<img src="http://images.path.com.s3.amazonaws.com/photos2/099ca8ba-b4b6-4c44-8239-e90b157cc365/original.jpg" />
Lihat bola2 merah itu. Memang bundar, tapi kalau keinjek subuh-subuh, lampu masih pada mati, linu juga. 
View on <a href="https://path.com/p/4GneiX">Path</a>
<img src="http://images.path.com.s3.amazonaws.com/photos2/2250cd42-3742-4c7f-b212-06a9b0828318/original.jpg" />
Example of research mindmap using VUE (free and opensource). You could even make a presentation directly from this map.
View on <a href="https://path.com/p/2c1nh4">Path</a>
<img src="http://images.path.com.s3.amazonaws.com/photos2/f49eb572-e3bf-4c5e-be8a-12c5e62cbe3d/original.jpg" />
Visualizing your test scores in R

Saya bahkan bisa mengelompokkan kinerja perkuliahan anda dengan grafik ini. Nomor-nomor yang ada di sebelah kanan adalah nomor peserta kuliah, yang di kiri adalah pengelompokkannya. Sisi bawah adalah nilai-nilai UTS UAS dll, sedangkan yg di atas adalah pengelompokkannya.

Data bisa diganti-ganti dengan data apapun, termasuk data singkapan batuan atau hasil observasi petrografi misalnya.

Berminat?
View on Path

Data is the new soil

Data is not the new oil, but it’s the new soil (David McCandless, TedTalks)
Anda sudah pernah lihat video Mas David McCandless di Youtube? Kalau belum lihat ya. Mampir juga nonton video gurunya, Hans Rosling.
Data juga dapat mengungkap hal-hal yang tersembunyi di balik suatu fenomena yang kita hadapi. Tapi data dalam bentuk tabel kurang cepat memberi gambaran apa yang terjadi, karena itulah kita perlu visualisasi.
Untuk para geologiwan, peta geologi adalah hanya salah satu saja bentuk visualisasi. Peta ini mentransformasi tabel jurus dan kemiringan batuan, jenis batuan, dll menjadi zonasi batuan, penampang lapisan batuan, garis sesar, lipatan dll, ke dalam selembar kertas.
Berikut ini adalah contoh lain dari visualisasi yang bisa kita lakukan untuk mengungkap sesuatu yang sebelumnya tidak terlihat. Saya menggunakan “R” dan “mtcars” data set. Data set ini adalah salah satu saja dari data set yang sudah menyatu di dalam distribusi R. Data ini diekstraksi dari Majalah “Motor Trend” tahun 1974 yang terbit di AS. Isinya adalah 10 variabel spesifikasi dari 32 merek mobil buatan tahun 1973 – 1974 Motor Trend US magazine. Spesifikasi variabel atau parameter spesifikasi yang ada dalam data ini adalah:
mpg Miles/(US) gallon              di Indonesia dibaca sebagai km per liter BBM
cyl Number of cylinders         jumlah silinder
disp Displacement (cu.in.)        di Indonesia mengenalnya sebagai cc
hp Gross horsepower             tenaga kuda
drat Rear axle ratio                   di Indonesia dikenal sebagai rasio gear
wt Weight (lb/1000)              berat kendaraan
qsec 1/4 mile time                      waktu yang diperlukan dari diam hingga 0.25 mil
vs V/S                                     ada yang tahu ini apa?
am Transmission                      transmisis matik atau manual
gear Number of forward gears  jumlah gigi maju
carb Number of carburetors      jumlah karburator
Data ini pertama kali dianalisis oleh Henderson and Velleman (1981) dalam papernya Building multiple regression models interactively. Biometrics, 37, 391–411.
Ada yang masih menggunakan Ms Excel? Anda mungkin akan berpikir ulang.
Saya akan menggunakan R dalam membuat beberapa visualisasi dalam bentuk grafik sebagai berikut.
Dengan perintah “pairs(mtcars, main = “mtcars data”)” anda sudah bisa mendapatkan grafik matriks korelasi seperti di bawah ini. Coba anda lihat, banyak yang bilang keiritan mobil (mpg) hanya ditentukan oleh cc. Karena itu kalau di Indonesia harga mobil bekas ber-cc besar akan “jatuh bebas” dibandingkan yang ber-cc kecil.
Coba kita lihat grafik 1 di bawah ini sebagian saja. Tarik garis diagonal yang ada tulisan “mpg”, “cyl” dst, dan pilih setengah saja, apakah anda ingin lihat setelah segitiga yang atas atau yang bawah. They’re all the same. Let’s just choose the lower part.
Anda lihat pola titik-titik data yang membentuk garis lurus atau mirip garis lurus (berarah diagonal), dan ada pula yang acak. Pola yang pertama menunjukkan adanya korelasi antara kedua parameter dan pola yang kedua memperlihatkan korelasi yang sangat kecil atau bahkan tidak berkorelasi sama sekali.
Pola yang membentuk keteraturan diagonal dengan mpg adalah:
  • mpg ~ disp (cc) -> keiritan dengan cc
  • mpg ~ hp -> keiritan dengan tenaga kuda
Korelasi yang relatif lebih lemah terlihat antara:
  • mpg ~ drat -> keiritan dengan rasio gear
  • mpg ~ wt -> keiritan dengan berat kendaraan
Korelasi yang lebih lemah (tapi ada) adalah antara:
  • mpg ~ qsec -> keiritan denga waktu yang diperlukan dari diam hingga menempuh 0.25 mil
Dari sini terlihat bahwa keiritan mobil anda bukan hanya ditentukan oleh besar kecilnya cc, tapi juga dengan gaya mengemudi anda (diwakili variabel qsec).
image
Gambar 1 Correlation matrix BW
Kalau anda senang warna, maka dengan satu baris perintah “corrgram(mtcars)” anda bisa membuat grafik sejenis di bawah ini.
mtcarscorrgram2
Gambar 2 Correlation matrix berwarna
Grafik pada Gambar 3 berikut ini juga dibuat hanya dengan sebaris perintah “heatmap(as.matrix(mtcars))”. Juga dapat dilihat hirarki pengelompokkannya dalam bentuk garis. Yang menarik adalah:
  • bagaimana merk-merk Jepang mengelompok dengan merk Eropa, sementara merk Amerika membentuk kelompok sendiri (kecuali Dodge Challenger, AMC Javelin, Hornet, dan Valiant). Saya akan bahas di lain waktu.
  • Corolla dan Civic sekelompok dengan Ferrari Dino dan Fiat, Mazda dengan Merc 280 berada pada kamar yang sama, serta Corona, Datsun di dalam ruangan yang sama dengan Porsche.
Sangat menarik bukan. Yang seperti ini sangat bisa diterapkan di geologi juga.
IMG_0020
Gambar 3 Heatmap dan PCA
Yang menarik lagi grafik pada Gambar 4 berikut ini. Ada yang bisa menjelaskan? Saya akan bahas di lain waktu, atau sekaligus saya harus alih profesi jadi wartawan tabloid “Otomotif”.
Masih mau pakai Excel?
🙂
image
Gambar 4 Analisis mpg ~ disp (cc) ~ cyl

 

Akhirnya PC baru itu pun datang

Setahun yg lalu, saat saya baru datang, supervisor saya bilang akan mengganti PC di meja saya, krn speknya sdh tua (Centrino duo). Pagi ini, setahun kemudian, barang itu pun datang.

Moral of the story: di mana-mana sama, minta fasilitas baru belum tentu datang di tahun yang sama. Tapi toh orang lain juga tidak berhenti bekerja gara-gara barang terlambat.

Tentunya ini case-wise ya. Jadi jangan diperpanjang dengan komentar “ya jangan disamakan Pak, kondisinya beda, di Indonesia bisa lebih dari setahun”.

Saya paham. 😊

View on Path

WTF: Daftar bacaan vs daftar pustaka (reblog)

8815739061_9198175166_z

 

 

 

 

(image: flickr/mypandorasbox, CC licensed)

Cerita ini awalnya ditulis dalam perjalanan, Bandung-Balikpapan-Bandung akhir tahun lalu. Sudah pernah dipublikasikan sebagai blogpost tapi dengan sangat banyak typos. Saya telah perbaiki typos dan tambah pada beberapa bagian untuk menjadi tulisan ini.

Daftar pustaka itu penting dan bukan sekedar formalitas atau sebuah bab di halaman paling akhir dari tugas akhir atau paper anda. Seperti yang telah saya sampaikan dalam beberapa posts “Mengapa daftar pustaka penting?”, “Memulai skripsi dari daftar pustaka”, dan “Ctrl-F”, sangat penting untuk memperhatikan Daftar Pustaka (DF). Tapi ada lagi istilah yang lain, Daftar Bacaan.

Apa lagi ini?

Jangan panik dulu. Ini hanyalah daftar materi yang telah anda baca. Jadi belum tentu anda pakai sebagai rujukan dalam teks. Apapun yang telah anda temukan, yang telah anda baca masuk ke dalam kategori ini. Mungkin hasilnya ada 50 item bacaan.

Setelah itu apa?

Setelah itu anda seleksi, mana yang relevan dengan konteks makalah, penelitian, atau apapun yang sedang anda tulis.

Stop sarapan dulu ya

Apa saja kriteria “relevan”?

Menurut Peat et.al (2002) dalam bukunya Scientific writing is easy: when you know how dan pengalaman saya, maka ada beberapa kriteria:

  1. relevan dari sisi lokasi geografis: kita bekerja di bidang ilmu kebumian, jadi lokasi geografis sangat penting sebagai salah satu kunci (baca juga Bagaimana Indonesia “ditemukan”?
  2. relevan dari sisi metode: coba anda cari bahan-bahan yang sama atau mirip dari sisi metode dengan apa yang akan anda lakukan.
  3. relevan dari sisi hasil: coba anda buka hipotesis anda, kemudian cari bahan yang hasilnya mirip atau sama dengan hipotesis anda.

Daftar Pustaka bisa jadi lebih sedikit dibanding Daftar Bacaan. Seleksi dilakukan dengan cara membaca kritis (critical reading) bahan-bahan bacaan kita. (apa pula ini? kapan-kapan ya)

Membaca kritis sangat diperlukan karena alur pikir sangat dikendalikan oleh apa yang telah kita baca. Jadi benar kata orang (entah siapa), bahwa untuk menulis dengan baik, seseorang harus banyak membaca.

Celaka 12 bukan.

Setelah itu lalu?

Setelah daftar bacaan anda seleksi, maka itu adalah calon Daftar Pustaka anda. Kemudian anda tinggal sisipkan item tersebut dalam teks anda. Tentunya lokasi penyisipan harus relevan dengan aliran cerita dalam teks.

Loops

Akan ada tiga tahapan: pencarian literatur (literature search) untuk membuat daftar bacaan (reading list), penyaringan daftar bacaan (filter), membuat sitasi dalam teks (in-text citation) untuk membuat daftar pustaka (Reference list/bibliography). Alur tahapan ini bisa bersifat linear, sekaligus juga loop (siklus) yang berulang. Loop bisa besar dari bawah ke atas untuk mengoreksi tahapan literature search atau loop kecil yang mengoreksi in-text citation.

BibliographicalLoop

 

 

 

 

BibliographicalLoop (pdf format)

Apa perkakas (tools) yang diperlukan?

Oya supaya lebih otomatis (baca: keren) gunakan tools reference library dlm piranti lunak pengolah kata anda. Sudah ada kok sejak jaman WordStar dan ChiWriter (maaf buat yg ngerti pasti hanya generasi 80 dan 90 an). Kita saja (termasuk saya) yang tidak pernah tahu atau belajar menggunakan fasilitas ini. Jadi ceritanya kalau kita sebut nama suatu artikel dalam teks, maka secara otomatis identitas makalah tersebut akan  muncul si bagian akhir dokumen di bab daftar pustaka.

Stop dulu boarding ya 🙂

Kalau sekarang ada Zotero dan Mendeley yang free, atau kalau anda sedang studi di LN, kebanyakan akan menyediakan lisensi EndNote untuk mahasiswa. Ikut kursus saya Reference Management ya.

Beberapa tahun yang lalu saya sempat mengunggah (upload) tutorial bagaimana menggunakan fasilitas itu di Microsoft Word, silahkan buka menu Download di website ini atau di derwinirawan.wordpress.com. Kembali ke bahasan kita.

Menulis is a matter of precision (walaupun saya masih sering juga ditegur istri saya, yang juga sering jadi proof reader). Ini berlaku di semua bagian dalam karya ilmiah, termasuk urusan daftar pustaka, membuat sitiran, merujuk gambar, merujuk tabel, serta bagian ucapan terimakasih (acknowledgement) (ini yang sering lupa). Kapan-kapan saya akan tulis mengenai hal ini dalam serial (W)riting’s (T)otally (F)un.

Penutup

Jadi jelas ya ada daftar bacaan (reading list) ada pula daftar pustaka (bibliography atau references). Jelas bedanya, tidak semua yang ada dalam “Daftar Bacaan” ada dalam “Daftar Pustaka“.

Setiap frasa, pendapat, analisis harus jelas milik siapa. Kalau milik penulis lain, maka yakinkan namanya ada dalam tulisan dan daftar pustaka kita. Bila tidak ya siap-siap dituduh plagiat atau penjiplak. Suatu tuduhan yang sungguh berat untuk kesalahan yang sepele dan hanya perlu sedikit waktu yang disisihkan untuk memeriksa teks/naskah. Modalnya hanya Ctrl-F.

Walaupun kita selalu inginnya Ctrl-Alt-Del terus Power Off hehe.

Selanjutnya, mengapa kita melakukan riset … (sarapan dulu)

Lho bukannya tadi sudah?

Ini sudah beda hari.