Pengantar & Disclaimer

Sebuah disertasi bukanlah sekadar tumpukan bab yang tebal. Ia adalah pernyataan seorang calon ilmuwan kepada komunitas keilmuannya: “Inilah sepotong pengetahuan baru yang saya sumbangkan, dan inilah cara saya mempertanggungjawabkannya.” Di jenjang doktoral, yang diuji bukan lagi kemampuan menyerap ilmu, melainkan kemampuan memproduksi ilmu — merumuskan pertanyaan yang belum terjawab, merancang cara menjawabnya secara sahih, dan meyakinkan para ahli bahwa jawaban itu dapat dipercaya. Ke dalam ruang yang menuntut kejujuran ekstrem inilah kecerdasan buatan (AI) kini masuk.

Buku ini ditulis untuk mahasiswa doktoral (S3) dan peneliti yang ingin memanfaatkan AI — model bahasa besar (large language models), asisten riset, dan alat analitik cerdas — tanpa mengorbankan hal yang paling berharga dalam karier akademik: integritas. Premis kami sederhana namun tegas. AI adalah instrumen yang luar biasa untuk mempercepat pekerjaan berpikir, tetapi ia tidak dapat, dan tidak boleh, menggantikan pertimbangan intelektual peneliti. Gagasan orisinal, tanggung jawab atas klaim, dan pertanggungjawaban etis tetap sepenuhnya berada di tangan manusia yang namanya tercantum di halaman judul.

Sepanjang buku ini, kami memegang tiga prinsip yang tidak dapat ditawar. Pertama, transparansi: setiap penggunaan AI yang substantif harus dapat diungkapkan secara jujur sesuai kebijakan institusi dan penerbit. Kedua, verifikasi: tidak ada satu pun keluaran AI yang boleh masuk ke dalam karya ilmiah tanpa diperiksa terhadap sumber primer. AI dapat “berhalusinasi” — menghasilkan sitasi, angka, dan pernyataan yang tampak meyakinkan namun palsu. Ketiga, kepenulisan (authorship) tetap milik manusia: AI bukan penulis, tidak dapat bertanggung jawab, dan tidak memenuhi kriteria authorship mana pun.

Cara Membaca Buku Ini

Buku ini disusun dalam lima bagian yang bergerak dari fondasi menuju praktik. Bagian I membangun landasan etika dan orisinalitas. Bagian II membahas metodologi dan analisis data. Bagian III menyoroti penulisan dan publikasi. Bagian IV menelaah jejaring, hibah, dan — inti dari semuanya — integritas riset. Bagian V menutup dengan bank prompt, roadmap, dan refleksi sikap ilmiah.

Anda tidak wajib membacanya berurutan. Seorang kandidat yang sedang menyusun proposal dapat langsung menuju Bab 2 dan 3; yang sedang berhadapan dengan reviewer dapat menuju Bab 8. Namun kami menyarankan setiap pembaca tidak melewatkan Bab 1 dan Bab 10 — dua bab yang menjadi tulang punggung etis seluruh buku. Sepanjang teks Anda akan menemukan blok prompt bertombol Salin, ilustrasi diagram, tabel ringkas, dan kotak peringatan. Perlakukan prompt sebagai titik awal yang harus Anda sesuaikan dengan konteks, bukan mantra ajaib.

Kaidah emas buku ini: AI boleh membantu Anda berpikir lebih cepat, tidak pernah menggantikan Anda bertanggung jawab. Bila sebuah keluaran tidak dapat Anda pahami, jelaskan, dan pertahankan di hadapan penguji, keluaran itu belum layak masuk ke disertasi Anda.

Bab 1 — AI dalam Riset Doktoral & Etika Lanjut

Riset doktoral berbeda secara hakiki dari pembelajaran di jenjang sebelumnya. Di S1 dan S2, Anda umumnya diminta memahami dan menerapkan pengetahuan yang sudah mapan. Di S3, Anda diminta menambahkan sesuatu yang belum ada ke dalam khazanah pengetahuan umat manusia — sekecil apa pun kontribusi itu, ia harus baru, sahih, dan dapat dipertahankan. Karena taruhannya adalah kredibilitas keilmuan, cara Anda menggunakan alat apa pun — termasuk AI — akan dinilai dengan standar yang jauh lebih ketat.

Apa yang berubah, apa yang tidak

Yang berubah dengan hadirnya AI adalah kecepatan sejumlah pekerjaan kognitif: memindai ratusan abstrak, merumuskan ulang kalimat yang berbelit, membuat kerangka argumen, menghasilkan kode analisis awal, atau menyimulasikan sudut pandang reviewer. Yang tidak berubah adalah esensi kerja ilmiah: pertanyaan penelitian yang tajam, desain yang rigor, data yang jujur, penalaran yang valid, dan pertanggungjawaban penuh atas setiap klaim. AI mengubah bagaimana Anda bekerja, bukan apa yang menjadikan sebuah karya layak disebut ilmiah.

Kerangka etika: dari kepatuhan menuju kebijaksanaan

Etika penggunaan AI dalam riset dapat dipahami dalam tiga lapis. Lapis terendah adalah kepatuhan (compliance): menaati aturan tertulis universitas dan penerbit. Lapis menengah adalah integritas prosedural: transparansi, verifikasi, dan dokumentasi — melakukan hal yang benar bahkan ketika tidak ada aturan eksplisit. Lapis tertinggi adalah kebijaksanaan (phronesis): pertimbangan matang tentang apakah suatu penggunaan, meski legal dan terdokumentasi, benar-benar sejalan dengan tujuan mulia ilmu pengetahuan — mengejar kebenaran dan memberi manfaat.

Contoh membantu memperjelas. Menggunakan AI untuk memoles tata bahasa paragraf yang sudah Anda tulis sendiri berada di wilayah aman di ketiga lapis. Menggunakan AI untuk merangkum artikel yang belum Anda baca lalu mengutipnya seolah-olah Anda telah membacanya melanggar integritas prosedural (Anda tidak memverifikasi) sekaligus kebijaksanaan (Anda menipu diri sendiri dan pembaca). Meminta AI “menuliskan bab diskusi” lalu menyerahkannya sebagai karya sendiri melanggar ketiga lapis sekaligus dan merupakan pelanggaran serius.

Akuntabilitas: nama Anda adalah tanda tangan

Prinsip akuntabilitas menyatakan bahwa peneliti bertanggung jawab penuh atas seluruh isi karyanya, tanpa memandang alat yang digunakan untuk menghasilkannya. Argumen “itu kesalahan AI, bukan saya” tidak pernah diterima dalam forum ilmiah — sebagaimana seorang penulis tidak dapat menyalahkan mesin tik atas kalimat yang keliru. Konsekuensinya praktis: bila Anda tidak sanggup memverifikasi suatu keluaran, jangan gunakan; bila Anda tidak memahami sebuah kalimat yang “dibantu” AI, tulis ulang sampai Anda memahaminya; bila sebuah sitasi tidak dapat Anda temukan sumber aslinya, hapus.

Batas yang tidak boleh dilewati

Beberapa penggunaan hampir selalu keliru di jenjang doktoral: menyerahkan teks buatan AI sebagai tulisan orisinal tanpa pengungkapan; membiarkan AI “menciptakan” data atau hasil; mengunggah data penelitian rahasia, data subjek manusia, atau naskah yang sedang di-review ke layanan AI publik tanpa persetujuan dan tanpa jaminan kerahasiaan; serta menggunakan AI untuk menghasilkan sitasi tanpa memverifikasi keberadaannya. Kita akan kembali ke masing-masing dengan lebih dalam di Bab 10.

Bab 2 — Systematic Literature Review & Menemukan Research Gap

Sebuah tinjauan literatur yang baik bukan daftar ringkasan artikel, melainkan argumen: peta yang menunjukkan apa yang sudah diketahui, di mana pengetahuan itu retak atau bertentangan, dan mengapa pertanyaan Anda layak dijawab. Tinjauan sistematis (systematic literature review, SLR) menaikkan standar ini dengan menuntut proses yang transparan, dapat direproduksi, dan minim bias. Di sinilah AI dapat sangat membantu — asalkan tidak menggantikan kerja membaca yang mendalam.

Anatomi tinjauan sistematis

Kerangka yang lazim, misalnya PRISMA untuk bidang kesehatan dan sosial, membagi proses menjadi tahapan yang eksplisit: merumuskan pertanyaan (sering dengan bantuan struktur seperti PICO — Population, Intervention, Comparison, Outcome), menyusun string pencarian, memilih basis data, menyaring (screening) berdasarkan kriteria inklusi/eksklusi, mengekstraksi data, menilai kualitas metodologis (risk of bias), lalu mensintesis. Setiap tahap harus terdokumentasi sehingga peneliti lain dapat menelusuri ulang jejak Anda.

Di mana AI membantu — dan di mana ia berbahaya

AI dapat mempercepat sejumlah tahap: menyarankan sinonim dan istilah untuk memperkaya string pencarian, membantu klasifikasi awal abstrak (misalnya menandai kandidat relevan untuk ditinjau manusia), merangkum temuan lintas artikel untuk membangun tabel sintesis, dan mengidentifikasi tema berulang. Namun ada dua bahaya besar. Pertama, halusinasi sitasi: model bahasa dapat memfabrikasi judul artikel, nama penulis, DOI, dan kutipan yang tampak sempurna namun tidak pernah ada. Setiap referensi yang muncul dari AI wajib diverifikasi di basis data resmi. Kedua, ilusi keterbacaan: ringkasan AI yang mulus dapat membuat Anda merasa telah “menguasai” literatur tanpa benar-benar membacanya — padahal nuansa metodologis, keterbatasan, dan konteks sebuah studi hanya terungkap lewat pembacaan cermat.

Menemukan research gap yang sejati

Research gap bukan sekadar “topik yang belum diteliti” — banyak topik tidak diteliti justru karena tidak penting. Gap yang bernilai memiliki ciri: (1) signifikan, menjawabnya menggerakkan bidang atau memecahkan masalah nyata; (2) spesifik, dapat dirumuskan menjadi pertanyaan yang terjawab; (3) layak (feasible), dapat dikerjakan dengan sumber daya dan waktu Anda. Jenis gap yang umum meliputi: gap bukti (temuan bertentangan), gap populasi (kelompok yang belum diteliti), gap metodologi (pendekatan baru untuk masalah lama), gap teori (fenomena tanpa penjelasan memadai), dan gap kontekstual (temuan dari satu konteks yang belum diuji di konteks lain — sangat relevan bagi peneliti Indonesia).

AI dapat membantu memetakan lanskap dan mengajukan kandidat gap, tetapi penilaian akhir tentang mana gap yang benar-benar layak dan orisinal menuntut penguasaan mendalam yang hanya lahir dari membaca dan berdiskusi dengan komunitas keilmuan Anda. Gunakan AI sebagai lawan bicara untuk menguji ketajaman perumusan Anda, bukan sebagai orakel yang menentukan arah riset Anda.

Bab 3 — Kontribusi Orisinal & Novelty (Positioning)

Jantung setiap disertasi adalah satu kalimat yang, bila hilang, meruntuhkan seluruh karya: “Inilah kontribusi orisinal saya.” Menguasai seni merumuskan dan mempertahankan klaim kontribusi adalah pembeda antara kandidat yang lulus dengan mudah dan yang tersendat di ujian akhir. AI dapat membantu mengasah artikulasi klaim ini, tetapi klaim itu sendiri harus lahir dari kerja intelektual Anda.

Apa itu “orisinal” dalam konteks doktoral

Orisinalitas tidak selalu berarti menemukan sesuatu yang sama sekali belum pernah terpikirkan. Ia dapat berbentuk beragam: menghasilkan pengetahuan empiris baru; mengembangkan atau menguji teori; menerapkan metode yang sudah ada pada masalah atau konteks baru; mengembangkan metode baru; mensintesis gagasan lintas bidang menjadi kerangka baru; atau membantah temuan yang selama ini diterima. Yang menyatukan semuanya adalah bahwa kontribusi itu menambah sesuatu yang sebelumnya tidak ada dan diakui bernilai oleh komunitas.

Positioning: menempatkan diri di percakapan ilmiah

Bayangkan bidang keilmuan sebagai percakapan panjang yang telah berlangsung sebelum Anda datang dan akan berlanjut setelah Anda pergi. Positioning adalah seni menunjukkan, secara persis, di titik mana percakapan itu Anda masuki dan apa yang Anda tambahkan. Ini menuntut penguasaan literatur (siapa mengatakan apa), kejujuran (mengakui apa yang sudah dikerjakan orang lain), dan ketepatan (tidak melebih-lebihkan maupun merendahkan klaim Anda). Klaim yang terlalu besar mengundang serangan reviewer; klaim yang terlalu kecil membuat karya tampak tidak layak doktoral.

Menggunakan AI untuk menajamkan, bukan mengarang, novelty

AI berguna sebagai “cermin kritis”. Anda dapat memaparkan rumusan kontribusi Anda dan meminta AI berperan sebagai reviewer skeptis: Di mana klaim ini bisa diserang? Apakah ada karya sebelumnya yang mungkin sudah melakukan hal serupa? Apakah klaim ini terlalu luas? Anda juga dapat meminta AI membantu menyusun kalimat kontribusi dalam beberapa varian agar Anda memilih yang paling tepat dan tidak berlebihan. Namun waspadai satu jebakan serius: AI mungkin meyakinkan Anda bahwa sesuatu “baru” padahal ia hanya tidak mengetahui karya terdahulu yang relevan. Verifikasi novelty selalu dilakukan lewat penelusuran literatur yang cermat, bukan lewat afirmasi AI.

Uji sederhana untuk klaim kontribusi: bila Anda dapat menyelesaikan kalimat “Sebelum penelitian ini, kita tidak tahu / tidak dapat / tidak memiliki ___; setelah penelitian ini, kita tahu / dapat / memiliki ___” dengan jujur dan spesifik, Anda memiliki kontribusi yang dapat dipertahankan.

Bab 4 — Metodologi Tingkat Lanjut (Rigor, Validitas, Reliabilitas)

Metodologi adalah tempat sebuah disertasi dipertaruhkan. Temuan sehebat apa pun runtuh bila diperoleh lewat metode yang cacat. Di jenjang doktoral, Anda dituntut tidak hanya menerapkan metode, tetapi mempertanggungjawabkan pilihan metodologis — mengapa pendekatan ini, bukan yang lain; bagaimana Anda memastikan hasil Anda sahih dan dapat dipercaya. AI dapat menjadi mitra diskusi yang berguna, tetapi keputusan metodologis tetap tanggung jawab Anda dan pembimbing.

Rigor: disiplin di setiap keputusan

Rigor bukan kata sifat yang menghias proposal, melainkan disiplin yang tampak pada ratusan keputusan kecil: definisi variabel yang jelas, instrumen yang tervalidasi, prosedur pengumpulan data yang konsisten, penanganan data yang terdokumentasi, dan analisis yang sesuai dengan sifat data. Rigor juga berarti preregistrasi bila memungkinkan — mendaftarkan hipotesis dan rencana analisis sebelum mengumpulkan data untuk mencegah HARKing (Hypothesizing After the Results are Known) dan p-hacking.

Validitas dan reliabilitas

Dua konsep ini adalah fondasi kepercayaan pada temuan. Validitas menyangkut apakah Anda benar-benar mengukur atau menjelaskan apa yang Anda maksud. Dalam penelitian kuantitatif kita membedakan validitas internal (apakah hubungan sebab-akibat benar), validitas eksternal (apakah temuan dapat digeneralisasi), validitas konstruk (apakah instrumen mengukur konsep yang dituju), dan validitas statistik. Reliabilitas menyangkut konsistensi — apakah pengukuran menghasilkan hasil yang stabil bila diulang. Dalam penelitian kualitatif, kriteria yang setara sering dirumuskan sebagai trustworthiness: kredibilitas, transferabilitas, dependabilitas, dan konfirmabilitas.

Peran AI yang tepat dalam metodologi

AI dapat membantu Anda memahami trade-off antar desain, menyusun daftar ancaman validitas yang perlu diantisipasi, memeriksa apakah rencana analisis Anda cocok dengan pertanyaan penelitian, dan membangun draf protokol yang kemudian Anda sempurnakan. AI juga berguna untuk “red-teaming” — meminta ia mengkritik desain Anda seperti seorang reviewer galak. Namun ada garis tegas: AI tidak dapat menjamin kelayakan etis penelitian Anda (itu wewenang komite etik), dan saran statistiknya harus selalu diverifikasi terhadap literatur metodologi otoritatif serta, idealnya, dikonsultasikan dengan ahli statistik. Kesalahan metodologis yang diperkenalkan AI tetap menjadi tanggung jawab Anda.

Bab 5 — Analisis Data Kompleks (Kualitatif, Kuantitatif, Mixed)

Analisis data adalah momen ketika data mentah diubah menjadi bukti, dan bukti menjadi argumen. Kompleksitas analisis doktoral menuntut penguasaan teknik yang mendalam sekaligus kejujuran yang tak tergoyahkan — sebab di sinilah godaan untuk “memaksa” data mengatakan apa yang kita harapkan paling besar. AI menawarkan bantuan nyata untuk pekerjaan analitik, tetapi juga membawa risiko yang harus dikelola dengan cermat.

Analisis kuantitatif

Untuk data numerik, tantangan doktoral biasanya melampaui statistik deskriptif: pemodelan regresi berganda dan multilevel, pemodelan persamaan struktural (SEM), analisis longitudinal, meta-analisis, hingga metode machine learning untuk prediksi dan klasifikasi. AI dapat membantu menulis dan men-debug kode analisis (misalnya dalam R atau Python), menjelaskan asumsi sebuah uji statistik, dan menafsirkan keluaran perangkat lunak. Namun waspadai: AI dapat menyarankan uji yang keliru untuk struktur data Anda, atau menafsirkan p-value dan ukuran efek secara serampangan. Anda wajib memahami setiap baris analisis yang Anda laporkan, termasuk mengapa asumsinya terpenuhi.

Analisis kualitatif

Untuk data teks, wawancara, atau observasi, analisis dapat berupa analisis tematik, grounded theory, analisis wacana, atau fenomenologi. Di sini AI dapat membantu proses coding awal, menyarankan tema kandidat, dan mengorganisasi kutipan. Tetapi analisis kualitatif yang bermutu bersandar pada interpretasi mendalam dan refleksif peneliti yang tenggelam dalam data dan konteksnya — sesuatu yang tidak dapat didelegasikan. Bila Anda menggunakan AI untuk membantu coding, dokumentasikan dengan transparan, perlakukan keluarannya sebagai saran yang harus divalidasi, dan pastikan interpretasi final adalah milik Anda. Perhatikan pula bahwa mengunggah transkrip yang memuat identitas partisipan ke layanan AI publik dapat melanggar kerahasiaan dan persetujuan etik (lihat Bab 10).

Metode campuran (mixed methods)

Penelitian mixed methods memadukan kekuatan keduanya — misalnya menjelaskan hasil kuantitatif dengan wawancara kualitatif, atau membangun instrumen kuantitatif dari eksplorasi kualitatif. Tantangannya adalah integrasi: bagaimana kedua untai data berbicara satu sama lain. AI dapat membantu Anda memikirkan strategi integrasi (misalnya joint display) dan mengartikulasikan meta-inferensi, tetapi kualitas integrasi bergantung pada penalaran Anda.

Bab 6 — Menulis Disertasi & Artikel Jurnal Q1

Menulis ilmiah adalah bentuk berpikir. Kalimat yang kabur hampir selalu menandai gagasan yang belum jernih. Karena itulah bahaya terbesar dalam menggunakan AI untuk menulis bukan sekadar soal etika, melainkan soal epistemik: bila Anda membiarkan AI menulis argumen Anda, Anda kehilangan proses berpikir yang seharusnya menghasilkan argumen itu. Bab ini menunjukkan cara memakai AI yang memperkuat, bukan menggantikan, kemampuan berpikir dan menulis Anda.

Struktur yang menuntun pembaca

Baik disertasi maupun artikel jurnal berbagi logika naratif yang sering diringkas sebagai IMRaD: Introduction (mengapa masalah ini penting dan apa pertanyaannya), Methods (bagaimana Anda menjawabnya), Results (apa yang Anda temukan), dan Discussion (apa artinya, keterbatasannya, dan implikasinya). Artikel Q1 — jurnal papan atas di kuartil teratas — menuntut lebih: kontribusi yang jelas dan signifikan, argumen yang rapat, bukti yang kuat, dan penulisan yang jernih. Introduction yang baik menjawab pertanyaan pembaca skeptis: Apa masalahnya? Mengapa penting? Apa yang belum diketahui? Apa yang Anda lakukan? Mengapa itu kontribusi?

Cara sehat menggunakan AI dalam menulis

Gunakan AI di lapisan yang tidak menggantikan pemikiran Anda: memperbaiki tata bahasa dan kejelasan kalimat yang sudah Anda tulis; menyarankan struktur atau outline yang kemudian Anda isi dengan gagasan sendiri; menawarkan kata transisi atau sinonim; mengecek konsistensi istilah; atau berperan sebagai pembaca awam yang menunjukkan bagian yang membingungkan. Bagi penulis yang bahasa Inggris bukan bahasa pertamanya — termasuk banyak peneliti Indonesia — AI adalah alat penyetaraan yang berharga untuk memoles bahasa, dan penggunaan seperti ini umumnya diterima serta cukup diungkapkan secara wajar. Kuncinya: gagasan, struktur argumen, dan klaim harus tetap lahir dari Anda.

Kejujuran dalam menulis hasil dan diskusi

Bagian Results harus melaporkan apa adanya, termasuk hasil yang tidak mendukung hipotesis. Bagian Discussion menafsirkan dengan hati-hati tanpa melampaui data (overclaiming), mengakui keterbatasan secara jujur, dan menempatkan temuan dalam konteks literatur. AI dapat membantu merumuskan keterbatasan dan implikasi, tetapi hati-hati agar AI tidak “memperhalus” klaim menjadi lebih besar dari yang didukung bukti. Selalu periksa: apakah setiap kalimat di Discussion benar-benar berpijak pada data Anda?

Bab 7 — Sitasi, Manajemen Referensi & Bibliometrik

Sitasi adalah urat nadi percakapan ilmiah: cara kita mengakui utang intelektual, memberi pembaca jejak untuk memverifikasi, dan menempatkan karya dalam konteks. Kesalahan sitasi bukan soal teknis semata — sitasi yang keliru atau fiktif mengikis kepercayaan pada seluruh karya. Di era AI, kewaspadaan terhadap sitasi menjadi lebih penting daripada sebelumnya.

Etika sitasi

Prinsipnya lugas: akui setiap gagasan yang bukan milik Anda; sitasi sumber yang benar-benar Anda baca dan gunakan; jangan menyitasi hanya untuk menggembungkan daftar pustaka (citation padding); jangan melakukan sitasi diri berlebihan; dan jangan menyalin daftar pustaka orang lain tanpa membaca sumbernya. Menyitasi sumber yang tidak Anda baca — apalagi yang “disarankan” AI tanpa verifikasi — adalah bentuk ketidakjujuran akademik.

Manajemen referensi

Perangkat manajemen referensi (seperti Zotero, Mendeley, atau EndNote) membantu menyimpan, mengorganisasi, dan memformat sitasi secara konsisten. Biasakan menyimpan metadata langsung dari sumber resmi, bukan mengetik ulang, untuk menghindari galat. AI dapat membantu mengonversi format kutipan atau memeriksa konsistensi gaya (APA, IEEE, Vancouver, dan lain-lain), tetapi verifikasi akurasi tetap tanggung jawab Anda.

Bibliometrik: memahami metrik dengan kritis

Bibliometrik mengukur pola sitasi dan publikasi. Anda akan berjumpa dengan indikator seperti impact factor jurnal, h-index peneliti, kuartil (Q1–Q4), jumlah sitasi, dan metrik alternatif (altmetrics) yang menangkap perhatian di luar sitasi. Metrik ini berguna untuk orientasi — misalnya memilih target jurnal — tetapi harus digunakan dengan kritis. Metrik adalah proksi yang tidak sempurna atas kualitas dan dampak. Deklarasi seperti DORA (San Francisco Declaration on Research Assessment) mengingatkan agar penilaian tidak mereduksi nilai sebuah karya menjadi angka. AI dapat membantu menghitung dan memvisualisasikan tren bibliometrik, tetapi interpretasi yang bijak — memahami keterbatasan dan konteks metrik — adalah tugas Anda.

Bab 8 — Strategi Publikasi (Target Jurnal, Cover Letter, Merespons Reviewer)

Menghasilkan temuan yang baik adalah setengah pekerjaan; membawanya menembus proses peer review hingga terbit adalah setengah lainnya. Strategi publikasi yang matang menghemat waktu berbulan-bulan dan meningkatkan peluang temuan Anda dibaca dan berdampak. AI dapat menjadi asisten yang cekatan di sepanjang proses ini — dengan batas yang jelas, terutama pada tahap peer review.

Memilih jurnal yang tepat

Pemilihan jurnal menyeimbangkan beberapa faktor: kesesuaian ruang lingkup (apakah jurnal ini memang menerbitkan topik seperti milik Anda), audiens (siapa yang perlu membaca karya ini), reputasi dan kualitas (hindari jurnal predator!), waktu review, kebijakan akses terbuka dan biaya (APC), serta peluang diterima secara realistis. Membaca beberapa artikel terbaru jurnal target memberi gambaran nyata tentang gaya dan standar mereka. AI dapat membantu menyusun daftar kandidat jurnal dan membandingkan cakupannya, tetapi Anda wajib memverifikasi legitimasi jurnal secara mandiri.

Cover letter yang efektif

Surat pengantar kepada editor secara ringkas menjelaskan: apa temuan utama, mengapa penting, mengapa cocok untuk jurnal ini, dan pernyataan bahwa naskah orisinal serta tidak sedang dipertimbangkan di tempat lain. AI dapat membantu menyusun draf cover letter yang jelas dan profesional, yang kemudian Anda personalisasi dengan jujur. Jangan pernah membuat klaim palsu tentang kebaruan atau signifikansi hanya agar surat terdengar mengesankan.

Merespons reviewer dengan bijak

Menerima komentar reviewer — termasuk yang tajam — adalah bagian normal dan berharga dari proses ilmiah. Respons yang baik bersikap sopan, menanggapi setiap poin secara sistematis (biasanya dalam tabel respons berpasangan), menjelaskan perubahan yang dilakukan, dan bila tidak setuju, mengargumentasikannya dengan bukti dan hormat — bukan dengan defensif. AI dapat membantu menyusun respons yang tenang dan terstruktur, meredakan nada emosional draf pertama Anda, dan memastikan tidak ada komentar yang terlewat.

Bab 9 — Kolaborasi, Jejaring & Hibah Riset

Ilmu pengetahuan adalah usaha kolektif. Karier akademik yang berkelanjutan dibangun bukan hanya di atas publikasi, tetapi juga di atas jejaring kolaborasi dan kemampuan mendapatkan pendanaan untuk mewujudkan gagasan. AI dapat memperlancar banyak aspek administratif dan komunikatif dari kolaborasi dan pencarian hibah, membebaskan waktu Anda untuk pekerjaan intelektual yang sesungguhnya.

Membangun jejaring yang bermakna

Jejaring bukan sekadar mengumpulkan kontak, melainkan membangun hubungan saling percaya di sekitar minat keilmuan bersama: menghadiri konferensi dan benar-benar berdiskusi, mengikuti karya peneliti yang Anda kagumi, berkontribusi dalam komunitas ilmiah, dan bersikap murah hati membantu sesama. AI dapat membantu menyiapkan komunikasi profesional — email perkenalan, ringkasan penelitian untuk kolaborator potensial, atau materi presentasi — tetapi hubungan yang tulus tetap dibangun oleh manusia.

Etika kolaborasi dan kepenulisan

Kolaborasi memunculkan pertanyaan penting tentang kontribusi dan authorship. Sepakati sejak awal siapa mengerjakan apa dan bagaimana urutan penulis ditentukan. Standar authorship yang banyak diacu (misalnya kriteria ICMJE di bidang biomedis) menuntut kontribusi substansial pada rancangan/analisis, penyusunan naskah, persetujuan versi final, dan kesediaan bertanggung jawab. Praktik seperti gift authorship (mencantumkan orang yang tidak berkontribusi) dan ghost authorship (menghilangkan kontributor sejati) melanggar integritas.

Menulis proposal hibah

Proposal hibah adalah genre tersendiri: ia harus meyakinkan pemberi dana bahwa masalahnya penting, pendekatannya menjanjikan, tim mampu, dan anggarannya masuk akal. Elemen kunci meliputi pernyataan signifikansi, inovasi, pendekatan metodologis, luaran yang diharapkan, dan rencana kerja yang realistis. AI dapat membantu menstrukturkan proposal, memperjelas bahasa, memeriksa kesesuaian dengan kriteria pemberi dana, dan menyusun anggaran naratif. Namun gagasan inti, kelayakan ilmiah, dan komitmen etis (termasuk manajemen data dan persetujuan etik) harus datang dari Anda. Perhatikan pula bahwa sebagian pemberi dana kini memiliki kebijakan tentang penggunaan AI dalam penyusunan proposal — periksa dan patuhi.

Kolaborasi terbaik bersifat resiprokal: Anda memberi setidaknya sebanyak yang Anda terima. Reputasi sebagai kolaborator yang jujur, dapat diandalkan, dan murah hati adalah aset karier yang tak ternilai dan tak dapat dihasilkan oleh AI mana pun.

Bab 10 — Integritas Riset

Inilah bab yang paling penting dalam buku ini. Seluruh keterampilan yang kita bahas — mencari literatur, merancang metode, menganalisis data, menulis, mempublikasikan — kehilangan maknanya, bahkan menjadi berbahaya, bila dilepaskan dari integritas. Integritas riset bukan daftar larangan yang membatasi, melainkan komitmen positif yang memungkinkan ilmu pengetahuan berfungsi: karena hanya bila kita dapat saling percaya bahwa temuan dilaporkan dengan jujur, pengetahuan dapat dibangun secara kumulatif.

Tiga pelanggaran berat: fabrikasi, falsifikasi, plagiat

Komunitas ilmiah global mengenali tiga pelanggaran paling serius, sering disingkat FFP. Fabrikasi adalah mengarang data atau hasil yang tidak pernah ada. Falsifikasi adalah memanipulasi data, gambar, atau prosedur sehingga hasil tidak lagi mencerminkan kenyataan — termasuk memoles gambar mikroskop, menghapus data yang “mengganggu” tanpa alasan sah, atau mengubah angka. Plagiat adalah mengakui gagasan, kata, atau karya orang lain sebagai milik sendiri. Ketiganya dapat menghancurkan karier, menarik kembali (retraksi) publikasi, dan — yang terpenting — mencemari khazanah pengetahuan yang menjadi pijakan peneliti lain.

Authorship dan kontribusi yang jujur

Sebagaimana dibahas di Bab 9, authorship harus mencerminkan kontribusi intelektual yang nyata. Konsensus penerbit dan organisasi ilmiah saat ini tegas: AI tidak dapat menjadi penulis (author). Alasannya mendasar — penulis harus dapat bertanggung jawab atas karya, menyetujui versi final, dan menjawab pertanyaan tentangnya; AI tidak dapat melakukan satu pun dari itu. Kontribusi AI, bila substantif, diakui di bagian metode atau ucapan terima kasih, bukan di baris penulis.

Disclosure penggunaan AI

Transparansi adalah kunci. Banyak jurnal, universitas, dan pemberi dana kini mewajibkan pengungkapan penggunaan AI yang substantif — alat apa yang digunakan, untuk tujuan apa, dan bagaimana. Pengungkapan yang baik bersifat spesifik dan jujur. Prinsip praktisnya: bila ragu, ungkapkan. Penggunaan ringan untuk mengoreksi tata bahasa umumnya tidak perlu diungkapkan secara rinci, tetapi penggunaan yang memengaruhi substansi (analisis, penyusunan bagian teks, pembuatan kode utama) sebaiknya diungkapkan. Selalu ikuti kebijakan spesifik institusi dan penerbit Anda, yang menjadi otoritas final.

Kerahasiaan: data, subjek, dan peer review

Tiga wilayah kerahasiaan menuntut kehati-hatian khusus dengan AI. Data penelitian rahasia — terutama data subjek manusia, data medis, data bisnis yang dilindungi — tidak boleh diunggah ke layanan AI publik tanpa persetujuan dan tanpa jaminan bahwa data tidak akan disimpan atau dipakai melatih model. Ini dapat melanggar persetujuan etik, perlindungan data pribadi, dan perjanjian kerahasiaan. Naskah yang sedang Anda review adalah dokumen rahasia milik penulis dan jurnal; mengunggahnya ke AI publik melanggar kepercayaan peer review dan dilarang banyak penerbit. Naskah Anda sendiri yang belum terbit pun sebaiknya diperlakukan hati-hati sampai Anda memahami kebijakan privasi alat yang dipakai.

Bab 11 — Diseminasi & Dampak Ilmiah

Sebuah temuan yang terbit di jurnal namun tak pernah dibaca atau digunakan hanya memenuhi setengah tujuan ilmu: menambah pengetahuan tetapi belum memberi manfaat. Diseminasi — menyebarkan temuan kepada mereka yang dapat menggunakannya — dan pengejaran dampak nyata adalah tanggung jawab peneliti yang sering terabaikan. AI dapat memperluas jangkauan komunikasi ilmiah Anda secara signifikan.

Memahami dampak secara luas

Dampak ilmiah lebih luas daripada sitasi. Ada dampak akademik (temuan Anda menggerakkan penelitian lain), dampak kebijakan (memengaruhi keputusan publik), dampak praktik (mengubah cara profesional bekerja), dampak sosial dan ekonomi, serta dampak edukatif. Bagi peneliti Indonesia, dampak terhadap masyarakat dan kebijakan nasional sering kali sama pentingnya dengan pengakuan internasional. Merancang riset dengan memikirkan jalur dampak sejak awal — siapa yang akan menggunakannya dan bagaimana — meningkatkan peluang temuan Anda benar-benar bermakna.

Komunikasi ilmiah untuk beragam audiens

Menjelaskan riset kepada sesama ahli berbeda dari menjelaskannya kepada pembuat kebijakan, praktisi, atau publik umum. Kemampuan menerjemahkan temuan kompleks menjadi bahasa yang jelas tanpa mengorbankan akurasi adalah keterampilan berharga. AI sangat membantu di sini: menyusun ringkasan awam (lay summary), draf artikel populer, poin-poin presentasi, materi media sosial akademik, hingga naskah untuk seminar. Tetapi Anda tetap penjaga akurasi — pastikan penyederhanaan tidak menjadi penyesatan, dan klaim tetap proporsional dengan bukti.

Membangun kehadiran ilmiah yang jujur

Profil peneliti yang terkelola baik (misalnya melalui pengenal peneliti tetap seperti ORCID dan profil di basis data ilmiah) memudahkan orang menemukan dan mengutip karya Anda. AI dapat membantu menyusun ringkasan riset dan menjaga konsistensi profil. Namun bangunlah reputasi di atas substansi, bukan pencitraan. Membesar-besarkan pencapaian atau memanipulasi metrik akan terbongkar dan merusak kepercayaan yang menjadi modal utama seorang ilmuwan.

Bab 12 — 40 Prompt Peneliti Siap Pakai

Berikut kumpulan prompt yang dirancang untuk peneliti doktoral, dikelompokkan menurut tahap riset. Perlakukan semuanya sebagai titik awal: sesuaikan dengan bidang, data, dan konteks Anda, lalu verifikasi setiap keluaran. Ingat prinsip inti buku ini — AI membantu Anda berpikir, tidak menggantikan tanggung jawab Anda. Jangan pernah mengunggah data rahasia atau naskah orang lain ke layanan AI publik.

A. Tinjauan Literatur (Prompt 1–8)

Saya sedang menyusun tinjauan sistematis tentang [TOPIK] pada populasi [POPULASI]. Bantu saya menyusun string pencarian dengan sinonim, istilah MeSH bila relevan, serta operator Boolean untuk basis data [NAMA]. Jelaskan alasan setiap kelompok kata kunci. Saya akan memverifikasi hasilnya secara manual.

Saya memiliki daftar kriteria inklusi dan eksklusi berikut: [DAFTAR]. Bantu saya menajamkannya agar tidak ambigu dan dapat direproduksi oleh peninjau lain. Tunjukkan potensi tumpang tindih atau celah.

Berikut abstrak yang SUDAH SAYA BACA dari beberapa studi: [TEMPEL ABSTRAK]. Bantu saya menyusun tabel sintesis dengan kolom: penulis-tahun, desain, sampel, temuan utama, keterbatasan. Jangan menambahkan studi lain yang tidak saya berikan.

Bantu saya mengidentifikasi tema dan pola yang berulang di seluruh temuan studi yang saya rangkum di atas. Untuk setiap tema, tunjukkan studi mana yang mendukung dan mana yang bertentangan.

Berdasarkan sintesis literatur yang saya berikan, ajukan 5 kandidat research gap. Untuk masing-masing, nilai signifikansi, spesifisitas, dan kelayakannya, serta sebutkan asumsi yang perlu saya verifikasi sendiri di literatur.

Jelaskan perbedaan konseptual antara [TEORI A] dan [TEORI B] dalam bidang [BIDANG], termasuk asumsi dasar, kekuatan, dan kritik utama masing-masing. Sertakan catatan bahwa saya harus merujuk sumber primer untuk detail.

Saya menulis paragraf tinjauan berikut: [TEMPEL]. Periksa apakah argumennya mengalir logis, apakah ada klaim tanpa dukungan, dan apakah ada lompatan penalaran. Jangan menambah referensi baru; tandai bila saya perlu sitasi.

Bertindaklah sebagai pakar bidang [BIDANG] yang skeptis. Baca ringkasan posisi teoretis saya berikut: [TEMPEL]. Ajukan pertanyaan-pertanyaan tersulit yang akan diajukan penelaah untuk menguji pemahaman saya.

B. Metodologi (Prompt 9–16)

Pertanyaan penelitian saya: [RQ]. Bandingkan 2–3 desain penelitian yang mungkin, dengan trade-off masing-masing terhadap validitas internal, eksternal, dan kelayakan. Berikan pertimbangan, bukan keputusan final — saya akan memutuskan bersama pembimbing.

Untuk desain [DESAIN] dengan RQ [RQ], daftarkan ancaman terhadap validitas (internal, eksternal, konstruk, statistik) yang harus saya antisipasi, beserta strategi mitigasi untuk masing-masing.

Saya akan menggunakan instrumen [INSTRUMEN] untuk mengukur [KONSTRUK]. Jelaskan bukti validitas dan reliabilitas apa yang perlu saya laporkan, dan bagaimana cara mengujinya. Tandai hal yang perlu saya verifikasi di literatur psikometri.

Bantu saya menyusun kerangka protokol pengumpulan data untuk [METODE], mencakup prosedur langkah demi langkah, penanganan kasus khusus, dan poin dokumentasi. Saya akan menyesuaikannya dengan konteks etik dan lapangan saya.

Bertindaklah sebagai penelaah metodologi yang ketat. Berikut ringkasan desain saya: [TEMPEL]. Kritik titik-titik terlemahnya dan tunjukkan apa yang akan membuat penelaah menolak, agar saya dapat memperbaikinya lebih dahulu.

Jelaskan pertimbangan ukuran sampel untuk [DESAIN/UJI] saya, termasuk konsep power analysis dan parameter yang perlu saya tentukan. Tekankan bahwa perhitungan final harus saya verifikasi dengan perangkat/ahli statistik.

Saya merencanakan penelitian dengan subjek manusia berupa [DESKRIPSI]. Bantu saya mendaftar isu etik yang mungkin muncul (persetujuan, kerahasiaan, risiko, kerentanan) sebagai bahan diskusi dengan komite etik. Ini bukan pengganti persetujuan komite etik.

Bantu saya menulis draf rencana pra-registrasi (preregistration) yang mencakup hipotesis, variabel, rencana analisis, dan kriteria keputusan, agar terhindar dari HARKing dan p-hacking.

C. Analisis Data (Prompt 17–24)

Struktur data saya: [DESKRIPSI VARIABEL & SKALA]. Pertanyaan: [RQ]. Sarankan uji/model statistik yang sesuai beserta asumsi yang harus dipenuhi dan cara memeriksanya. Saya akan memverifikasi ke literatur metodologi.

Tulis kode R (atau Python) untuk melakukan [ANALISIS] pada data dengan struktur [DESKRIPSI]. Sertakan komentar yang menjelaskan setiap langkah dan pemeriksaan asumsi. Saya akan menjalankan dan memverifikasi hasilnya sendiri.

Berikut pesan galat (error) dan potongan kode saya: [TEMPEL]. Bantu saya mendiagnosis penyebabnya dan menyarankan perbaikan, sambil menjelaskan mengapa galat itu terjadi.

Berikut keluaran statistik saya: [TEMPEL TABEL/OUTPUT — tanpa data mentah rahasia]. Bantu saya menafsirkannya secara hati-hati: apa arti koefisien, ukuran efek, dan interval kepercayaan, serta apa yang TIDAK boleh saya simpulkan.

Saya melakukan analisis tematik. Berikut beberapa kutipan yang sudah dianonimkan: [TEMPEL]. Sarankan kode awal (initial codes) sebagai bahan pertimbangan. Saya akan memvalidasi, merevisi, dan bertanggung jawab atas interpretasi final.

Bantu saya merancang strategi integrasi mixed methods (misalnya joint display) untuk memadukan temuan kuantitatif [RINGKAS] dan kualitatif [RINGKAS], serta menyusun meta-inferensi yang jujur.

Tinjau rencana analisis saya berikut: [TEMPEL]. Tandai setiap langkah yang berisiko menjadi p-hacking atau analisis eksploratori yang tersamar sebagai konfirmatori, dan sarankan cara pelaporan yang transparan.

Sarankan visualisasi data yang paling jujur dan efektif untuk mengomunikasikan temuan berikut: [DESKRIPSI]. Hindari grafik yang menyesatkan; jelaskan pilihan skala dan elemen visual.

D. Penulisan (Prompt 25–32)

Berikut draf paragraf pembuka (introduction) yang saya tulis sendiri: [TEMPEL]. Perbaiki kejelasan dan alur tanpa mengubah klaim atau menambah gagasan baru. Tunjukkan bagian yang masih lemah argumennya.

Bantu saya menyusun kerangka (outline) bab Diskusi untuk temuan berikut: [RINGKAS]. Saya akan mengisi setiap bagian dengan penalaran dan bukti saya sendiri.

Saya penutur non-Inggris. Poles bahasa Inggris akademik pada teks berikut agar jelas dan idiomatik, sambil MEMPERTAHANKAN makna, istilah teknis, dan gaya saya: [TEMPEL].

Baca paragraf berikut dan tandai setiap kalimat yang melampaui bukti (overclaiming) atau menyatakan korelasi seolah kausalitas: [TEMPEL]. Sarankan rumusan yang lebih hati-hati.

Bantu saya merumuskan kalimat kontribusi orisinal disertasi dalam 3 varian dengan tingkat kehati-hatian klaim berbeda, sehingga saya dapat memilih yang paling akurat dan dapat dipertahankan.

Tulis draf abstrak terstruktur (latar, tujuan, metode, hasil, simpulan) berdasarkan poin-poin yang SAYA berikan berikut: [TEMPEL POIN]. Jangan menambah temuan yang tidak saya sebutkan.

Bertindaklah sebagai pembaca awam terdidik. Baca ringkasan berikut dan tandai bagian yang membingungkan atau butuh penjelasan lebih, tanpa mengubah substansinya: [TEMPEL].

Bantu saya menulis bagian keterbatasan (limitations) yang jujur untuk studi berikut: [RINGKAS DESAIN & SAMPEL]. Bedakan keterbatasan yang mengancam validitas dari yang sekadar membatasi generalisasi.

E. Publikasi & Review (Prompt 33–40)

Ringkasan naskah saya: [RINGKAS TOPIK, METODE, TEMUAN]. Sarankan kriteria untuk memilih jurnal target (ruang lingkup, audiens, tingkat) dan pertanyaan yang harus saya jawab sendiri untuk memverifikasi kesesuaian dan legitimasi jurnal.

Bantu saya membuat daftar periksa tanda-tanda jurnal predator, agar saya dapat menyaring undangan dan tawaran publikasi yang mencurigakan.

Tulis draf cover letter untuk editor jurnal [NAMA] berdasarkan poin berikut: temuan utama [..], signifikansi [..], kesesuaian [..]. Nada profesional dan jujur, tanpa membesar-besarkan klaim. Saya akan mempersonalisasinya.

Berikut komentar reviewer atas naskah SAYA SENDIRI: [TEMPEL]. Bantu saya menyusun tabel respons berpasangan (point-by-point) yang sopan, sistematis, dan berbasis bukti untuk setiap poin. Tandai poin yang memerlukan analisis tambahan.

Draf respons saya kepada reviewer berikut terasa defensif: [TEMPEL]. Bantu saya menuliskannya kembali dengan nada tenang, hormat, dan konstruktif tanpa mengubah substansi argumen saya.

Bantu saya menyusun pernyataan pengungkapan (disclosure) penggunaan AI yang jujur dan spesifik untuk naskah ini: alat [..], tujuan [..], cara verifikasi [..]. Ingatkan saya menyesuaikannya dengan kebijakan penerbit target.

Bantu saya menyusun ringkasan awam (lay summary) 150 kata dari abstrak berikut, untuk audiens non-ahli, tanpa mengorbankan akurasi atau membesar-besarkan implikasi: [TEMPEL ABSTRAK].

Saya diminta menelaah (review) naskah dan TIDAK BOLEH mengunggah isinya ke AI karena kerahasiaan. Bantu saya menyusun kerangka penilaian yang adil dan konstruktif (kekuatan, kelemahan, saran) berdasarkan aspek umum, tanpa saya menempelkan naskahnya.

Bab 13 — Roadmap Disertasi (3–5 Tahun) & Karier Akademik

Perjalanan doktoral adalah maraton, bukan sprint. Memiliki peta jalan — sambil menerima bahwa peta selalu berubah oleh medan — membantu Anda menjaga momentum, mengelola energi, dan tidak tersesat. Bab ini menawarkan kerangka umum yang harus Anda sesuaikan dengan bidang, program, dan keadaan pribadi Anda.

Fase demi fase

Tahun 1 — Fondasi. Membangun penguasaan literatur, mempertajam pertanyaan penelitian, memperkuat metodologi, dan menjalin hubungan kerja yang sehat dengan pembimbing. Di sinilah kebiasaan baik — pencatatan, manajemen referensi, log penggunaan AI, jurnal penelitian — sebaiknya dibentuk. AI dapat mempercepat orientasi literatur, tetapi bangunlah pemahaman mendalam yang menjadi milik Anda.

Tahun 2 — Perancangan dan proposal. Merampungkan proposal, memperoleh persetujuan etik, menyiapkan instrumen, dan sering kali melewati ujian kualifikasi/proposal. Fokusnya adalah rigor: desain yang dapat dipertahankan di depan komite.

Tahun 3 — Pengumpulan dan analisis data. Fase yang menuntut disiplin dan ketahanan. Data jarang sekooperatif rencana; kemampuan beradaptasi sambil menjaga integritas metodologis diuji di sini.

Tahun 4–5 — Penulisan, publikasi, dan pertahanan. Mengubah temuan menjadi bab-bab disertasi dan artikel, menembus peer review, dan akhirnya mempertahankan karya di ujian akhir. Mulai pula memikirkan langkah karier berikutnya.

Kesehatan mental dan keberlanjutan

Studi doktoral menuntut secara intelektual dan emosional. Isolasi, sindrom penipu (imposter syndrome), dan tekanan “publish or perish” adalah nyata. AI dapat meringankan sebagian beban administratif dan menjadi teman berpikir di larut malam, tetapi ia bukan pengganti dukungan manusia — pembimbing, sesama kandidat, keluarga, dan bila perlu tenaga profesional. Menjaga diri bukan kemewahan, melainkan syarat menyelesaikan maraton ini.

Jalur karier setelah gelar

Doktorat membuka beragam jalur: akademik (postdoc, dosen, peneliti), industri (R&D, data science, kebijakan), pemerintahan, lembaga think-tank, dan kewirausahaan berbasis riset. Kemampuan yang Anda asah — merumuskan masalah, menganalisis bukti, menulis dengan jelas, dan bekerja mandiri — bernilai di mana pun. AI dapat membantu menyiapkan berkas lamaran, CV akademik, dan statement, tetapi arah dan makna karier adalah pilihan Anda.

Bab 14 — Rangkuman & Sikap Ilmiah

Kita telah menempuh perjalanan panjang: dari etika penggunaan AI, menemukan gap, merumuskan kontribusi, menegakkan rigor metodologis, menganalisis data, menulis dan mempublikasikan, hingga menjaga integritas dan mengejar dampak. Bila hanya satu hal yang boleh Anda bawa dari buku ini, biarlah ia adalah ini: AI mengubah alat, bukan nilai.

Tiga prinsip yang mengikat semuanya

Seluruh buku ini bertumpu pada tiga prinsip yang saling menopang. Transparansi — bersikaplah terbuka tentang bagaimana pekerjaan dilakukan, termasuk peran AI. Verifikasi — jangan pernah memasukkan keluaran AI ke dalam karya ilmiah tanpa memeriksanya terhadap sumber primer dan penalaran Anda sendiri. Akuntabilitas — bertanggung jawablah penuh atas setiap klaim yang membawa nama Anda. Ketiganya bukan hambatan bagi produktivitas, melainkan justru yang membuat produktivitas Anda bernilai.

Sikap ilmiah di era AI

Sikap ilmiah adalah watak, bukan sekadar keterampilan. Ia mencakup kerendahan hati epistemik (kesediaan mengakui batas pengetahuan kita dan keliru), keingintahuan yang jujur (mengejar kebenaran, bukan sekadar konfirmasi), kehati-hatian (tidak melampaui bukti), keterbukaan (bersedia dikritik dan direvisi), dan keberanian (mempertahankan temuan yang benar sekaligus menariknya bila terbukti salah). AI dapat mempercepat pekerjaan, tetapi tidak dapat menanamkan watak ini — ia tumbuh dari latihan dan komitmen pribadi Anda.

Alat terhebat sekalipun tidak dapat menggantikan penilaian seorang ilmuwan yang jujur. Sebuah model dapat menghasilkan seribu kalimat dalam sekejap; hanya Anda yang dapat menjamin bahwa satu di antaranya layak dipercaya. Di situlah letak kehormatan profesi ini — dan mengapa ia tetap milik manusia.

Kepada Anda yang tengah menempuh perjalanan doktoral: gunakan AI dengan cerdas, tetapi jangan pernah menyerahkan kepadanya hal yang menjadikan Anda seorang peneliti — pikiran yang bertanya, hati nurani yang menjaga kejujuran, dan tanggung jawab yang Anda pikul atas setiap kata. Semoga disertasi Anda tidak hanya lulus, tetapi juga berdampak; tidak hanya terbit, tetapi juga jujur; tidak hanya menambah pengetahuan, tetapi juga memuliakan cara kita mencarinya.

— Tim Sainskerta, 2026