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.

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%.

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.

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.

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

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.

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.

• 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.

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.

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

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.

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.

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

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.

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.

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.

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.

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

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.

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.

4.1 Reliabilitas: ketika hasil dramatis tidak bisa diulang

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.

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.

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.

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.

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.

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.

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).

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)

B. Bank studi kasus

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.

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.

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.

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.

Glosarium dan Daftar Pustaka

Glosarium

Daftar Pustaka

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

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.

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.