Catatan penting di awal: Bab 4 berbeda dari bab lainnya karena analisis data aktual harus dilakukan di software statistik (SPSS, AMOS, SmartPLS, R) atau qualitative analysis tools (NVivo, ATLAS.ti) — bukan di NotebookLM. NotebookLM ampuh untuk menulis & menyajikan hasil yang sudah Anda analisis, bukan melakukan analisisnya.
Anatomi Bab 4: Tiga Pendekatan dengan Struktur Berbeda
Tidak seperti Bab 1-3 yang struktur dasarnya mirip antar pendekatan, Bab 4 sangat berbeda untuk kualitatif, kuantitatif, dan mixed methods. Berikut sub-bab khas, tools yang dipakai, dan output kunci untuk masing-masing.
Aturan emas Bab 4 disertasi
1. Bab 4 hanya MENYAJIKAN, bukan MENAFSIRKAN. Salah satu kesalahan paling umum: mahasiswa sudah memberi interpretasi mendalam atau membandingkan dengan teori di Bab 4. Itu domain Bab 5 (pembahasan). Bab 4 yang baik: “Hasil menunjukkan bahwa X berpengaruh signifikan terhadap Y (β = 0.45, p < 0.001).” Selesai. Penjelasan “mengapa” dan “apa artinya” disimpan untuk Bab 5.
2. Tabel-narasi consistency adalah deal-breaker. Setiap angka yang muncul di tabel harus match dengan yang disebut di narasi. Salah satu hal pertama yang dicek penguji adalah: “Anda bilang t-value 3.45 di paragraf, tapi di tabel 3.54 — yang benar yang mana?” Pakai Chat: konsistensi di Fase 5 secara religius. Untuk hasil dengan banyak angka, gunakan teknik “lihat-tabel-X-baris-Y” dan biarkan tabel jadi sumber kebenaran.
3. Reporting hasil harus mengikuti standar bidang. Untuk SEM-PLS: laporkan outer loadings, AVE, CR, R², Q², dan path coefficients dengan signifikansi. Untuk regresi: koefisien beta, SE, t-value, p-value, R² dan adjusted R². Untuk kualitatif: tema utama, sub-tema, frekuensi (jika relevan), kutipan partisipan dengan kode. Standar reporting bisa berbeda antar bidang — pelajari dari jurnal contoh di Fase 1.
4. Kutipan partisipan untuk kualitatif harus seimbang. Jangan gunakan 1 kutipan dari 1 partisipan untuk mengilustrasikan tema yang dialami semua. Gunakan 2-3 kutipan dari partisipan berbeda per tema utama. Anonimisasi dengan kode (P1, P2, P3) dan sertakan demografis singkat (P3, perempuan, 35 tahun, guru SD). Tabel tema-kutipan di Fase 4 jadi rujukan visual.
5. Hasil yang “tidak sesuai harapan” tetap dilaporkan dengan jujur. Hipotesis yang ditolak adalah temuan ilmiah yang valid. Jangan menyembunyikan, jangan mencari justifikasi statistik untuk “menyelamatkan” hipotesis. Bab 4 yang jujur dengan hipotesis ditolak (dengan reasoning dijelaskan di Bab 5) jauh lebih dihargai dari Bab 4 yang manipulatif.
Caveat penting: AI dan integritas akademik di Bab 4
Bab 4 punya risiko etika lebih tinggi dari bab lain karena di sinilah “data” muncul. Beberapa hal yang harus diperhatikan:
Jangan pernah meminta AI menghasilkan data atau angka. NotebookLM tidak boleh dipakai untuk: (a) generate hasil statistik fiktif, (b) menulis kutipan partisipan yang tidak ada, (c) “memperbaiki” angka yang tidak signifikan, (d) menambahkan tema yang tidak muncul dari data Anda. Ini adalah research misconduct (data fabrication) — pelanggaran berat.
NotebookLM untuk WRITING UP, bukan analisis. Yang boleh: (a) menyusun narasi dari hasil yang sudah Anda analisis, (b) bantuan formatting tabel, (c) cek konsistensi tabel-narasi, (d) cari struktur reporting yang tepat dari jurnal contoh. Yang TIDAK BOLEH: meminta AI menganalisis data mentah Anda dan generate hasil — analisis itu kerjaan SPSS/NVivo dengan tangan Anda.
Pertimbangkan disclosure penggunaan AI. Kebijakan jurnal dan institusi semakin ketat. Banyak universitas di Indonesia mulai mensyaratkan disclosure penggunaan AI di disertasi. Cek panduan kampus Anda. Untuk amannya, sertakan acknowledgment seperti: “Penulis menggunakan NotebookLM untuk membantu penyusunan narasi dan strukturisasi penyajian hasil. Analisis data dilakukan menggunakan [SPSS/NVivo]. Interpretasi dan keputusan akademik sepenuhnya tanggung jawab penulis.”
Privacy data partisipan. Jika data wawancara mengandung informasi identifiable (nama tempat kerja, kondisi kesehatan, dll), pertimbangkan tidak mengupload transcript mentah ke NotebookLM. Anonimisasi dulu, atau hanya upload coded data tanpa identifikasi.
Tips bonus: simulasi penguji statistik vs metodolog kualitatif
Bab 4 sering dapat dua jenis penguji yang berbeda fokus. Simulasikan keduanya:
Untuk Bab 4 kuantitatif, prompt: “Anda penguji statistik yang ketat. Cek Bab 4 saya: apakah uji asumsi klasik lengkap? Apakah pelaporan SEM mengikuti standar bidang (Hair et al., 2017)? Apakah interpretasi koefisien sudah benar? Apa 5 pertanyaan kritis yang akan Anda tanya di sidang?”
Untuk Bab 4 kualitatif, prompt: “Anda penguji kualitatif yang fokus rigor. Cek Bab 4 saya: apakah trustworthiness terdokumentasi (member checking, peer debriefing, audit trail)? Apakah tema dilengkapi kutipan dari berbagai partisipan? Apakah saturasi tematik jelas? Apa 5 pertanyaan kritis yang akan Anda tanya?”
Simulasi dual-perspective ini sering menemukan kelemahan yang luput dari perspektif tunggal.