan setiap informasi dengan sumber aslinya, memastikan setiap angka benar, dan memastikan bahasanya tetap saya tulis dengan gaya saya sendiri. AI boleh membantu, tetapi tanggung jawab atas apa yang saya tulis tetap sepenuhnya ada di tangan saya.
    4. Satu kebiasaan yang akan saya pegang teguh dan terus saya lakukan sampai mengerjakan skripsi nanti adalah menyimpan semua data mentah apa adanya, lengkap, dan tidak diubah sedikit pun, serta mencatat setiap langkah yang saya lakukan sejak awal penelitian. Setiap kali saya mengambil data, saya akan langsung menuliskannya di tempat yang tetap, mencatat kapan, di mana, bagaimana, dan dengan alat apa data itu diambil, lalu menyimpannya sehingga tidak ada yang bisa terhapus atau tertukar. Jika ada data yang terlihat aneh atau saya putuskan untuk tidak memakainya, saya tidak akan sekadar membuangnya, melainkan tetap menyimpannya dan menuliskan alasannya dengan jelas

  17. 1. Hal yang paling membuat saya merasa terganggu adalah kasus Rina dan tabel yang terlihat terlalu sempurna. Dilema yang dihadapi Rina sebenarnya cukup dekat dengan kehidupan mahasiswa sehari-hari, seperti mengubah data agar lebih praktis, adanya tekanan untuk menjaga hubungan baik antara senior dan junior, serta tidak adanya orang lain yang mengawasi keputusannya selain dirinya sendiri. Dari kasus tersebut, saya menyadari bahwa pelanggaran integritas data tidak selalu berawal dari niat buruk. Terkadang, hal tersebut justru dimulai dari kompromi kecil yang pada saat itu terlihat sederhana dan masih dapat dimaklumi.

    2. Hal yang paling saya khawatirkan adalah bagaimana saya dapat menjelaskan proses pengolahan data jika suatu saat ditanyakan. Saya merasa belum tentu bisa menjelaskan dengan jelas dan runtut mulai dari data mentah sampai menjadi hasil akhir. Karena itu, saya menyadari pentingnya menyimpan dan mencatat setiap tahapan pengolahan data.

    3. Terakhir kali saya menggunakan AI tanpa melakukan pengecekan ulang adalah saat membuat ringkasan artikel atau mencari referensi. Karena saya menganggapnya hanya sebagai bahan pelengkap, saya tidak memeriksa kembali informasi tersebut secara mendalam. Ke depannya, sebelum memasukkan informasi dari AI ke dalam laporan, saya akan mengecek terlebih dahulu situs atau sumber aslinya agar informasi yang digunakan benar dan dapat dipertanggungjawabkan. Saya juga tidak akan langsung percaya pada hasil AI tanpa melakukan verifikasi.

    4. Kebiasaan yang ingin saya pertahankan hingga mengerjakan skripsi adalah mencatat setiap tahapan pengolahan data secara tertulis. Saya akan mencatat rumus yang digunakan, urutan proses pengerjaan, serta alasan di balik setiap keputusan yang diambil. Dengan begitu, saya dapat menjelaskan proses penelitian dengan lebih jelas dan mempertanggungjawabkan hasil yang diperoleh.

  18. 1.Kasus modul yang paling mengusik saya adalah pada bagian “Laptop Fajar dan Berkas “Fix Banget”, karena pada modul kasus ini menceritakan bagaimana Fajar yang paling mahir menggunakan Excel menyimpan semua berkas di laptopnya dengan nama yang hanya ia pahami sendiri dan tidak di ketahui oleh anggota kelompoknya, sehingga ketika laptopnya rusak, membuat ulang tugas yang seharusnya sudah selesai.

    2. Jika data kelompok mini riset dikumpul di audit besok pagi yang saya khawatirkan adalah pada bagian pembahasan, karena pada bagian tersebut harus mengumpulkan data yang relevan untuk menjawab setiap mini riset yang dilakukan.

    3. Terakhir saya menggunakan AI tanpa memeriksa hasilnya yaitu pada tanggal 19 September, namun saya sadari jika menggunakan AI tanpa memeriksa hasilnya kembali. Maka belum tentu jawaban tersebut tepat, karena sering terjadi kekeliruan pada jawaban AI.

    4. Satu pengelola data yang akan saya pertahanan kan sampai menjelang skripsi adalah, menyimpan ganda data yang sudah saya kerjakan. Sehingga apabila terjadi kerusakan atau kehilangan data, saya masih menyimpan data yang sama namun di tempat yang lain.

  19. Pengujian data biologi harus jujur dan transparan. Etika dan keterbukaan data penting supaya hasil penelitian valid, terhindar dari manipulasi, serta bisa diuji ulang oleh peneliti lain.

  20. 1. Menurut saya, kasus yang paling mengusik adalah ketika data penelitian dapat dimanipulasi atau disembunyikan agar hasil penelitian terlihat sesuai dengan harapan. Hal tersebut mengingatkan saya bahwa kejujuran merupakan bagian penting dalam penelitian. Data harus disampaikan sesuai hasil sebenarnya, meskipun hasilnya tidak sesuai dengan hipotesis atau harapan peneliti.

    2. Yang paling saya khawatirkan adalah kelengkapan dan kerapian dokumentasi data mentah, termasuk pencatatan hasil pengamatan dan pengolahan data. Saya perlu memastikan bahwa setiap data memiliki sumber yang jelas dan dapat ditelusuri kembali sehingga hasil penelitian dapat dipertanggungjawabkan.

    3. Saya tidak pernah menggunakan AI untuk membantu mencari informasi dan menyusun jawaban tanpa memeriksa seluruh informasi yang diberikan. Karena, informasi/hasil dari AI tidak selalu benar dan kadang tidak sesuai dengan fakta maupun sumber yang jelas.

    4. Kebiasaan yang ingin saya pertahankan adalah menyimpan data mentah dengan baik dan membuat salinan cadangannya. Menurut saya, kebiasaan ini sangat lah sederhana tetapi penting supaya data tidak hilang dan masih bisa diperiksa kembali ketika dibutuhkan pada saat penelitian maupun penyusunan skripsi nanti.

  21. 1. Kasus yang paling mengusik saya adalah kasus LAPTOP FAJAR DAN BERKAS “FIX BANGET”. Menurut saya, masalahnya bukan hanya karena laptop rusak, tetapi karena data dan proses pengolahan hanya dikuasai oleh satu orang. Ketika file hilang dan langkah pengolahan tidak dicatat, anggota kelompok lain jadi kesulitan untuk mengulang pekerjaan tersebut. Akibatnya, mereka harus mengulang pengolahan dari awal dan hasilnya pun bisa berbeda. Dari kasus ini saya belajar bahwa data penelitian sebaiknya tidak hanya disimpan di satu tempat dan setiap langkah pengolahan perlu dicatat agar bisa dipahami dan dikerjakan kembali oleh anggota kelompok lain.
    2. Kalau data Mini Riset kelompok saya diaudit besok pagi, bagian yang paling saya khawatirkan adalah catatan data mentah dan proses pengolahannya kurang lengkap. Karena itu, menurut saya setiap data yang diperoleh sebaiknya langsung dicatat dan disimpan supaya kalau ditanyakan kembali, setiap anggota kelompok saya masih bisa menunjukkan asal datanya.
    3. Beberapa hari yang lalu saya mengerjakan tugas langsung menggunakan jawaban AI. Tapi saya selalu akan membandingkan hasilnya dengan buku, jurnal, artikel atau sumber terpercaya lainnya. dan tentunya hasilnya akan sedikit berbeda dari hasil AI dan sumber pembandingnya.
    4. Saya akan menyimpan data dengan rapi, memisahkan data mentah dan data hasil pengolahan, membuat cadangan, serta mencatat setiap perubahan terjadi.

  22. 1. Tokek gua yang hilang dari rumahnya. Kasus ini mengusik karena publikasi yang niatnya memeperkenalkan spesies Goniurosaurus luii kepada dunia ilmu justru berubah menjadi peta harta Karun bagi pedagang satwa.

    2. Yang paling saya khawatirkan adalah bagian data hasil pengamatan dan pencatatannya. Dikhawatirkan masih ada kesalahan dalam penulisan dan pencatatannya.

    3. Pada tanggal 19 September 2026.
    Yang akan saya lakukan kedepannya akan mengecek kembali informasi dari AI dan mencoba mencocokkan dengan sumber yang lain seperti jurnal atau buku.

    4. Satu kebiasaan pengelolaan data yang akan saya pertahankan yaitu mem back up data dengan menyimpan data tidak hanya di satu tempat saja.

  23. 1. Menurut saya, kasus Rina tentang data penelitian yang terlalu rapi paling mengusik. Dari kasus tersebut saya menyadari bahwa dalam penelitian kita tidak boleh mengubah atau menyesuaikan data hanya karena hasilnya tidak sesuai dengan yang diharapkan. Walaupun mungkin tujuannya supaya hasil penelitian terlihat lebih bagus, hal tersebut tetap tidak benar karena data yang digunakan harus sesuai dengan keadaan sebenarnya. Menurut saya, lebih baik mendapatkan hasil yang tidak sesuai harapan tetapi jujur daripada mendapatkan hasil yang bagus tetapi datanya tidak benar.

    2. Bagian yang paling saya khawatirkan adalah data mentah dan catatan selama melakukan Mini Riset. Saya akan khawatir kalau ada data yang belum lengkap, ada catatan yang kurang jelas, atau ada bagian yang lupa didokumentasikan. Karena jika data tersebut diperiksa kembali, setiap hasil seharusnya bisa dijelaskan dari mana asalnya dan bagaimana cara mendapatkannya. Jadi, saya merasa penting untuk menyimpan data dan dokumentais penelitian dengan rapi sejak awal.

    3. Saya pernah menggunakan AI untuk membantu mencari informasi atau menjawab pertanyaan tanpa langsung memeriksa kembali semua informasi yang diberikan. Setelah memperlajari materi ini, saya menyadari bahwa hasil dari AI belum tentu semuanya benar. Untuk selanjutnya, saya akan mengecek kembali informasi yang diberikan AI dengan sumber yang terpercaya, terutama jika informasi tersebut akan digunakan untuk tugas atau penelitian. Dengan begitu, saya tidak hanya menerima jawaban AI begitu saja, tetapi tetap memastikan kebenarannya.

    4. Kebiasaan yang ingin saya pertahankan adalah menyimpan data penelitian dengan rapi dan membuat cadangan data. Menurut saya, data mentah, hasil pengamatan, foto, dan catatan penelitian perlu disimpan dengan baik supaya tidak mudah hilang dan tertukar. Saya juga akan berusaha memberi nama file dan mengelompokkam data dengan jelas agar nantinya lebih mudah dicari dan digunakan kembali ketika dibutuhkan, termasuk saat mengerjakan skripsi pada semester yang akan datang nantinya.

  24. 1. Kasus yang paling mengusik saya adalah ketika ada data yang dibuat atau ditambahkan padahal sebenarnya tidak dilakukan pengukuran. Menurut saya, hal tersebut cukup serius karena data penelitian harus sesuai dengan keadaan yang sebenarnya. Walaupun hanya sedikit data yang dibuat, tetap dapat memengaruhi hasil dan kesimpulan penelitian.
    2.Bagian yang paling saya khawatirkan adalah apakah semua data yang kami gunakan benar-benar berasal dari hasil pengamatan dan sudah dicatat dengan baik. Saya juga akan memastikan tidak ada data yang tertukar, terlewat, atau diubah tanpa alasan yang jelas. Dengan begitu, data yang digunakan dapat dipertanggungjawabkan jika diperiksa kembali.
    3.Saya tidak pernah menggunakan AI tanpa memeriksa hasilnya terlebih dahulu. Setiap kali menggunakan AI, saya selalu mengecek apakah jawaban yang diberikan sudah sesuai dengan pertanyaan dan informasi yang saya butuhkan. Jika ada jawaban yang melenceng atau kurang sesuai, biasanya saya meminta AI untuk memperbaiki dan menyesuaikannya kembali. Ke depannya, kebiasaan ini akan tetap saya lakukan agar informasi yang saya gunakan lebih tepat dan dapat dipertanggungjawabkan.
    4.Kebiasaan yang akan saya pertahankan adalah mencatat dan menyimpan data asli dengan rapi serta tidak mengubah data hanya agar hasilnya sesuai dengan yang diharapkan. Jika terdapat data yang kosong atau tidak sesuai, saya akan mencatatnya dengan jujur dan memberikan keterangan yang jelas. Menurut saya, kebiasaan ini penting agar penelitian tetap jujur dan dapat dipercaya.

  25. 1.Kasus integras data yang paling mengusik saya adalah kasus manipulasi data .Saya menyadari bahwa mengubah data penelitian ,meskipun sedikit,dapat mengurangi kejujuran dan kepercayaan terhadap hasil penelitian .Jika data di ubah atau di buat tidak sesuai dengan hasil yang sebenarnya , maka kesimpulan penelitian juga dapat menjadi tidak benar.Dari kasus ini saya menyadari bahwa sebagai mahasiswa saya harus menjaga kejujuran dalam melakukan setiap penelitian .

    2.Jika kelompok saya di audit besok pagi,saya paling khawatir jika ada data pengamatan yang kurang lengkap atau salah mencatat hasil .

    3.Saya pernah memakai AI tanpa memeriksa kembali seluruh informasi yang di berikan . Dari materi ini saya belajar bahwa AI bisa memberikan informasi atau referensi yang tidak benar atau hasilnya kurang pas .Dan ke depannya saya akan memeriksa sumber dan referensi yang saya ambil.

    4.Kebiasaan yang akan saya pertahankan adalah membuat cadangan data ,dan tidak mengubah data yang saya dapat agar sesuai dengan hasil yang di harapkan.

  26. 1.​Kasus Paling Mengusik ialah Rekayasa atau penyembunyian data penelitian demi hasil yang bagus, karena merusak kejujuran ilmiah.

    2.​Kekhawatiran Audit Data Risiko data mentah kurang lengkap, salah catat, atau belum terdokumentasi dengan rapi.

    3.Penggunaan AI & Perbaikinya Pernah terburu-buru memakai AI tanpa mengeceknya. Ke depan, wajib cek fakta dan sumber informasi AI.

    4.Kebiasaan yang Dipertahankan: Selalu mencatat data mentah dengan rapi dan menyimpan cadangannya (backup) di beberapa tempat agar aman sampai skripsi.

  27. 1. Kasus yang menurut saya mengusik yaitu: Responsible Ai: Asisten yang fasih, tetapi wajib di periksa.
    STUDI KASUS MINI.DAFTAR PUASTAKA YANG TERLALU SEMPURNA.
    Alasannya yaitu kasus bagian ini telah menunjukkan kalau Ai dapat menciptakan referensi yang meyakinkan, padahal hanya rekayasa dan tidak dapat di temukan. Hal ini membahayakan jika kita terlalu percaya dan menjiplaknya langsung tanpa memeriksa kembali. Bagi Saya adanya Ai dapat membantu kita untuk menyelesaikan tugas-tugas, namun kita juga harus bijak dalam penggunaannya dan bertanggung jawab untuk memeriksa kebenarannya lagi.

    2. Yang paling Saya khawatirkan adalah jika ada seorang dari kelompok Saya yang tidak fokus terhadap tugasnya tetapi malah fokus pada makanan yang di jual dan itu akan sangat menganggu dan mengulur waktu.

    3. Terakhir kali Saya menggunakan Ai adalah saat mengerjakan tugas yang di beri oleh Dosen, namun Saya selalu memeriksanya kembali atau hanya melihat referensinya dan mengubah kata-kata nya dengan kata-kata saya sendiri yang lebih sesuai

    4.Suatu kebiasaan yang dapat saya pertahankan sampai skripsi nanti yaitu dengan mencadangkan kembali data skripsi Saya, tidak hanya 1 cadangan namun Saya akan mencadangkan ke beberapa penyimpanan yang lebih besar dan memberi tanda atau nama yang jelas dan tepat agak tidak tertukar dan mudah di dapatkan saat di cari.

  28. 1.Kasus yang paling mengusik saya adalah kasus penggunaan AI yang membuat daftar pustaka . Kasus ini menunjukkan bahwa AI tidak selalu memberikan informasi yang benar. Jika hasil AI langsung digunakan tanpa diperiksa, kesalahan atau sumber yang tidak ada dapat masuk ke dalam laporan penelitian. Modul juga menekankan bahwa setiap rujukan dan klaim yang dibantu AI harus diperiksa kembali.

    2.Jika data mini riset kelompok saya diaudit besok pagi bagian yang paling saya khawatirkan adalah data mentah, proses pengolahan data, dan daftar pustaka. Saya perlu memastikan bahwa data mentah masih tersedia, pengolahan data dapat diulang, serta semua sumber yang digunakan benar-benar ada dan sudah diverifikasi. Modul menekankan pentingnya menyimpan data mentah, melakukan pencadangan, dan mencatat setiap langkah pengolahan data.

    3.Terakhir saya pernah menggunakan AI tanpa memeriksa seluruh hasilnya, terutama ketika mencari informasi untuk tugas. Setelah mempelajari modul ini, saya akan memeriksa kembali informasi, sumber, daftar pustaka, dan klaim yang diberikan AI sebelum memasukkannya ke dalam tugas. Saya juga tidak akan langsung menyalin jawaban AI, tetapi akan membaca dan memahami isinya terlebih dahulu.

    4.Kebiasaan yang akan saya pertahankan adalah menyimpan data dengan rapi dan melakukan backup di lebih dari satu tempat. Dengan begitu, data tidak mudah hilang dan dapat digunakan kembali jika diperlukan. Saya juga akan berusaha memberikan nama file yang jelas serta mencatat perubahan dan proses pengolahan data.

  29. 1. Kasus d modul ini yang paling mengusik saya adalah “Kasus Daftar Pustaka yang Terlalu Sempurna”. Alasannya, karena kasus ini tidak hanya bisa terjadi pada orang lain melainkan diri sendiri juga bisa. Pada kasus ini Dimas tidak berniat untuk melakukan kecurangan. Dimas melakukannya dengan buru-buru sehingga dia tidak menganalisis kembali jurnal yang ia ambil untuk dijadikan sumber.Dimas mengambil jurnal dari Ai tanpa mengecek kembali pada web, apakah DOI jurnal tersebut ada atau tidak. Dimas menyalin semua judul artikelnya karena mengejar deadline. Akibat dari kelalaian dan ketidak telitian Dimas, teman satu kelompoknya ikut mendapatkan masalah. Pada kasus ini kita diminta untuk tidak spele terhadap hal kecil sekalipun karena dampaknya akan besar bagi diri kita dan juga orang lain yang terlibat.

    2. Jika data Mini Riset kelompok saya diaudit besok pagi hal yang paling menghawatirkan bagi saya adalah kecocokan antara data mentah dan data yang dilaporkan. Karena sering terjadi perbedaan antara data mentah dan data yang di data yang dilaporkan.

    3.Terakhir kali saya memakai Ai tanpa memeriksa hasilnya adalah minggu lalu, jika hasilnya berbeda yang akan saya lakukan adalah mencari sumber lain yang lebih akurat seperti jurnal untuk melakukan pencocokan data tersebut. Dan pastinya saya tidak akan mengikuti lagi apa yang keluar dari pencarian Ai tersebut.

    4. Suatu kebiasaan pengelolaan data yang akan saya pertahankan sampai skripsi adalah mencari sumber yang akurat bukan dari Ai. Dan mencatat sumber sumbee yang diambil serta melakukan salinan data (backup) agar ketika laptop rusak, masi memiliki data pertinggalnya.

  30. 1.pemalsuan data ,karena banyak orang dapat memalsukan data orang lain dengan mengganti sebagian isi sehingga data sehingga tidak nampak bahwa data tersebut di ambil dari orang lain. serta merusak reputasi peneliti

    2. bagian yang paling di khawatirkan yaitu, tinjauan teoriris,daftar pustaka dan pertanggung jawaban

    3. terakhir pakai AI minggu lalu, untuk jawabannya tidak terlalu jauh dari yang kita pikirkan

    4. yaitu dengan mempertahankan mencadangkan data atau (backup) sehinggga mencegah kehilangan data

  31. 1.Kasus yang paling mengusik saya adalah penggunaan Responsible AI,pada bagian 3.2 Tata kelola AI: dari prinsip global ke kebiasaan harian.Seperti yang kita tahu AI yang sekarang paling sering digunakan adalah ChatGPT,ChatGPT pada dasarnya adalah alat pengolah bahasa, bukan alat pengolah informasi, sehingga ia meniru bentuk teks tanpa menjamin kebenaran isinya.Model ini juga kerap bertahan pada jawaban salah ketika diminta memeriksa ulang.Hal ini karena AI dapat membantu mengolah dan mencari informasi dengan cepat, tetapi hasilnya tetap harus diperiksa kebenarannya. Jika peneliti langsung menggunakan hasil AI tanpa melakukan pengecekan, dapat terjadi kesalahan informasi yang memengaruhi hasil data penelitian.
    2.Bagian yang paling saya khawatirkan adalah ketangguhan dan kelengkapan data penelitian. Saya perlu memastikan bahwa data yang diperoleh benar-benar berasal dari hasil pengamatan, dicatat dengan jelas, dan dapat dipertanggungjawabkan. Selain itu, prosedur penelitian dan pengolahan data harus dapat dijelaskan jika dilakukan pemeriksaan.
    3.Saya pernah menggunakan AI untuk membantu mencari informasi tanpa memeriksa seluruh hasilnya karena saya rasa informasi itu sudah cukup untuk hasil materi yang saya cari.Namun, setelah mempelajari cara respon AI saya akan lebih berhati-hati. Selanjutnya, saya akan memeriksa kembali informasi dari AI melalui buku, jurnal, atau sumber ilmiah yang terpercaya, serta membandingkan beberapa sumber sebelum menggunakannya dalam tugas atau penelitian.
    4.Kebiasaan yang akan saya pertahankan dalam mengolah data adalah mencatat dan menyimpan data penelitian. Memastikan data disimpan dengan teratur dan sesuai dengan hasil sebenarnya,mudah untuk diperiksa kembali dan dapat di pertanggungjawabkan.

  32. 1. Kasus Rina dan data yang “ditambal” oleh seniornya. Kasus ini paling mengusik karena memasukkan data yang tidak nyata, meskipun hanya sedikit tetapi itu merupakan tindakan tidak jujur dan merusak kualitas penelitian. Melalui hal ini saya belajar bahwa mahasiswa harus berani menjaga kejujuran data, tetapi tetap menyampaikannya secara sopan kepada senior.

    2. Bagian yang paling saya khawatirkan adalah kelengkapan dan ketepatan data dengan hasil pengamatan yany sebenarnya, seperti apakah semua data sudah ditulis dengan benar dan apakah terdapat data yang kurang atau salah tulis. Saya juga menghawatirkan jika ada data yang belum memiliki catatan atau referensi sumber yang jelas. Karena itu, sebelum data digunakan dalam laporan, sebaiknya dilakukan pemeriksaan kembali data mentah, catatan pengamatan, tabel, dan hasil analisis agar semuanya dapat dipertanggungjawabkan.

    3. Saya pernah menggunakan AI untuk membantu mencari informasi tanpa memeriksa semua hasilnya secara langsung. Setelah mempelajari materi ini, saya sadar bahwa AI dapat memberikan informasi atau referensi yang terlihat meyakinkan tetapi ternyata bisa salah. Pada modul juga dijelaskan bahwa hasil AI yang diberikan tetap perlu diverifikasi karena AI tidak menjamin semua informasi yang diberikan benar.

    4. Kebiasaan yang akan saya pertahankan adalah menyusun dan menyimpan data asli dengan rapi serta tidak mengubah data supaya hasilnya terlihat lebih bagus. Jika terdapat kesalahan, data tersebut sebaiknya dikoreksi secara terbuka dan diberi keterangan, bukan disembunyikan atau diganti. Saya juga akan mulai menumbuhkan dan membiasakan diri melakukan pengecekan ulang sebelum data dianalisis atau dimasukkan ke dalam laporan.

  33. 1. kasus yang paling mengusik saya adalah pemalsuan atau pengubahan data, karena data yang tidak sesuai dengan hasil sebenarnya dapat membuat kesimpulan penelitian menjadi tidak valid.
    2. saya paling khawatir jika terdapat data yang kurang lengkap atau kesalahan pencatatan. karena itu saya akan memeriksa kembali data dan mencocokkan nya dengan hasil pengamatan.
    3. saya pernah memakai ai tanpa memeriksa kembali hasil nya. ke depannya saya akan memeriksa informasi dari ai dengan sumber terpercaya sebelum menggunakan nya dalam tugas atau penelitian.
    4. kebiasaan yang saya akan pertahan kan sampai skripsi adalah menyimpan dan mencadang kan data mentah dengan rapi. dengan begitu data dapat diperiksa kembali jika di perlukan.

  34. 1. yaitu pada kasus Studi “Studi Kasus Mini · Rina dan Tabel yang Terlalu Rapi” yang terletak pada kata pengantar, pada kasus tersebut kakak tingkat rina berani memalsukan data hanya demi agar tugasnya cepat selesai. meskipun penelitian terhenti dikarenakan cuaca yang memburuk tetapi itu bukan menjadi alasan untuk memalsukan data, penelitian dapat dilakukan kembali apabila cuacanya sudah stabil untuk melakukan penelitian/riset. namun juka tanggat wakru riset telah ditetapkan kita bisa mengajukan perpanjangan waktu dengan alasan cuaca yang tidak menduung. apabila kita memalsukan data akan ada korban dari data kita tersebut dan kitapun akan kehilangan kepercayaan dan reputasi.
    2. jika data mini riset saya diaudit besok pagi, yang paling saya khawatirkan adalah terdapat banyaknya kesalahan penulisan, tingkat pengumpulan data yang tidak konsisten, perbedaan sitasi dengan anggota kelompok, terdapat ketidakakuratan data dengan data dilapangan, dan ketakutan akan kehilangan data akibat kelalaian kelompok.
    3. jujur saja terakhir kali saya memakai AI tanpa memerisa hasilnya adalah kemarin malam dikarekanan terburu buru, yang akan saya lakukan kedepannya adalah mengerjakan tugas dengan tepat waktu agar tidak dikejar deadline, selalu memeriksa parafrase ai, menyelidiki/ mencari tahu kembali kebenaran jawaban yang telah di beri Ai dan mencoba untuk tidak mengambil data secara mentah dari AI
    4. saya akan melakukan pencadangan secara berulang, dan membuat penamaan file yang berstruktur serta memeriksa kembali kebenaran data data yang saya ambil.

  35. 1.Kasus yang paling mengusik saya adalah tentang penggunaan AI tanpa memeriksa kembali hasilnya. Menurut saya, AI memang sangat membantu dalam mencari informasi, tetapi hasil dari AI belum tentu selalu benar,karena kita bisa saja menggunakan informasi yang salah dalam tugas atau penelitian.Jadi saya merasa penting untuk tetap berpikir kritis dan memeriksa sumber informasi sebelum menggunakannya.
    2.Bagian yang paling saya khawatirkan adalah kelengkapan dan keakuratan data. Saya akan memastikan bahwa data yang diperoleh benar-benar berasal dari hasil pengamatan atau penelitian, bukan dibuat-buat. Selain itu, saya juga akan memeriksa kembali pencatatan data, sumber data, perhitungan.
    3.Saya pernah menggunakan AI tanpa mengecek hasilnya. Kedepannya, saya akan memeriksa jawaban AI melalui jurnal, buku, atau sumber terpercaya sebelum menggunakannya.
    4.Saya akan mempertahankan kebiasaan tidak mengarang atau mengubah data. Saya akan mencatat data sesuai hasil yang sebenarnya, menyimpan data mentah dengan baik, dan memeriksa kembali data sebelum digunakan dalam laporan atau penelitian.

  36. 1.Kasus yang paling mengusik saya adalah tentang penggunaan Al tanpa memeriksa kembali hasilnya. Menurut saya, Al memang sangat membantu dalam mencari informasi, tetapi hasil dari Al belum tentu selalu benar, karena kita bisa saja menggunakan informasi yang salah dalam tugas atau penelitian. Jadi saya merasa penting untuk tetap berpikir kritis dan memeriksa sumber informasi sebelum menggunakannya.

    2. Bagian yang paling saya khawatirkan adalah kelengkapan dan keakuratan data. Saya akan memastikan bahwa data yang diperoleh benar-benar berasal dari hasil pengamatan atau penelitian, bukan dibuat-buat. Selain itu, saya juga akan memeriksa kembali pencatatan data, sumber data, perhitungan.

    3. Saya pernah menggunakan Al tanpa mengecek hasilnya. Kedepannya, saya akan memeriksa jawaban Al melalui jurnal, buku, atau sumber terpercaya sebelum menggunakannya.

    4. Saya akan mempertahankan kebiasaan tidak mengarang atau mengubah data. Saya akan mencatat data sesuai hasil yang sebenarnya, menyimpan data mentah dengan baik, dan memeriksa kembali data sebelum digunakan dalam laporan atau penelitian.

  37. 1. Kasus yang paling mengusik menurut saya adalah kasus Rina dan data yang ditambal karena menurut saya data nya bukan hanya diubah tetapi karena data tersebut sebenarnya tidak diperoleh dari hasil pengamatan. Walaupun alasannya supaya hasilnya tetap rapi karena pengukuran tertunda akibat hujan, tetap saja data penelitian harus sesuai dengan keadaan yang sebenarnya. Dari kasus ini saya belajar bahwa kita harus berani mempertahankan kejujuran data walaupun berada dalam situasi yang tidak nyaman.
    2. Bagian yang paling saya khawatirkan adalah data mentah dan dokumentasi hasil pengamatan. Saya harus memastikan data yang dicatat sesuai dengan hasil sebenarnya dan masih ada bukti pendukungnya. Selain itu, data yang sudah diolah juga harus bisa ditelusuri kembali ke data awal. Jadi, kalau ada yang bertanya bagaimana hasil tersebut diperoleh, kelompok kami bisa menunjukkan prosesnya.
    3. Terakhir saya memakai ai itu pada waktu semalam, menurut saya jawaban ai belum sepenuhnya benar karena jawaban yang bisa saja tidak valid, dan langkah yang akan saya lakukan ialah lebih memeriksa jawaban ai tersebut dengan mencari sumber dari jurnal atau sumber yang lain
    4. Kebiasaan yang ingin saya pertahankan adalah menyimpan data mentah dan bukti penelitian dengan rapi. Jadi, setiap data hasil pengamatan, foto, dan file pengolahan data tidak terhapus atau hanya disimpan di satu tempat. Dengan begitu, kalau suatu saat data perlu diperiksa kembali, saya masih bisa menunjukkan data aslinya dan proses bagaimana data tersebut diolah.

  38. Pengujian data biologi harus asli dan terdokumen. Etika dan keterbukaan data penting supaya hasil penelitian bagus, dan terhindar dari manipulasi, serta bisa diuji ulang oleh peneliti lain.

  39. Menurut ku, artikel ini cukup menarik karena membahas hal yang penting dalam penelitian biologi, terutama tentang kejujuran dalam menggunakan dan penyampaian data. Dari artikel ini aku jadi lebih paham kalau data penelitian tidak boleh dibuat-buat atau diubah hanya supaya hasilnya terlihat bagus. Selain itu, keterbukaan data juga perlu diperhatikan supaya tetap aman dan tidak menimbulkan masalah.

  40. dari materi yang tentang menguji data: menimbang etika, keterbukaan, dan ketangguhan data ini sangat penting untuk dipahami.
    1. kasus yang paling mengusik saya adalah kasus data lokasi yang terlalu rapi dan kasus data yang ditambal lalu dilaporkan sebagai data kosong, karena terlihat sepele tapi dampaknya besar dan mengingatkan bahwa integritas diuji dari hal kecil.

    2. Jika data Mini Riset kelompok kami diaudit besok pagi, bagian yang paling saya khawatirkan adalah dokumentasi data mentah dan foto lapangan yang masih tersebar di HP anggota yang berbeda sehingga jejak auditnya belum rapi.

    3. Terkait penggunaan AI, saya pernah langsung menyalin sitasi dari AI tanpa cek di Google Scholar, ke depannya saya akan selalu verifikasi setiap rujukan dan klaim dari AI.

    4. Satu kebiasaan yang akan saya pertahankan sampai skripsi nanti adalah selalu menyimpan data mentah dan mencadangkannya di lebih dari satu tempat, tidak pernah mengubah atau membelokkan data sekecil apapun, dan berani bertanya ketika melihat praktik yang meragukan, karena integritas bukan tentang tidak pernah salah, tetapi tentang tidak pernah menyembunyikan kesalahan.

  41. 1.Kekeliruan, wilayah abu-abu, dan pemalsuan.karena kekeliruan bisa terjadi tanpa sengaja,wilayah abu abu kadang sulit di bedakan sudah termasuk pelanggaran atau belum,dan pemalsuan karena dilakukan dengan sengaja dengan membelokkan data atau mengarang

    2.data dan hasil pengamatan

    3.terakhir kali minggu lalu,yang saya lakukan cukup benar tetapi tidak selalu benar dan butuh pengecekan

    4.selalu mengecek data dengan teliti

  42. 1. Kasus rekayasa dan manipulasi data (fabrikasi/falsifikasi) adalah yang paling mengusik bagi saya. Tindakan ini merusak fondasi paling mendasar dari sains, yaitu kejujuran. Ketika data diubah demi menyesuaikan ekspektasi, riset tersebut otomatis kehilangan keshahihannya. Lebih jauh lagi, data palsu ini bisa menyesatkan peneliti lain dan berdampak buruk bagi masyarakat luas jika diaplikasikan secara langsung.

    2. Rincian raw data dan kerapian logbook penelitian adalah hal yang paling membuat saya cemas. Saat praktikum, hal-hal kecil seperti dinamika lingkungan, variabel kontrol, hingga alasan kemunculan outlier kerap lupa dicatat secara detail. Padahal, audit data membutuhkan rekaman rekam jejak yang objektif dan transparan dari awal hingga akhir.
    3. Pengalaman: Saya pernah memakai AI tanpa mengecek ulang ketika butuh merangkum bacaan tebal atau mencari referensi kilat dalam kondisi terdesak.
    Perbaikan: Ke depan, saya akan menerapkan Responsible AI. Semua informasi atau rujukan yang diproduksi AI wajib saya periksa ulang kesesuainnya dengan sumber asli. Saya juga berkomitmen untuk tidak menggunakan AI sebagai alat rekayasa data riset.
    4. Kebiasaan pengelolaan dat a yang dipertahankan hingga skripsi:
    Saya akan konsisten memisahkan raw data murni dari data yang telah diolah, lengkap dengan riwayat versinya (data versioning). Setiap tahap analisis statistik akan saya catat secara runut dan dicadangkan secara rutin ke cloud atau media penyimpanan eksternal. Kebiasaan ini penting agar data tetap akuntabel, aman, dan mudah ditelusuri kembali saat menyusun skripsi nanti.

  43. 1. Kasus yang paling mengusik saya adalah kasus Rina yang mengisi data yang kosong agar hasil penelitiannya terlihat lebih lengkap dan rapi. Menurut saya, hal tersebut tidak seharusnya dilakukan karena data penelitian harus berdasarkan hasil yang benar-benar diperoleh. Walaupun terlihat seperti hal kecil, data yang dibuat atau diubah bisa memengaruhi hasil penelitian. Dari kasus tersebut saya belajar bahwa lebih baik mengakui jika ada data yang kurang daripada mengisi data dengan hasil yang tidak sebenarnya.

    2. Jika data Mini Riset kelompok kami diaudit besok pagi, saya paling khawatir dengan kelengkapan data mentah dan catatan hasil pengamatan. Saya takut ada data yang belum tercatat dengan lengkap atau ada bagian yang kurang jelas saat proses pengambilan data. Karena itu, data mentah harus disimpan dengan baik supaya setiap hasil yang kami dapatkan bisa dicek dan dijelaskan kembali.

    3. Saya pernah menggunakan AI untuk membantu mencari informasi dalam mengerjakan tugas. Tetapi saya tetap mengecek ulang hasil yang diberikan karena AI juga bisa melakukan kesalahan dan memberikan informasi yang kurang tepat. Biasanya saya membandingkan jawaban dari AI dengan sumber lain, terutama jurnal atau sumber yang terpercaya. Jadi, ke depannya saya tetap akan menggunakan AI sebagai alat bantu, tetapi tidak langsung percaya dengan semua hasil yang diberikan tanpa melakukan pengecekan.

    4. Kebiasaan yang akan saya pertahankan sampai skripsi nanti adalah menyimpan data mentah dengan rapi dan tidak langsung mengubah data aslinya. Saya akan membuat salinan jika ingin mengolah data, sehingga data awal tetap aman dan bisa digunakan untuk mengecek kembali jika ada kesalahan dalam proses pengolahan.

  44. Pengujian data biologi harus asli dan terdokumen. Etika dan keterkaitan isi penting agar hasil penelitian bagus, dan tak terdeteksi salah dari manipulasi, serta bisa di uji ulang oleh peneliti lain.

  45. 1. Kasus mengenai “Laba-laba, Kepribadian, dan Data yang Berulang” menjadi hal yang paling mengganggu pikiran karena terbongkarnya temuan bahwa data penelitian berskala besar milik ilmuwan terkemuka, Jonathan Pruitt, ternyata memuat titik data yang identik dan berulang sehingga harus ditarik dari banyak jurnal, yang pada akhirnya mencerminkan ketidakjujuran serta kelalaian seorang periset.

    2. Ketakutan terbesar dalam pengerjaan mini riset kelompok adalah adanya bagian data krusial yang terlewat untuk dimasukkan atau dikoreksi, sehingga berpotensi membuat tugas tersebut memiliki kekurangan yang sangat mencolok.

    3. Terakhir kali memanfaatkan bantuan AI adalah kemarin, dengan prinsip tidak pernah langsung menyalin jawabannya secara mentah-mentah, melainkan selalu melakukan pemeriksaan berulang serta mencocokkannya dengan referensi lain yang kredibel.

    4. Satu kebiasaan yang akan terus dipertahankan ke depannya adalah selalu membuat cadangan atau salinan data (backup) secara berlapis di penyimpanan lokal maupun cloud sesegera mungkin setelah merampungkan tugas atau skripsi.

  46. 1. Kasus yang paling mengusik saya adalah ketika data penelitian sengaja diubah atau ditambah supaya hasilnya terlihat lebih bagus. Menurut saya, hal seperti itu kurang baik karena hasil penelitian seharusnya sesuai dengan data yang benar-benar didapat.

    2. Yang mungkin saya khawatirkan adalah saat mencatat data mentah. Saya takut ada data yang lupa dicatat atau salah menulis hasil pengamatan. Jadi, saya harus lebih teliti dalam mencatat dan memastikan sumber datanya jelas.

    3. Saya pernah menggunakan AI untuk membantu mencari informasi saat mengerjakan tugas dan terkadang langsung percaya dengan informasi yang diberikan tanpa mengeceknya lagi. Setelah mempelajari materi ini, saya jadi tahu kalau informasi dari AI juga perlu diperiksa kembali, terutama sumber dan kebenarannya.

    4. Kebiasaan yang akan saya pertahankan adalah menyimpan data mentah dengan rapi dan membuat cadangannya. Saya juga akan tetap mencatat sumber dari data yang digunakan supaya kalau ingin melihatnya lagi, datanya masih mudah ditemukan dan jelas asalnya.

Leave a Reply

Your email address will not be published. Required fields are marked *

Previous post Prinsip Etika Digital, Keamanan Data, Privasi, Hak Cipta, dan Integritas Akademik
Next post Merancang Penelitian Biologi Berbasis Data