research-design-planner

Research Design Planner

Overview

Skill ini memandu Research Agent dalam menyusun rancangan metodologi penelitian (research design) secara sistematis. Rancangan ini menentukan pendekatan riset, pemetaan konstruk/variabel, alur pengujian data, serta skenario eksperimen (khusus untuk bidang komputasi/AI/ML) guna memastikan riset berjalan secara terstruktur dan dapat direproduksi (reproducible).

Dependencies

• research-question-builder

Quick Start

Contoh penggunaan: "Gunakan skill research-design-planner untuk merancang alur eksperimen perbandingan robustness LLM menggunakan dataset benchmark GSM8K dan baseline GPT-4."

Workflow

1. Penentuan Pendekatan Penelitian (Research Approach)

Tentukan dan beri pembenaran atas pendekatan yang dipilih:

• Kuantitatif: Pengujian hipotesis secara statistik, survei terstruktur, atau eksperimen laboratorium.
• Kualitatif: Studi kasus mendalam, analisis tematis, wawancara semi-terstruktur, atau etnografi.
• Mixed-Methods: Kombinasi sekuensial atau konkuren antara kuantitatif dan kualitatif.
• Eksperimen Komputasional / AI / ML: Riset pengembangan model, analisis performa, uji ketahanan (robustness), atau studi ablasi (ablation study).
• Design Science Research: Pembuatan artefak sistem/software baru beserta evaluasi kinerjanya.

2. Operasionalisasi Variabel / Konstruk

• Untuk riset kuantitatif/sosial: Identifikasi Variabel Independen (IV), Variabel Dependen (DV), Variabel Mediator/Moderator, serta metrik pengukurannya.
• Untuk riset komputasional/AI: Tentukan baseline model, data masukan (input data), parameter kontrol (control variables), dan metrik kinerja utama (e.g., F1-score, Latency, Accuracy).

3. Pengumpulan Data & Rencana Sampling

• Rancang sumber data yang digunakan (data primer vs sekunder).
• Tentukan metode sampling (probability vs non-probability) atau detail pengumpulan dataset (e.g., scraping, dataset benchmark publik, API log).
• Rancang teknik pembersihan (preprocessing) dan pelabelan data.

4. Rencana Analisis Data & Validasi

• Tentukan metode analisis statistik yang sesuai (e.g., ANOVA, SEM, Regresi) atau alur pelatihan model (model training workflow).
• Rancang uji validitas/reliabilitas instrumen atau rencana pengujian silang (cross-validation) untuk keandalan hasil.

5. Komponen Khusus Riset AI / Machine Learning (Jika Relevan)

Untuk penelitian berbasis AI/ML, rancangan eksperimen harus menjabarkan secara rinci:

1. Dataset & Data Splitting: Skenario pembagian data (train/validation/test split) serta penanganan ketidakseimbangan data (class imbalance).
2. Baseline Model: Model pembanding standar yang akan diuji secara setara (fair comparison).
3. Robustness & Stress Testing: Pengujian model pada kondisi ekstrem (noise data, serangan adversarial, atau distribusi di luar latih/out-of-distribution).
4. Studi Ablasi (Ablation Study): Rencana pengujian untuk memverifikasi kontribusi tiap komponen arsitektur baru dengan cara menonaktifkannya secara bertahap.

Common Mistakes & Aturan Kritis

• Desain Tidak Sinkron dengan RQ: Memilih metode analisis yang tidak dapat menjawab pertanyaan penelitian (RQ).
• Perbandingan Eksperimen yang Bias (Unfair Comparison): Dalam riset ML, menguji model baru pada lingkungan yang dioptimalkan khusus sementara baseline model dijalankan tanpa penyetelan hyperparameter yang adil.
• Ketiadaan Rencana Validasi: Tidak menyertakan uji signifikansi statistik atau uji ketahanan data, sehingga hasil rentan dianggap sebagai kebetulan (cherry-picked).
• Kurang Detail pada Prosedur Reproduksibilitas: Tidak merinci konfigurasi perangkat lunak, pustaka (libraries), hardware, atau seed acak (random seed) yang digunakan.