Prodi Bisnis Digital · FEB UNDIP

Metodologi Penelitian Bisnis

Pertemuan 12: Isu Etika dalam Penelitian — Consent, Bias, Kerahasiaan & Plagiarisme

Bagaimana peneliti bisnis digital menjaga integritas riset — dari izin responden sampai penulisan yang jujur.

RPS minggu 13 · 2x50 menit

Selamat datang di pertemuan ke-12, Anda sudah melewati tahap paling teknis dari mata kuliah ini — mulai dari merancang kuesioner sampai mengolah data kualitatif dan kuantitatif di pertemuan sebelumnya. Hari ini kita mengambil jeda dari teknik dan bicara soal sesuatu yang justru menentukan apakah seluruh kerja teknis Anda bisa dipercaya: etika penelitian. Bayangkan Anda sedang menyusun proposal skripsi tentang perilaku belanja pengguna Tokopedia atau Shopee — begitu Anda mengumpulkan data pribadi orang lain, mengutip karya orang lain, dan menafsirkan hasil untuk kepentingan tertentu, empat isu yang akan kita bahas ini langsung relevan: persetujuan responden, bias, kerahasiaan data, dan plagiarisme. Pertemuan ini penting karena minggu depan Anda mulai menulis proposal penelitian sungguhan, dan pelanggaran etika di titik itu bisa membatalkan seluruh skripsi Anda, bukan sekadar mengurangi nilai. Silakan siapkan diri Anda, karena kita akan banyak membahas kasus nyata dari dunia bisnis digital Indonesia, bukan teori abstrak semata.

Bagian 1 dari 3

Mengapa Etika Penting & Persetujuan Responden

Kita mulai dari fondasi: kenapa penelitian butuh aturan etika, dan bagaimana memastikan responden benar-benar setuju dilibatkan.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu:

Sub-CPMK 1

Consent

Menjelaskan konsep informed consent dan menerapkannya saat merancang instrumen pengumpulan data.

Sub-CPMK 2

Bias

Mengidentifikasi sumber bias dalam desain sampel, instrumen, dan interpretasi hasil riset bisnis.

Sub-CPMK 3

Kerahasiaan

Menerapkan prinsip kerahasiaan dan perlindungan data responden sesuai UU PDP.

Sub-CPMK 4

Integritas

Menghindari plagiarisme dan menjaga integritas akademik dalam penulisan proposal.

Kasus Pembuka: Ketika Etika Diabaikan

Skandal Cambridge Analytica (Facebook, 2018)

Perusahaan konsultan politik Cambridge Analytica mengumpulkan data pribadi lebih dari 87 juta pengguna Facebook lewat aplikasi kuis kepribadian, tanpa persetujuan eksplisit dari sebagian besar pengguna yang datanya ikut terambil (data teman dari pengguna yang mengisi kuis). Data itu lalu dipakai untuk menyusun profil psikologis dan menargetkan iklan politik.

Pelanggaran: tidak ada informed consent dari jutaan pengguna pihak ketiga, data dipakai di luar tujuan awal yang dijanjikan (function creep), dan tidak ada transparansi ke publik.

Kasus ini memicu regulasi perlindungan data di seluruh dunia — termasuk cikal bakal UU Pelindungan Data Pribadi (UU PDP) Indonesia yang akan kita bahas lebih lanjut.

Anda mungkin pernah dengar sekilas soal kasus ini, tapi mari kita bedah kenapa ini relevan untuk riset bisnis digital yang akan Anda lakukan sendiri. Bayangkan Anda membuat survei online untuk skripsi tentang loyalitas pelanggan aplikasi e-commerce, lalu Anda menambahkan pertanyaan yang meminta akses ke kontak atau riwayat belanja teman responden tanpa memberi tahu untuk apa data itu dipakai — secara prinsip, itu pelanggaran yang sama skalanya dengan kasus Cambridge Analytica, hanya berbeda ukuran. Poin pentingnya bukan hanya soal mencuri data, tapi soal transparansi: responden berhak tahu data apa yang diambil, untuk tujuan apa, dan siapa yang akan melihatnya. Kasus ini juga mengajarkan konsep function creep, yaitu ketika data yang awalnya dikumpulkan untuk satu tujuan (kuis kepribadian) diam-diam dipakai untuk tujuan lain (profiling politik) — ini sering terjadi juga dalam riset bisnis kalau peneliti tergoda memakai data survei untuk analisis di luar yang dijanjikan ke responden.

Empat Pilar Etika Penelitian Bisnis

1. Informed Consent

Responden diberi tahu tujuan, risiko, dan penggunaan data sebelum setuju berpartisipasi — bersifat sukarela, bisa mundur kapan saja.

2. Bias

Kecondongan sistematis dalam sampel, instrumen, atau interpretasi yang membuat hasil riset menyimpang dari kondisi sebenarnya.

3. Kerahasiaan (Confidentiality)

Identitas dan data pribadi responden dilindungi dari akses pihak yang tidak berkepentingan, sesuai janji di consent form.

4. Plagiarisme

Mengklaim gagasan, data, atau tulisan orang lain sebagai karya sendiri tanpa sitasi yang layak.

Keempat pilar ini sebetulnya menjawab empat pertanyaan berbeda dalam siklus hidup sebuah penelitian: apakah saya boleh mengumpulkan data ini, apakah cara saya mengumpulkan dan menafsirkan data ini adil, apakah saya menjaga data yang sudah dipercayakan kepada saya, dan apakah saya jujur ketika menuliskan hasilnya. Dalam riset bisnis digital, keempatnya sering saling terkait — misalnya survei kepuasan pelanggan Gojek atau Grab yang tidak menjelaskan tujuan riset (melanggar consent) sering kali juga rentan bias karena responden merasa curiga dan menjawab asal-asalan. Anda akan menemukan bahwa dosen pembimbing skripsi dan komite etik kampus akan memeriksa keempat aspek ini saat menilai proposal penelitian Anda di pertemuan 13 dan 14. Sekarang mari kita perdalam pilar pertama, informed consent, karena ini adalah gerbang pertama sebelum riset Anda boleh dimulai.

Informed Consent: Definisi & Komponen

Informed consent (persetujuan berdasar informasi lengkap) adalah proses memastikan calon responden memahami sepenuhnya apa yang akan terjadi sebelum mereka setuju berpartisipasi dalam penelitian.

Tujuan Jelas

Responden tahu riset ini untuk apa, mis. skripsi tentang niat beli di TikTok Shop.

Sukarela

Tidak ada paksaan atau iming-iming berlebihan; responden bebas menolak.

Hak Mundur

Responden boleh berhenti kapan saja tanpa konsekuensi negatif.

Kelompok rentan (anak di bawah umur, karyawan yang diteliti atasannya sendiri) butuh perlindungan ekstra — potensi tekanan tersembunyi harus diwaspadai peneliti.

Perhatikan bahwa informed consent bukan sekadar meminta tanda tangan di lembar persetujuan, melainkan proses memastikan responden benar-benar mengerti apa yang mereka setujui. Kalau Anda meneliti karyawan sebuah perusahaan startup digital tentang kepuasan kerja, dan yang menyebarkan kuesioner adalah atasan mereka langsung, ada risiko tekanan tersembunyi karena karyawan mungkin takut menjawab jujur atau takut menolak berpartisipasi — ini contoh kelompok rentan yang butuh perlindungan ekstra, misalnya dengan menjamin anonimitas penuh dan melibatkan pihak ketiga netral untuk mengumpulkan data. Tiga komponen di layar ini — tujuan jelas, sukarela, dan hak mundur — adalah syarat minimum yang harus ada di setiap lembar persetujuan penelitian, termasuk survei online sederhana sekalipun. Ingat juga bahwa consent bukan sekali klik "Setuju" di awal formulir Google Forms lalu selesai; idealnya responden tahu berapa lama waktu yang dibutuhkan, data apa saja yang diminta, dan ke mana data itu akan disimpan.

Consent di Era Riset Digital

Riset bisnis digital sering memakai data yang tidak dikumpulkan lewat kuesioner langsung — di sinilah consent menjadi rumit.

Data behavioral (mis. log transaksi UMKM digital) dan hasil scraping ulasan publik tetap butuh kajian etik — anonimkan identitas dan jangan gunakan di luar tujuan riset yang dijanjikan.

Coba bayangkan tiga skenario riset yang mungkin Anda lakukan untuk skripsi: pertama, Anda menyebar kuesioner Google Forms ke mahasiswa tentang minat belanja online, di sini consent-nya jelas karena ada halaman pembuka yang menjelaskan tujuan riset. Kedua, Anda bekerja sama dengan sebuah UMKM digital dan diberi akses ke data transaksi pelanggan mereka untuk dianalisis, di sini consent menjadi tersamar karena pelanggan asli tidak pernah diberi tahu data mereka akan dipakai untuk riset akademik — solusinya adalah anonimisasi total dan hanya menggunakan data agregat, bukan data individu yang bisa diidentifikasi. Ketiga, Anda mengambil ulasan produk dari marketplace lewat scraping untuk analisis sentimen, ini area abu-abu karena data memang publik tapi orang yang menulis ulasan tidak pernah membayangkan tulisannya dipakai untuk penelitian akademik — praktik yang etis tetap mengharuskan Anda tidak mempublikasikan nama akun asli dan hanya mengambil data yang relevan dengan pertanyaan riset. Semakin jauh dari survei langsung, semakin besar tanggung jawab Anda untuk melindungi privasi subjek meskipun mereka tidak pernah menandatangani lembar consent.

Hitung dari Nol: Skor Kemiripan (Similarity Index)

Sebelum proposal diajukan, mahasiswa wajib mengecek naskah lewat software pendeteksi plagiarisme (mis. Turnitin). Berikut cara skor dihitung untuk sebuah dokumen proposal 5.000 kata.

Langkah	Perhitungan	Nilai
1. Total kata dalam dokumen	diketahui dari word count	5.000 kata
2. Kata yang cocok persis dengan sumber lain (tanpa sitasi layak)	ditandai software	900 kata
3. Similarity index	900 ÷ 5.000 × 100	18%
4. Bandingkan dengan ambang batas kampus (umum: ≤20%)	18% < 20%	Masih diterima, perlu perbaikan sitasi

Similarity Index

18%

Di bawah ambang 20%, tetap wajib ditelusuri sumbernya satu per satu

Mari kita hitung bersama contoh nyata yang akan Anda hadapi sebelum sidang proposal: misalkan naskah Anda berisi 5.000 kata, dan software Turnitin menandai 900 kata di antaranya identik dengan sumber lain tanpa sitasi yang memadai. Untuk mendapatkan similarity index, kita bagi 900 kata bermasalah dengan total 5.000 kata lalu dikalikan 100, hasilnya 18 persen. Kebanyakan kampus di Indonesia, termasuk FEB UNDIP, menetapkan ambang batas sekitar 20 persen sebagai batas atas yang bisa diterima untuk skripsi, jadi angka 18 persen ini secara teknis lolos, tapi bukan berarti Anda boleh santai — dosen pembimbing tetap wajib membuka laporan Turnitin dan mengecek satu per satu bagian yang ditandai, karena bisa saja satu blok kalimat penting justru menyalin definisi kunci tanpa sitasi meski persentase totalnya rendah. Ingat juga bahwa similarity index bukan alat sempurna: kutipan langsung yang sudah diberi tanda kutip dan sitasi yang benar tetap bisa tertandai sebagai "mirip" oleh software, jadi angka ini adalah titik awal diskusi, bukan vonis final.

Coba Sendiri: Hitung Similarity Index Naskah Anda

Geser total kata dan kata yang tertandai mirip, lalu lihat similarity index berubah dan apakah lolos ambang kampus.

Bagian 2 dari 3

Bias & Kerahasiaan Data

Sekarang kita masuk ke bagaimana bias mendistorsi hasil riset, dan bagaimana peneliti wajib menjaga data yang sudah dipercayakan responden.

Jenis Bias dalam Penelitian Bisnis

Selection Bias

Sampel tidak mewakili populasi, mis. survei kepuasan hanya ke pelanggan yang masih aktif, mengabaikan yang sudah berhenti pakai aplikasi.

Response Bias

Jawaban responden dipengaruhi cara pertanyaan disusun (leading question) atau keinginan terlihat baik (social desirability).

Researcher Bias

Peneliti secara sadar/tidak sadar menafsirkan data sesuai hipotesis yang diinginkan (confirmation bias).

Bias tidak selalu berarti kecurangan sengaja — sering kali muncul dari desain riset yang kurang cermat. Kesadaran akan bias adalah langkah pertama meminimalkannya.

Selection bias sering terjadi ketika Anda meneliti kepuasan pengguna sebuah aplikasi e-commerce hanya dengan menyurvei pelanggan yang masih aktif bertransaksi bulan ini, padahal pelanggan yang sudah berhenti memakai aplikasi tersebut mungkin punya alasan penting yang justru paling relevan untuk riset Anda tentang churn atau tingkat berhenti pakai. Response bias muncul misalnya ketika Anda bertanya "Apakah Anda setuju bahwa aplikasi ini sangat membantu UMKM berkembang?" — pertanyaan seperti ini disebut leading question karena sudah menuntun responden ke jawaban positif, berbeda dengan pertanyaan netral seperti "Bagaimana pengaruh aplikasi ini terhadap usaha Anda?". Researcher bias adalah yang paling halus karena terjadi di kepala peneliti sendiri: jika Anda sudah punya hipotesis bahwa live shopping meningkatkan penjualan UMKM, Anda mungkin tanpa sadar lebih memperhatikan data yang mendukung hipotesis itu dan mengabaikan data yang bertentangan, ini disebut confirmation bias. Kabar baiknya, ketiga bias ini bisa diminimalkan lewat desain sampel acak yang tepat, uji coba kuesioner sebelum disebar luas, dan kebiasaan mencari data yang membantah hipotesis Anda sendiri, bukan hanya data yang mendukung.

Walkthrough: Bias dalam Riset Loyalitas Pelanggan

Skenario

Mahasiswa meneliti loyalitas pelanggan sebuah aplikasi belanja online lokal dengan menyebar kuesioner lewat grup WhatsApp komunitas power buyer aplikasi tersebut.

Langkah 1 — Sadari populasi vs sampel: populasi target adalah "seluruh pengguna aplikasi", tapi sampel yang terjaring hanya anggota komunitas fanatik yang sudah loyal sejak awal.

Langkah 2 — Identifikasi jenis bias: ini selection bias — hasil pasti akan menunjukkan loyalitas tinggi karena sampel sudah bias ke arah pengguna setia.

Langkah 3 — Perbaikan: tambahkan responden dari sampel acak pengguna umum (bukan hanya komunitas), atau nyatakan keterbatasan ini secara eksplisit di bagian limitasi penelitian.

Mari kita telusuri langkah demi langkah kasus yang sangat mungkin Anda alami sendiri: seorang mahasiswa ingin meneliti loyalitas pelanggan sebuah aplikasi belanja online, dan karena mencari responden itu sulit, ia menyebar kuesioner ke grup WhatsApp komunitas pengguna setia yang sudah dia kenal. Pada langkah pertama, kita perlu membedakan antara populasi target penelitian, yaitu seluruh pengguna aplikasi tersebut, dengan sampel yang benar-benar terjaring, yaitu hanya anggota komunitas fanatik yang notabene sudah loyal sejak awal. Pada langkah kedua, kita mengenali bahwa ini adalah selection bias karena cara pengambilan sampel secara sistematis condong ke kelompok tertentu, sehingga hasil penelitian nyaris pasti akan menunjukkan tingkat loyalitas yang tinggi, bukan karena aplikasinya memang bagus, tapi karena sampelnya memang sudah loyal dari awal. Pada langkah ketiga, solusi yang etis bukan berarti membatalkan seluruh riset, melainkan memperbaiki desain sampel dengan menambahkan responden acak di luar komunitas, atau jika keterbatasan waktu tidak memungkinkan, mahasiswa wajib jujur menuliskan keterbatasan ini di bagian limitasi penelitian sehingga pembaca tahu hasil riset tidak bisa digeneralisasi ke seluruh pengguna aplikasi.

Hitung dari Nol: Response Rate & Potensi Bias

Sebuah riset mengirim kuesioner ke 250 UMKM digital di Semarang untuk menilai adopsi pembayaran digital. Berikut cara menghitung tingkat respons dan menilai risiko non-response bias (bias akibat banyak yang tidak menjawab).

Langkah	Perhitungan	Nilai
1. Kuesioner terkirim	diketahui	250 UMKM
2. Kuesioner kembali terisi lengkap	diketahui	90 UMKM
3. Response rate	90 ÷ 250 × 100	36%
4. UMKM yang tidak merespons	250 − 90	160 UMKM (64%)

Response Rate

36%

Di bawah ~50% — risiko non-response bias tinggi, wajib dilaporkan sebagai limitasi

Kita hitung bersama kasus riset yang sangat khas untuk topik bisnis digital: peneliti mengirim kuesioner ke 250 UMKM digital di Semarang untuk mengetahui tingkat adopsi pembayaran digital seperti QRIS, dan yang mengembalikan kuesioner dengan lengkap hanya 90 UMKM. Response rate dihitung dengan membagi jumlah yang merespons, yaitu 90, dengan jumlah yang dikirimi, yaitu 250, lalu dikalikan 100, hasilnya 36 persen. Angka ini penting karena secara umum dalam riset survei, response rate di atas 50 persen dianggap cukup meyakinkan untuk mewakili populasi, sedangkan di bawah itu, seperti 36 persen di sini, ada risiko non-response bias, artinya 160 UMKM yang tidak menjawab mungkin punya karakteristik sistematis berbeda dari 90 yang menjawab — misalnya UMKM yang justru belum mengadopsi pembayaran digital sama sekali cenderung tidak tertarik mengisi survei tentang topik yang menurut mereka tidak relevan bagi mereka. Sebagai peneliti yang etis, Anda tidak boleh diam-diam mengabaikan angka 64 persen yang tidak merespons ini; Anda wajib melaporkannya secara transparan di bagian metodologi dan limitasi, serta idealnya membandingkan karakteristik dasar responden dan non-responden jika datanya tersedia, agar pembaca proposal Anda tahu seberapa jauh hasil riset ini bisa digeneralisasi.

Kerahasiaan (Confidentiality) & Anonimitas

Kerahasiaan berarti data responden hanya diakses pihak yang berkepentingan dan dipakai sesuai janji awal. Dua teknik utama melindunginya:

Anonymization (Anonimisasi)

Identitas responden dihapus permanen dari data — nama, nomor telepon, alamat tidak pernah dicatat atau segera dihapus setelah pengumpulan.

Pseudonymization (Penyamaran)

Identitas diganti kode (mis. "Responden R-014") — data asli disimpan terpisah dan terkunci, hanya peneliti utama yang punya kuncinya.

Praktik aman: simpan data mentah di penyimpanan terenkripsi/terbatas akses, laporkan hanya hasil agregat (rata-rata, persentase), jangan pernah publikasikan data individu yang bisa mengidentifikasi responden.

Kerahasiaan berbeda dari anonimitas meskipun keduanya sering disebut bersamaan, jadi mari kita perjelas: anonimisasi berarti identitas responden benar-benar tidak pernah dicatat sama sekali, sehingga bahkan peneliti sendiri tidak bisa melacak jawaban tertentu kembali ke orang aslinya, ini cocok untuk survei sederhana seperti mengukur kepuasan pengguna aplikasi. Pseudonymization atau penyamaran identitas berbeda karena data asli tetap ada tapi disimpan terpisah dengan kode, misalnya kalau Anda meneliti perilaku pembelian berulang seorang pelanggan dari waktu ke waktu, Anda perlu tahu bahwa "Responden R-014" di bulan Januari adalah orang yang sama dengan "Responden R-014" di bulan Maret, tapi nama aslinya tetap dirahasiakan dan hanya Anda sebagai peneliti utama yang punya akses ke kunci penghubungnya. Dalam praktiknya, kalau Anda bekerja sama dengan sebuah UMKM digital dan diberi akses ke data transaksi pelanggan mereka, kewajiban Anda adalah menyimpan file itu di perangkat yang terlindungi kata sandi, tidak mengirimkannya lewat WhatsApp atau email biasa ke teman kelompok, dan ketika menulis laporan, Anda hanya boleh menampilkan angka agregat seperti rata-rata nilai transaksi, bukan detail transaksi individu yang bisa mengidentifikasi pelanggan tertentu. Pelanggaran kerahasiaan bukan hanya soal kebocoran data yang disengaja, tapi juga kelalaian sederhana seperti meninggalkan file Excel berisi data responden di laptop bersama tanpa proteksi.

UU Pelindungan Data Pribadi (UU PDP) & Riset

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) mengatur kewajiban siapa pun yang mengumpulkan dan mengolah data pribadi di Indonesia — termasuk mahasiswa yang melakukan riset skripsi.

Prinsip 1

Persetujuan — data pribadi hanya boleh diproses dengan izin subjek data, kecuali dasar hukum lain berlaku.

Prinsip 2

Pembatasan Tujuan — data hanya dipakai untuk tujuan yang sudah dijelaskan di awal, tidak diperluas diam-diam.

Prinsip 3

Minimalisasi Data — kumpulkan hanya data yang benar-benar diperlukan untuk menjawab pertanyaan riset.

Data pribadi termasuk: nama, NIK, nomor telepon, alamat, riwayat transaksi yang bisa diidentifikasi ke individu. Data seperti ini tidak boleh dicantumkan di lampiran proposal/skripsi yang dipublikasikan.

UU Pelindungan Data Pribadi yang disahkan tahun 2022 ini sering dianggap urusan perusahaan teknologi besar saja, padahal sebagai peneliti, termasuk Anda yang akan mengumpulkan data untuk skripsi, aturan ini juga berlaku. Prinsip persetujuan menegaskan bahwa data pribadi seseorang, misalnya nomor telepon responden survei Anda, hanya boleh Anda kumpulkan dan simpan kalau mereka sudah setuju, ini menghubungkan langsung ke konsep informed consent yang kita bahas di awal. Prinsip pembatasan tujuan berarti kalau Anda bilang ke responden "data ini untuk skripsi saya tentang niat beli online", Anda tidak boleh diam-diam memakai data yang sama untuk proyek konsultansi lain di kemudian hari tanpa izin baru. Prinsip minimalisasi data mengajarkan Anda untuk hanya bertanya hal yang benar-benar relevan — kalau riset Anda tentang preferensi metode pembayaran digital, Anda tidak perlu meminta NIK atau alamat lengkap responden, karena data itu tidak menambah nilai analisis tapi menambah risiko kebocoran privasi. Praktik paling aman ketika menulis laporan atau lampiran skripsi adalah tidak pernah mencantumkan nama asli, nomor telepon, atau data yang bisa melacak kembali ke individu tertentu — cukup gunakan kode responden atau data agregat seperti yang sudah kita bahas di slide sebelumnya.

Bagian 3 dari 3

Plagiarisme & Integritas Akademik

Bagian terakhir membahas kejujuran dalam menulis: bagaimana mengenali dan menghindari plagiarisme, serta menjaga integritas hasil penelitian.

Mengenali Jenis-Jenis Plagiarisme

Verbatim (Kata-demi-kata)

Menyalin persis kalimat/paragraf sumber tanpa tanda kutip dan tanpa sitasi.

Mosaic (Patchwriting)

Mengganti beberapa kata dari kalimat sumber tapi struktur dan gagasan tetap identik — tetap plagiarisme meski "diparafrase" secara dangkal.

Self-Plagiarism

Menggunakan ulang tulisan/data milik sendiri dari tugas atau publikasi sebelumnya tanpa menyatakannya.

Uncited Paraphrase

Menuliskan ulang gagasan orang lain dengan kata sendiri, tapi lupa mencantumkan sumber aslinya.

Banyak mahasiswa mengira plagiarisme hanya berarti menyalin persis kata demi kata seperti pada kategori verbatim, padahal ada bentuk yang jauh lebih halus dan sering tidak disadari, yaitu mosaic atau patchwriting, di mana Anda mengambil kalimat dari jurnal lalu hanya mengganti beberapa kata dengan sinonim tapi struktur kalimat dan urutan gagasannya tetap sama persis — ini tetap dihitung plagiarisme oleh sebagian besar kebijakan akademik karena Anda tidak benar-benar memproses ulang gagasan itu dengan pemahaman Anda sendiri. Self-plagiarism mungkin terdengar aneh, bagaimana mungkin menyalin karya sendiri jadi pelanggaran, tapi bayangkan Anda menggunakan ulang bagian tinjauan pustaka dari tugas mata kuliah lain untuk proposal skripsi Anda tanpa memberi tahu, ini melanggar prinsip orisinalitas karena pembaca menganggap seluruh tulisan itu baru dibuat khusus untuk skripsi. Kategori terakhir, uncited paraphrase, adalah yang paling sering terjadi tanpa disengaja: Anda membaca sebuah artikel tentang perilaku konsumen digital, menuliskan ulang gagasannya dengan kalimat Anda sendiri karena sudah paham betul isinya, tapi lupa mencantumkan nama penulis aslinya di akhir kalimat — niatnya baik, prosesnya benar, tapi karena sitasinya hilang, ini tetap dianggap plagiarisme secara teknis. Aturan sederhananya: kalau gagasan itu bukan murni pemikiran orisinal Anda, sitasi wajib ada, seberapa pun Anda sudah mengubah kalimatnya.

Cara Menghindari Plagiarisme

Kebiasaan Menulis

Catat sumber SAAT membaca, bukan setelah selesai menulis
Gunakan tanda kutip untuk kutipan langsung
Parafrase = tutup buku, tulis ulang dari pemahaman sendiri
Cantumkan sitasi bahkan untuk gagasan yang diparafrase

Alat Bantu

Reference manager (Mendeley, Zotero) untuk kelola sitasi otomatis
Software deteksi (Turnitin) untuk cek similarity sebelum submit
Gaya sitasi konsisten sesuai pedoman FEB UNDIP (mis. APA)

Teknik "tutup buku" yang saya sebutkan di sini adalah cara paling praktis menghindari mosaic plagiarism yang kita bahas tadi: setelah Anda membaca sebuah paragraf dari jurnal tentang adopsi teknologi UMKM, tutup sumber tersebut, lalu tuliskan kembali gagasannya dengan kata-kata Anda sendiri berdasarkan apa yang benar-benar Anda pahami, baru setelah itu bandingkan lagi dengan sumber asli untuk memastikan Anda tidak kebetulan menggunakan struktur kalimat yang sama. Mencatat sumber saat membaca, bukan setelah selesai menulis seluruh bab, sangat penting karena kebiasaan menunda pencatatan sitasi adalah penyebab paling umum mahasiswa lupa mencantumkan sumber ketika deadline sudah dekat. Reference manager seperti Mendeley atau Zotero sangat membantu karena Anda bisa menyimpan semua artikel yang Anda baca berikut metadatanya, lalu menyisipkan sitasi otomatis ke dalam draf proposal tanpa perlu mengetik ulang format APA setiap kali. Sebagai langkah terakhir sebelum submit proposal ke dosen pembimbing, selalu jalankan naskah Anda lewat software deteksi similarity seperti Turnitin yang tadi kita hitung skornya, karena ini adalah jaring pengaman terakhir untuk menangkap bagian yang mungkin lolos dari kesadaran Anda sendiri.

Pelanggaran Integritas Data: FFP

Selain plagiarisme teks, tiga pelanggaran ini menyerang kejujuran data penelitian dan dianggap paling serius dalam etika akademik.

Fabrication

Mengarang data yang tidak pernah benar-benar dikumpulkan, mis. mengisi sendiri "hasil" kuesioner yang belum disebar.

Falsification

Mengubah/memanipulasi data asli agar hasilnya sesuai hipotesis yang diinginkan.

Duplication

Menyajikan data/temuan yang sama seolah berasal dari studi berbeda tanpa keterangan.

FFP jauh lebih berat konsekuensinya dibanding plagiarisme teks karena merusak dasar keilmuan itu sendiri — dapat berujung pencabutan gelar dan pembatalan publikasi.

Tiga pelanggaran ini disingkat FFP dalam literatur etika penelitian internasional, dan penting Anda pahami karena levelnya jauh lebih serius dibanding plagiarisme teks yang sudah kita bahas. Fabrication atau fabrikasi data terjadi misalnya ketika Anda kehabisan waktu menyebar kuesioner ke 100 responden yang ditargetkan, lalu karena tenggat sudah dekat, Anda mengisi sendiri 30 responden yang "belum sempat" dengan jawaban rekaan — ini bukan sekadar kecurangan kecil, ini mengarang bukti ilmiah yang sama sekali tidak pernah terjadi di dunia nyata. Falsification atau falsifikasi data sedikit berbeda karena data aslinya memang ada dan benar-benar dikumpulkan, tapi kemudian diubah, misalnya mengganti beberapa angka respons survei agar hasil regresi menunjukkan hubungan yang signifikan sesuai hipotesis awal peneliti, padahal data aslinya tidak menunjukkan hubungan tersebut. Duplication terjadi ketika seorang peneliti mempublikasikan hasil riset yang sama dua kali di jurnal berbeda seolah-olah itu dua studi independen, biasanya untuk menambah jumlah publikasi secara curang. Konsekuensi FFP jauh melampaui nilai mata kuliah — di dunia akademik nyata, kasus semacam ini bisa berujung pencabutan gelar dan pembatalan publikasi jurnal setelah bertahun-tahun, jadi tanamkan prinsip bahwa data yang tidak sesuai hipotesis bukan masalah yang harus disembunyikan, melainkan temuan yang tetap harus dilaporkan apa adanya.

Latihan: Diskusi Kasus Etika

Bentuk kelompok kecil (3-4 orang). Diskusikan skenario berikut, identifikasi pilar etika mana yang dilanggar (consent/bias/kerahasiaan/plagiarisme), lalu usulkan perbaikannya.

Skenario Diskusi

Kelompok A meneliti UMKM digital via WhatsApp Business milik teman sendiri, lalu memasukkan nomor telepon asli pelanggan ke lampiran skripsi.
Kelompok B menyalin 3 paragraf definisi dari jurnal internasional, mengganti beberapa kata dengan sinonim tanpa sitasi.
Kelompok C hanya menyurvei responden yang mengisi lewat tautan yang dibagikan influencer favorit mereka, lalu menyimpulkan seluruh generasi Z menyukai produk tersebut.

Setelah diskusi ~10 menit, satu perwakilan tiap kelompok menyampaikan pelanggaran yang ditemukan dan solusinya ke seluruh kelas.

Latihan ini dirancang agar Anda benar-benar mempraktikkan identifikasi pelanggaran etika, bukan hanya menghafal definisi, jadi silakan berkumpul dengan kelompok kecil dan diskusikan ketiga skenario ini secara serius seolah-olah kalian adalah komite etik kampus yang sedang mereview proposal. Skenario kelompok A jelas melanggar prinsip kerahasiaan karena nomor telepon asli pelanggan dicantumkan di lampiran skripsi yang akan dipublikasikan, padahal seharusnya data itu dianonimkan atau diberi kode responden sesuai yang kita bahas sebelumnya. Skenario kelompok B adalah contoh persis dari mosaic plagiarism atau patchwriting yang tadi kita diskusikan, karena mengganti sinonim tanpa mengubah struktur gagasan dan tanpa sitasi tetap dihitung sebagai plagiarisme oleh sebagian besar kebijakan kampus. Skenario kelompok C adalah selection bias klasik karena sampel yang terjaring lewat pengikut satu influencer tertentu sama sekali tidak mewakili "seluruh generasi Z", sehingga kesimpulan yang digeneralisasi ke seluruh generasi tersebut menjadi menyesatkan. Setelah sepuluh menit berdiskusi, saya akan meminta satu perwakilan dari tiap kelompok untuk menyampaikan temuan dan solusi mereka ke kelas, jadi pastikan semua anggota kelompok terlibat aktif dalam diskusi ini.

Rangkuman & Persiapan Minggu Depan

Pilar	Inti Aturan	Contoh Praktik
Informed Consent	Izin sukarela, berbasis informasi lengkap	Halaman pembuka kuesioner jelaskan tujuan riset
Bias	Waspadai sampel & interpretasi yang menyimpang	Cek response rate, hindari leading question
Kerahasiaan	Lindungi identitas sesuai UU PDP	Anonimkan data, laporkan hanya hasil agregat
Plagiarisme	Sitasi jujur untuk setiap gagasan orang lain	Cek similarity index sebelum submit

Minggu Depan: Pertemuan 13

Menulis proposal penelitian — struktur bab & konvensi penulisan akademik. Empat pilar etika hari ini akan langsung Anda terapkan saat menyusun bagian metodologi.

Tugas

Draf Consent

Susun 1 halaman lembar informed consent untuk rencana riset proposal Anda, bawa ke pertemuan berikutnya.

Sebelum kita tutup, mari kita rangkum empat pilar yang sudah kita bahas dua jam ini: informed consent memastikan Anda punya izin yang sah untuk mengumpulkan data, kesadaran akan bias memastikan hasil riset Anda benar-benar mencerminkan realitas bukan distorsi metodologis, kerahasiaan memastikan Anda menjaga kepercayaan yang diberikan responden sesuai UU PDP, dan integritas menulis memastikan karya Anda jujur dan bisa dipercaya pembaca. Keempat hal ini akan langsung relevan minggu depan ketika Anda mulai menulis proposal penelitian sungguhan di pertemuan 13, khususnya di bagian metodologi di mana Anda harus menjelaskan bagaimana Anda akan menjaga etika riset Anda sendiri. Sebagai tugas sebelum pertemuan berikutnya, saya minta Anda menyusun draf satu halaman lembar informed consent untuk rencana riset proposal Anda masing-masing — bayangkan Anda benar-benar akan menyebarkannya ke calon responden, jadi tuliskan tujuan riset, jenis data yang diminta, jaminan kerahasiaan, dan hak responden untuk mundur. Terima Kasih atas partisipasi aktif Anda hari ini, dan sampai jumpa di pertemuan berikutnya ketika kita mulai merangkai seluruh materi semester ini menjadi sebuah proposal penelitian yang utuh.