implementasi metode naÏve bayes untuk analisis …
TRANSCRIPT
IMPLEMENTASI METODE NAÏVE BAYES UNTUK
ANALISIS SENTIMEN DATA EVALUASI KINERJA
DOSEN PADA SISTEM KUESIONER
BERBASIS WEB
SKRIPSI
Oleh:
EKO MISPRAJIKO
311610515
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
IMPLEMENTASI METODE NAÏVE BAYES UNTUK
ANALISIS SENTIMEN DATA EVALUASI KINERJA
DOSEN PADA SISTEM KUESIONER
BERBASIS WEB
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan
Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
EKO MISPRAJIKO
311610515
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
iii
PERNYATAAN KEASLIAN PENELITIAN
Saya yang bertandatangan dibawah ini menyatakan bahwa, skripsi ini merupakan
karya saya sendiri (ASLI), dan isi dalam skripsi ini tidak terdapat karya yang
pernah diajukan oleh orang lain untuk memperoleh gelar akademis di suatu
institusi pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga tidak
terdapat karya atau pendapat yang pernah ditulis dan/atau diterbitkan oleh orang
lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam
daftar pustaka.
Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat adalah
menjadi tanggungjawab saya pribadi.
Bekasi, 17 Oktober 2018
Eko Misprajiko
NIM: 311610515
iv
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadirat Allah SWT. yang telah
melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang
berjudul “IMPLEMENTASI METODE NAÏVE BAYES UNTUK ANALISIS
SENTIMEN DATA EVALUASI KINERJA DOSEN PADA SISTEM
KUESIONER BERBASIS WEB”.
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam
rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer
(S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi
Pelita Bangsa.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Supriyanto, M.P. selaku Ketua STT Pelita Bangsa.
b. Bapak Aswan Supriyadi Sunge, S.E., M.Kom. selaku Ketua Program Studi
Teknik Informatika STT Pelita Bangsa.
c. Bapak Arif Siswandi, S.Kom., M.M. selaku Pembimbing 1 yang telah banyak
memberikan arahan dan bimbingan kepada penulis dalam penyusunan Skripsi
ini.
d. Bapak Adi Rusdi Widya, S.T., M.T. selaku Pembimbing 2 yang telah banyak
memberikan saran dan bantuan kepada penulis dalam penyusunan Skripsi ini.
e. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang teknik informatika.
f. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
g. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.
v
h. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat
dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang
terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan
manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT
Pelita Bangsa khususnya dan Indonesia pada umumnya.
Bekasi, Oktober 2018
Penulis
vi
DAFTAR ISI
PERSETUJUAN ...................................................................................................... i
PENGESAHAN ...................................................................................................... ii
PERNYATAAN KEASLIAN PENELITIAN ....................................................... iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI .......................................................................................................... vi
DAFTAR TABEL ................................................................................................... x
DAFTAR GAMBAR ............................................................................................. xi
ABSTRACT ........................................................................................................... xiv
ABSTRAK ............................................................................................................ xv
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Identifikasi Masalah ................................................................................. 3
1.3 Rumusan Masalah .................................................................................... 4
1.4 Batasan Masalah ....................................................................................... 4
1.5 Tujuan dan Manfaat .................................................................................. 5
1.5.1 Tujuan ............................................................................................... 5
1.5.2 Manfaat ............................................................................................. 5
1.6 Sistematika Penulisan ............................................................................... 6
BAB II TINJAUAN PUSTAKA ............................................................................. 7
vii
2.1 Kajian Pustaka .......................................................................................... 7
2.2 Dasar Teori ............................................................................................. 11
2.2.1 Data Mining ..................................................................................... 11
2.2.2 Knowledge Discovery in Database (KDD). .................................... 11
2.2.3 Pengelompokan Data Mining. ......................................................... 13
2.2.4 Text Mining. .................................................................................... 16
2.2.5 Tahapan Text Mining....................................................................... 19
2.2.6 Analisis Sentimen. .......................................................................... 21
2.2.7 Naïve Bayes. .................................................................................... 24
2.2.8 Persamaan Metode Naïve Bayes. .................................................... 24
2.3 Teori Perancangan Sistem ...................................................................... 26
2.3.1 Metode Extreme Programming (XP). ............................................. 26
2.3.2 Unified Modeling Language (UML). .............................................. 27
2.3.3 Use Case Diagram. ......................................................................... 28
2.3.4 Class Diagram ................................................................................ 29
2.3.5 Activity Diagram ............................................................................. 30
2.3.6 Sequence Diagram .......................................................................... 31
2.3.7 Metode Pengujian Black-Box. ......................................................... 33
2.4 Tinjauan Objek Penelitian ...................................................................... 34
2.4.1 Perguruan Tinggi. ............................................................................ 34
2.4.2 Data Evaluasi Kinerja Dosen. ......................................................... 35
viii
2.4.3 Sistem Kuesioner Berbasis Web. .................................................... 35
2.5 Kerangka Berfikir ................................................................................... 36
BAB III METODOLOGI PENELITIAN.............................................................. 37
3.1 Objek Penelitian ..................................................................................... 37
3.2 Pengumpulan Data ................................................................................. 37
3.3 Analisa Sistem Yang Berjalan ................................................................ 38
3.4 Sistem Yang Diusulkan .......................................................................... 41
3.5 Alur Proses Analisa Sentimen ................................................................ 41
3.5.1 Data Training dan Data Testing. ..................................................... 42
3.5.2 Preprocessing. ................................................................................. 45
3.5.3 Perhitungan Naïve bayes. ................................................................ 47
3.6 Metode Pengembangan Sistem .............................................................. 59
3.6.1 Planning. ......................................................................................... 59
3.6.2 Design. ............................................................................................ 61
3.6.3 Coding. ............................................................................................ 61
3.6.4 Testing. ............................................................................................ 61
3.7 Metode Perancangan Sistem................................................................... 37
3.7.1 Definisi Aktor. ................................................................................ 26
3.7.2 Use Case Diagram. ......................................................................... 26
3.7.3 Class Diagram. ............................................................................... 26
3.7.4 Activity Diagram. ............................................................................ 26
ix
3.7.5 Sequence Diagram. ......................................................................... 26
3.8 Desain Interface ..................................................................................... 78
BAB IV HASIL DAN PEMBAHASAN .............................................................. 80
4.1 Hasil ........................................................................................................ 80
4.1.1 Spesifikasi Sistem. .......................................................................... 80
4.1.2 Implementasi Sistem. ...................................................................... 81
4.2 Pembahasan ............................................................................................ 98
4.2.1 Hasil Pengujian Black-Box .............................................................. 98
4.2.2 Hasil Pengujian Akurasi ................................................................ 103
BAB V PENUTUP .............................................................................................. 106
5.1 Kesimpulan ........................................................................................... 106
5.2 Saran ..................................................................................................... 106
DAFTAR PUSTAKA ......................................................................................... 107
LAMPIRAN ........................................................................................................ 111
x
DAFTAR TABEL
Tabel 2.1 Rangkuman Kajian Pustaka ................................................................ 10
Tabel 2.2 Simbol-Simbol Use Case Diagram .................................................... 29
Tabel 2.3 Simbol-Simbol Class Diagram ........................................................... 30
Tabel 2.4 Simbol-Simbol Activity Diagram........................................................ 31
Tabel 2.5 Simbol-Simbol Sequence Diagram ..................................................... 32
Tabel 3.1 Data Training ...................................................................................... 42
Tabel 3.2 Data Testing ........................................................................................ 44
Tabel 3.3 Hasil Tokenizing .................................................................................. 45
Tabel 3.4 Daftar Stopword .................................................................................. 46
Tabel 3.5 Contoh Hasil Stopword ....................................................................... 47
Tabel 3.6 Sampel Data Training ......................................................................... 47
Tabel 3.7 Hasil Preprocessing Sampel Data Training ....................................... 48
Tabel 3.8 Data Kata Positif dari Sampel Data Training ..................................... 49
Tabel 3.9 Data Kata Negatif dari Sampel Data Training ................................... 49
Tabel 3.10 Data Kata Netral dari Sampel Data Training ..................................... 49
Tabel 3.11 Data Kata Tanpa Perulangan dari Sampel Data Training .................. 50
Tabel 3.12 Hasil Preprocessing Sampel Data Testing ......................................... 51
Tabel 3.13 Fitur Aplikasi ...................................................................................... 60
Tabel 3.14 Definisi Aktor ..................................................................................... 62
Tabel 3.15 Skenario Use Case Versi Admin ......................................................... 63
Tabel 3.16 Skenario Use Case Versi Mahasiswa ................................................. 69
Tabel 4.1 Hasil Pengujian Black-Box.................................................................. 98
xi
DAFTAR GAMBAR
Gambar 2.1 Proses Knowledge Discovery in Database ...................................... 12
Gambar 2.2 Ruang Lingkup Text Mining ........................................................... 17
Gambar 2.3 Document Classification ................................................................. 19
Gambar 2.4 Tahapan Text Mining ....................................................................... 20
Gambar 2.5 Klasifikasi dalam Analisis Sentimen............................................... 24
Gambar 2.6 Kerangka Berfikir ............................................................................ 36
Gambar 3.1 Kuesioner Manual ........................................................................... 39
Gambar 3.2 Alur Proses Analisis Sentimen ........................................................ 41
Gambar 3.3 Use Case Diagram .......................................................................... 63
Gambar 3.4 Class Diagram................................................................................. 70
Gambar 3.5 Activity Diagram ............................................................................. 71
Gambar 3.6 Sequence Diagram Login ................................................................ 72
Gambar 3.7 Sequence Diagram Logout .............................................................. 73
Gambar 3.8 Sequence Diagram Periode ............................................................. 73
Gambar 3.9 Sequence Diagram data_training, data_stopword, dan
uji_sentimen ...................................................................................... 74
Gambar 3.10 Sequence Diagram data_positif, data_negatif,
data_netral, dan data_kata ................................................................. 75
Gambar 3.11 Sequence Diagram Mengelola Data Akademik .............................. 76
Gambar 3.12 Sequence Diagram Mengelola Data Kuesioner .............................. 77
Gambar 3.13 Sequence Diagram Manajemen Laporan ........................................ 77
Gambar 3.14 Sequence Diagram Transaksi EPBM .............................................. 78
Gambar 3.15 Dashboard Template AdminLTE-2.4.0 ........................................... 79
xii
Gambar 3.16 Login Template AdminLTE-2.4.0 .................................................. 79
Gambar 4.1 Halaman Form Login ...................................................................... 81
Gambar 4.2 Halaman Admin ............................................................................... 82
Gambar 4.3 Halaman Setting Periode ................................................................. 82
Gambar 4.4 Halaman Data Training ................................................................... 83
Gambar 4.5 Halaman Data Stopword.................................................................. 83
Gambar 4.6 Halaman Kata Positif ...................................................................... 84
Gambar 4.7 Halaman Kata Negatif ..................................................................... 84
Gambar 4.8 Halaman Kata Netral ....................................................................... 85
Gambar 4.9 Halaman Total Kata ........................................................................ 85
Gambar 4.10 Halaman Uji Akurasi ....................................................................... 86
Gambar 4.11 Halaman Semester ........................................................................... 87
Gambar 4.12 Halaman Prodi ................................................................................. 87
Gambar 4.13 Halaman Kelas ................................................................................ 88
Gambar 4.14 Halaman Dosen ............................................................................... 88
Gambar 4.15 Halaman Mata Kuliah ..................................................................... 89
Gambar 4.16 Halaman Peserta .............................................................................. 89
Gambar 4.17 Halaman Jenis Quis ......................................................................... 90
Gambar 4.18 Halaman Soal .................................................................................. 90
Gambar 4.19 Halaman Jawaban ............................................................................ 91
Gambar 4.20 Halaman Laporan ............................................................................ 91
Gambar 4.21 Halaman Lihat Laporan ................................................................... 92
Gambar 4.22 Halaman Siapakah Anda ................................................................. 92
Gambar 4.23 Halaman Kuesioner yang Tersedia ................................................. 93
xiii
Gambar 4.24 Halaman Perhatian .......................................................................... 93
Gambar 4.25 Halaman Kuesioner ......................................................................... 94
Gambar 4.26 Halaman Periode yang Tersedia ...................................................... 94
Gambar 4.27 Halaman Daftar Mahasiswa Pengisi ............................................... 95
Gambar 4.28 Modal Tambah Data ........................................................................ 95
Gambar 4.29 Modal Ubah Data ............................................................................ 96
Gambar 4.30 Modal Hapus Data ........................................................................... 97
Gambar 4.31 Form Upload Excel ......................................................................... 97
Gambar 4.32 Akurasi Terhadap Data Training................................................... 104
Gambar 4.33 Akurasi Terhadap Data Testing ..................................................... 105
xiv
ABSTRACT
Universities (PT) have an important role in improving the quality of higher
education. In Law No. 12 of 2012, regulations have been made regarding the
quality assurance system, with the aim of achieving higher education quality. One
of the quality assurance systems that must be developed by PT is the Internal
Quality Assurance System (SPMI). In SPMI there is an Evaluation of Teaching
and Learning Process (EPBM) which is useful for evaluating facilities and
evaluating the performance of lecturers. Some PTs still use manual
questionnaires in EPBM implementation. With manual processing, only a few
sampels of advice will be taken. This causes the amount of remaining data to be in
vain and of course the conclusions from the recapitulated data will not be
maximized. To overcome this problem, this research has made a web-based
questionnaire system equipped with sentiment analysis using the Naïve Bayes
method. The result is that all unused suggestion data can be used as training data
with Naïve Bayes accuracy obtained at 83.50%.
Keyword:
Universities, Higher Education, Internal Quality Assurance System, Evaluation
Of Teaching And Learning Process, Lecturer Performance Evaluation,
Questionnaire, Sentiment Analysis, Naïve Bayes.
xv
ABSTRAK
Perguruan Tinggi (PT) mempunyai peranan penting dalam meningkatkan mutu
pendidikan tinggi. Dalam UU No. 12 tahun 2012 telah dibuat aturan mengenai
sistem penjaminan mutu dengan tujuan untuk mencapai mutu pendidikan tinggi.
Salah satu sistem penjaminan mutu yang harus dikembangkan oleh PT adalah
Sistem Penjaminan Mutu Internal (SPMI). Dalam SPMI terdapat Evaluasi Proses
Belajar Mengajar (EPBM) yang berguna untuk melakukan evaluasi fasilitas dan
evaluasi kinerja dosen. Beberapa PT masih menggunakan kuesioner manual
dalam pelaksanaan EPBM. Dengan proses pengolahan manual, data saran yang
begitu banyak hanya akan diambil beberapa sampelnya saja. Hal ini menyebabkan
banyaknya data yang tersisa menjadi sia-sia dan tentunya hasil kesimpulan dari
data yang direkap tidak akan maksimal. Untuk mengatasi hal tersebut pada
penelitian ini telah dibuat sistem kuesioner berbasis web yang dilengkapi dengan
analisis sentimen menggunakan metode Naïve Bayes. Hasilnya adalah semua data
saran yang tidak terpakai bisa dimanfaatkan menjadi data training dengan akurasi
Naïve Bayes yang didapatkan yaitu 83.50%.
Kata kunci:
Perguruan Tinggi, Pendidikan Tinggi, SPMI, EPBM, Evaluasi Kinerja Dosen,
Kuesioner, Analisis Sentimen, Naïve Bayes.
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pendidikan merupakan salah satu pondasi penting dalam suatu negara.
Semakin baik mutu pendidikan dalam suatu negara akan membuat negara tersebut
semakin maju. Berbicara tentang mutu pendidikan tentunya tidak terlepas dari
penyelenggara pendidikan. Penyelenggara pendidikan mempunyai peranan
penting dalam meningkatkan mutu pendidikan. Salah satu penyelenggara
pendidikan yang ada di Indonesia adalah Perguruan Tinggi (PT).
Berdasarkan UU No. 12 tahun 2012, PT adalah satuan pendidikan yang
menyelenggarakan pendidikan tinggi yang mencakup program diploma, sarjana,
magister, doktor, dan profesi, serta spesialis. UU tersebut juga menjelaskan
bahwa pendidikan tinggi yang bermutu adalah pendidikan tinggi yang
menghasilkan lulusan yang mampu secara aktif mengembangkan potensinya dan
menghasilkan ilmu pengetahuan dan/atau teknologi yang berguna bagi
masyarakat, bangsa, dan negara. Untuk mencapai mutu tersebut maka dibuatlah
suatu sistem penjaminan mutu. Salah satu sistem penjaminan mutu yang harus
dikembangkan oleh PT adalah Sistem Penjaminan Mutu Internal.
“Sistem Penjaminan Mutu Internal yang selanjutnya disingkat SPMI,
adalah kegiatan sistemik penjaminan mutu pendidikan tinggi oleh setiap
perguruan tinggi secara otonom untuk mengendalikan dan meningkatkan
penyelenggaraan pendidikan tinggi secara berencana dan berkelanjutan”
(Permenristekdikti No. 62 Tahun 2016). Dalam Permenristekdikti tersebut juga
2
dijelaskan bahwa SPMI mempunyai siklus kegiatan mulai dari penetapan,
pelaksanaan, evaluasi, pengendalian pelaksanaan, dan peningkatan standar
pendidikan tinggi. Kegiatan evaluasi yang dilakukan mencakup seluruh aktivitas
PT baik akademik dan non akademik. Salah satu proses evaluasi dalam kegiatan
akademik yang dilakukan oleh PT adalah Evaluasi Proses Belajar Mengajar
(EPBM) yang berguna untuk mendapatkan penilaian mengenai fasilitas/media
pembelajaran dan kinerja dosen yang melaksanakan pembelajaran. Dalam
melaksanakan EPBM biasanya suatu PT membuat suatu kuesioner untuk diisi
oleh mahasiswa.
Seiring berkembangnya teknologi informasi yang semakin maju, kuesioner
bisa dilakukan melalui online baik memanfaatkan google form ataupun membuat
aplikasi secara khusus. Namun masih ada PT yang melakukan hal ini secara
manual. Tentunya, cara manual akan mengurangi efisiensi dan efektivitas
pelayanan baik dalam pelaksanaan maupun dalam proses perekapan data.
Data-data yang direkap dari kuesioner EPBM berupa data kuantitatif dan
kualitatif. Data kuantitatif berisi suatu pertanyaan yang mempunyai nilai yang bisa
dihitung. Data ini akan diolah menjadi bentuk Indeks Prestasi Komulatif (IPK)
yang selanjutnya akan dibandingkan dengan nilai pada SPMI untuk dinilai baik
atau buruknya. Sedangkan data kualitatif adalah berupa komentar atau saran yang
ditulis oleh mahasiswa. Dengan proses pengolahan manual, data saran yang begitu
banyak hanya akan diambil beberapa sampelnya saja. Hal ini menyebabkan
banyaknya data yang tersisa menjadi sia-sia dan tentunya hasil kesimpulan dari
data yang direkap tidak akan maksimal.
3
Data saran dari mahasiswa pada dasaranya hanya memiliki 3 nilai yaitu
positif, negatif, dan netral. Agar semua data saran bermanfaat maka dapat
dilakukan pengolahan data menggunakan analisis sentimen. “Sentiment Analysis
atau Opinion Mining adalah bidang studi yang menganalisa pendapat, pandangan,
evaluasi, penilaian, sikap, dan emosi terhadap entitas dan aspek-aspeknya yang
diekspresikan melalui teks” (Zhang L., & Liu B., 2016).
Penelitian tentang analisis sentimen sudah banyak dilakukan. Salah satu
algoritma yang populer digunakan di dalamnya adalah Naïve Bayes.
Dhanalakshmi V., D. Bino, dan Saravanan A. M. (2016) telah melakukan
perbandingan antara algoritma Naïve Bayes, Support Vector Machine, dan K
Nearest Neighbour yang menghasilkan kesimpulan bahwa algoritma Naïve bayes
adalah yang terbaik dari segi akurasi dan recall. Begitu juga Amey Tilve dan
Surbhi Jhain (2017), mereka telah melakukan klasifikasi teks menggunakan
Vector Space Model, Naïve Bayes, dan Standford Tagger dengan kesimpulan
bahwa Naïve Bayes adalah yang terbaik dari segi akurasi dan efisiensi komputasi.
Berdasarkan latar belakang di atas, penulis akan melakukan penelitian
dengan judul “IMPLEMENTASI METODE NAÏVE BAYES UNTUK
ANALISIS SENTIMEN DATA EVALUASI KINERJA DOSEN PADA SISTEM
KUESIONER BERBASIS WEB”.
1.2 Identifikasi Masalah
Berdasarkan latar belakang, maka perlu dibuat daftar masalah yang akan
dijadikan acuan dalam penelitian ini. Berikut adalah beberapa masalah pada
penelitian ini:
4
1. Penggunaan kuesioner manual akan mengurangi efisiensi dan efektivitas
dalam pengambilan dan perekapan data.
2. Banyak data saran pada kuesioner Evaluasi Proses Belajar Mengajar
(EPBM) yang belum dimanfaatkan.
1.3 Rumusan Masalah
Berdasarkan latar belakang dan identifikasi masalah yang telah
disampaikan, maka perlu dirumuskan suatu masalah yang akan diselesaikan pada
penelitian ini. Rumusan masalah pada penelitian ini adalah sebagai berikut:
1. Bagaimana cara membuat suatu sistem kuesioner yang bisa meningkatkan
efisiensi dan efektifitas dalam pengambilan dan perekapan data?
2. Bagaimana melakukan analisis sentimen agar bisa memanfaatkan semua
data saran pada kuesioner EPBM menggunakan metode Naïve Bayes?
1.4 Batasan Masalah
Batasan masalah dari penelitian ini adalah sebagai berikut:
1. Dataset yang digunakan adalah data kuesioner EPBM internal periode
Genap 2017/2018 dari salah satu Perguruan Tinggi (PT) di Bekasi, Jawa
Barat, Indonesia.
2. Dataset hanya difokuskan terhadap saran untuk dosen.
3. Algoritma yang digunakan adalah Naïve Bayes.
4. Tidak menggunakan stemming pada preprocessing data.
5. Menggunakan framework CodeIgniter versi 3.0.6.
6. Menggunakan template AdminLTE-2.4.0.
5
1.5 Tujuan dan Manfaat
1.5.1 Tujuan
Adapun tujuan dari penelitian ini adalah sebagai berikut:
1. Membuat aplikasi kuesioner berbasis web yang dilengkapi dengan analisis
sentimen menggunakan metode naïve bayes.
2. Untuk memanfaatkan semua data saran pada kuesioner EPBM dengan
analisis sentimen menggunakan metode naïve bayes.
1.5.2 Manfaat
1. Bagi Penulis
Dapat menambah ilmu dengan penguasaan materi yang baru dari
penelitian berupa skripsi yang dilakukan.
2. Bagi Mahasiswa
Sebagai acuan untuk pengembangan secara penulisan maupun penelitian
berkelanjutan dengan adanya perbaikan terhadap hasil yang diperoleh pada
penelitian ini.
3. Bagi STT Pelita Bangsa
Sebagai tambahan buku berupa skripsi dalam menunjang pengembangan
ilmu pengetahuan dibidang teknologi informasi.
1.6 Sistematika Penulisan
Adapun tata urut penulisan dan gambaran umum setiap bab dalam
penulisan ini adalah sebagai berikut:
6
BAB I PENDAHULUAN
Pada bab ini membahas latar belakang masalah, identifikasi masalah,
batasan masalah, rumusan masalah, tujuan dan manfaat penelitian, serta
sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Pada bab ini berisi pembahasan kajian pustaka, dasar teori, tinjauan objek
penelitian, kerangka konsep/pola pikir pemecahan masalah, serta hipotesis
atau jawaban sementara dari penelitian yang dilakukan.
BAB III METODOLOGI PENELITIAN
Pada bab ini berisi pembahasan metodologi penelitian, metode
pengumpulan data, teknik analisis, langkah-langkah penelitian,
instrumentasi penelitian.
BAB IV HASIL DAN PEMBAHASAN
Pada bab ini berisi pembahasan tentang analisa sentimen dengan algoritma
Naïve bayes. Kemudian akan dilakukan analisa terhadap hasil analisis
sentimen serta akurasi yang didapatkan.
BAB V PENUTUP
Pada bab ini berisi kesimpulan serta saran dari penelitian yang telah
dilakukan.
7
BAB II
TINJAUAN PUSTAKA
2.1 Kajian Pustaka
Pada bab ini, akan dibahas beberapa penelitian terdahulu yang berkaitan
dengan penerapan atau pengujian metode naïve bayes yang digunakan dalam
analisis sentimen atau opinion mining atau text Classification. Diantaranya adalah
sebagai berikut:
1. Sentiment Classification Of Roman-Urdu Opinions Using Naïve bayesian,
Decision Tree And KNN Classification Techniques (Bilal dkk., 2015)
Penelitian ini berfokus pada opinion mining bahasa Roman-Urdu dengan
menggunakan tiga algoritma klasifikasi yaitu Naïve bayes, Decision Tree
dan KNN. Dataset pelatihan yang digunakan mengandung 150 opini
positif dan 150 opini negatif yang diberi label untuk melatih mesin dan
mengembangkan tiga model. Pengujian dataset dipasok ke dalam tiga
model berbeda untuk di klasifikasi. Hasilnya menunjukkan bahwa
algoritma Naïve bayes memiliki kinerja terbaik dalam hal akurasi, presisi,
recall, dan nilai F-measure dibandingkan dengan Decision Tree dan KNN.
2. Opinion Mining From Student Feedback Data Using Supervised Learning
Algorithms (Dhanalakshmi, Bino dan Saravanan, 2016)
Penelitian ini berisi tentang opinion mining terhadap data umpan balik
siswa yang dikumpulkan melalui evaluasi modul dari Middle East College,
Oman. Proses pengolahan opinion mining dilakukan menggunakan Rapid
Miner dengan 4 supervised learning algorithms yaitu Support Vector
8
Machine (SVM), K-Nearest Neighbour (KNN), Naïve bayes (NB) dan
Neural Network (NN). Pengujian yang dilakukan adalah dengan mengecek
performance masing-masing algorithm meliputi precision, recall, dan
accuracy. Hasil dari pengujian yang dilakukan menunjukan bahwa NB
adalah yang terbaik dari segi accuracy dan recall, sedangkan KNN adalah
yang terbaik dari segi precision.
3. A Survey On Machine Learning Techniques For Text Classification (Tilve
dan Jhain, 2017)
Penelitian ini berfokus pada Klasifikasi Teks. Klasifikasi teks adalah tugas
menyortir secara otomatis satu set dokumen ke dalam kategori dari set
yang telah ditetapkan. Penelitian ini menggunakan tiga algoritma
klasifikasi teks Naive Bayes, Vector Space Model (VSM) dan Stanford
Tagger for Text Classification (POSC) untuk mengklasifikasikan dokumen
ke dalam kategori yang berbeda, yang dilatih pada dua dataset yang
berbeda (20 Newsgroup dan New news dataset untuk lima kategori). Hasil
penelitian menunjukan bahwa Naïve Bayes adalah pengklasifikasi terbaik
dalam hal akurasi dan efisiensi komputasi. Pendekatan VSM bekerja lebih
baik dengan dataset New newsgroup karena dataset relatif kecil dan
memiliki fitur yang kurang relevan.
4. Classification of Gujarati Documents using Naïve bayes Classifier
(Rakholia dan Saini, 2017)
Penelitian ini menyajikan algoritma pembelajaran mesin statistik Naïve
Bayes (NB) untuk klasifikasi dokumen Gujarati menggunakan enam
9
kategori yaitu olahraga, kesehatan, hiburan, bisnis, astrologi, dan spiritual
yang telah ditentukan sebelumnya. Sebanyak 280 dokumen Gujarati untuk
setiap kategori digunakan untuk pelatihan dan menguji tujuan dari
pengkategorisasi. Proses evaluasi kinerja dari Classifier NB dilakukan
dengan menggunakan k-fold cross validation. Hasil eksperimen
menunjukkan bahwa akurasi penggolongan NB tanpa dan menggunakan
fitur seleksi adalah 75,74% dan 88,96%.
5. An Extensive Study Of Sentiment Analysis Tools And Binary Classification
Of Tweets Using Rapid Miner (Vyas dan Uma, 2018)
Penelitian ini melakukan analisis sentimen dengan menggunakan sumber
dataset dari twitter. Jumlah data latih yang digunakan sebanyak 450 tweets
yang dilabeli secara manual dengan sentimen positif dan negatif. Model
klasifikasi yang digunakan adalah Support Vector Machine (SVM),
Decision Tree dan Naive Bayes. Pengujian dan pelaksanaan dilakukan
dengan menggunakan Rapid Miner. Pengujian terbagi menjadi dua,
pertama yaitu perbandingan akurasi, presisi, dan recall dari ketiga model
yang dipakai dan yang kedua adalah perbandingan akurasi berdasarkan
jumlah data training atau data latih yang dipakai. Hasil pengujian pertama
menunjukan bahwa SVM adalah yang terbaik dari segi akurasi dan presisi
sedangkan Naïve Bayes adalah yang terbaik dari segi recall. Hasil
pengujian yang kedua dengan data latih dibagi menjadi 3 yaitu 101 tweets,
397 tweets, 450 tweets menunjukan bahwa pada 101 tweets akurasi SVM
sama dengan Naïve Bayes yaitu 64.71%, pada 397 tweets akurasi Naïve
10
Bayes adalah yang terbaik yaitu 82.96% dan pada 450 tweets akurasi SVM
adalah yang terbaik yaitu 79.08%.
Berdasarkan uraian di atas dapat disimpulkan bahwa metode naïve bayes
mempunyai keunggulan dari segi akurasi, kecepatan komputasi dan dapat bekerja
dengan baik meski menggunakan data training yang sedikit. Oleh karena itu,
penulis akan menggunakan metode naïve bayes untuk analisis sentimen pada
penelitian ini.
Tabel 2.1 Rangkuman Kajian Pustaka
No Tahun Judul Kesimpulan
1. 2015
Sentiment Classification Of
Roman-Urdu Opinions
Using Naïve bayesian,
Decision Tree And KNN
Classification Techniques
Naïve bayes memiliki kinerja
terbaik dalam hal akurasi,
presisi, recall, dan nilai F-
measure dibandingkan dengan
Decision Tree dan KNN.
2 2016
Opinion Mining From
Student Feedback Data
Using Supervised Learning
Algorithms
Naive bayes adalah yang terbaik
dari segi accuracy dan recall
dibandingkan Support Vector
Machine (SVM), K-Nearest
Neighbour (KNN) dan Neural
Network (NN)
3 2017
A Survey On Machine
Learning Techniques For
Text Classification
Naïve bayes adalah
pengklasifikasi terbaik dalam
hal akurasi dan efisiensi
komputasi
4 2017
Classification of Gujarati
Documents using Naïve
bayes Classifier
Akurasi penggolongan Naïve
bayes tanpa dan menggunakan
fitur seleksi adalah 75,74% dan
88,96%.
5 2018 An Extensive Study Of SVM adalah yang terbaik dari
11
No Tahun Judul Kesimpulan
Sentiment Analysis Tools
And Binary Classification
Of Tweets Using Rapid
Miner
segi akurasi dan presisi
sedangkan Naïve bayes adalah
yang terbaik dari segi recall.
2.2 Dasar Teori
2.2.1 Data Mining
Data mining adalah proses ekstraksi informasi dan pola yang bermanfaat
yang diambil dari data yang banyak (Raval, 2012). Sedangkan menurut Aggarwal
(2015) data mining adalah studi untuk pengumpulan, pembersihan, pemrosesan,
analisis dan mendapatkan pengetahuan yang berguna dari data.
Data mining adalah proses mencari pola atau informasi yang menarik
dalam data terpilih dengan menggunakan teknik atau metode tertentu (Muzakir
dan Wulandari, 2016). Lalu Rosadi dkk. (2016) juga menyatakan hal yang sama
yaitu data mining mengacu kepada proses atau metode untuk mengekstrak atau
menambang pengetahuan atau pola dari sejumlah data yang besar.
Dapat disimpulkan bahwa data mining adalah penerapan suatu metode
terhadap sejumlah data yang besar untuk menggali atau mencari pola, informasi,
maupun pengetahuan yang berguna yang tersimpan dalam data tersebut.
2.2.2 Knowledge Discovery in Database (KDD)
Banyak orang menyamakan data mining sebagai sinonim untuk istilah
populer lainnya, Knowledge Discovery From Data, atau KDD, sementara yang
lain melihat data mining hanya sebagai langkah penting dalam proses knowledge
12
discovery (Han dkk. 2011). Dalam hal ini Nofriansyah (2014) lebih setuju bahwa
data mining hanyalah salah satu tahapan dalam keseluruhan proses KDD.
Gambar 2.1 Proses Knowledge Discovery in Database
Sumber: Nofriansyah (2014)
Berdasarkan Gambar 2.1 di atas, proses KDD dapat dijelaskan sebagai
berikut (Nofriansyah, 2014):
1. Data Selection
Proses seleksi atau pemilihan terhadap data yang akan digunakan untuk
proses data mining berdasarkan kebutuhan. Data yang telah diseleksi
tersebut akan disimpan terpisah dari database operasional agar lebih
mudah untuk digunakan.
2. Pre-processing (Cleaning)
Merupakan proses untuk memperbaiki dan/atau membuang data yang tidak
sempurna, hilang, tidak valid, salah ketik, memiliki atribut yang tidak
relevan, dll. Pembersihan ini akan menyebabkan jumlah dan kompleksitas
data menjadi berkurang sehingga mempengaruhi performasi data mining.
13
3. Transformation
Merupakan proses untuk membuat atau merubah format data agar bisa
diaplikasikan ke dalam teknik data mining. Misalnya teknik asosiasi dan
klastering yang hanya bisa menerima input-input kategorikal. Tahap
transformasi sangat dibutuhkan oleh beberapa teknik data mining untuk
menentukan kualitas dari hasil data mining.
4. Data Mining
Data mining merupakan proses mencari pola atau informasi yang menarik
menggunakan metode tertentu yang telah disesuaikan dengan tujuan dan
proses KDD secara keseluruhan.
5. Interprestation (Evaluation)
Interprestation dan Evaluation merupakan proses untuk menampilkan
hasil pola atau informasi dari proses data mining ke dalam bentuk yang
mudah dimengerti dan melakukan pemeriksaan kesesuain pola atau
informasi tersebut terhadap hipotesis.
2.2.3 Pengelompokan Data Mining
Permasalahan dalam data mining secara luas dapat dikelompokkan ke
dalam model pembelajaran yang supervised atau unsupervised. Selain itu juga
dapat dikelompokkan menjadi klasifikasi, regresi, analisis asosiasi, deteksi
anomali, deret waktu, dan text mining. (Kotu & Deshpande, 2014).
Berikut ini adalah penjelasan dari masing-masing masalah dalam data
mining menurut Kotu dan Deshpande (2014):
14
1. Klasifikasi
Teknik klasifikasi merupakan teknik untuk memprediksi variabel target
berdasarkan variabel input. Prediksi dari klasifikasi didasarkan pada model
yang dibangun dari kumpulan data yang sebelumnya telah dikenal.
Klasifikasi memprediksi variabel output dengan tipe data kategorikal
ataupun polinominal (misalnya, prediksi keputusan ya atau tidak untuk
menyetujui pinjaman).
2. Regresi
Regresi hampir sama dengan klasifikasi hanya saja variabel output-nya
adalah numerik (misalnya, suku bunga kredit pada pinjaman).
3. Klastering
Klastering adalah proses untuk mengidentifikasi pengelompokan alami
dalam kumpulan data. Misalnya, untuk menemukan kelompok alami
dalam dataset pelanggan yang dapat digunakan untuk segmentasi pasar.
Karena klastering termasuk dalam unsupervised data mining, maka
keputusan akan terserah kepada pengguna akhir untuk menyelidiki
mengapa klaster tersebut terbentuk dalam data.
4. Analisis Asosiasi
Dalam analisis ritel sudah umum untuk mengidentifikasi pasangan barang
yang dibeli bersama, sehingga barang tertentu dapat dikelompokkan atau
ditempatkan secara berdampingan. Pengelompokan ini disebut analisis
keranjang pasar atau analisis asosiasi, yang umumnya digunakan dalam
mesin rekomendasi.
15
5. Deteksi Anomali
Anomali atau deteksi outlier adalah proses untuk mengidentifikasi titik-
titik data yang sangat berbeda dari titik data lain dalam dataset. Deteksi
penipuan transaksi kartu kredit adalah salah satu aplikasi deteksi anomali
yang paling produktif.
6. Deret Waktu
Teknik time series atau deret waktu merupakan teknik untuk memprediksi
masa depan berdasarkan data yang sudah ada dibeberapa tahun
sebelumnya. Misalnya, prediksi cuaca harian berdasarkan data pada
beberapa tahun terakhir.
7. Text Mining
Text Mining atau Penambangan Teks adalah aplikasi data mining dimana
data yang di-input adalah teks, bisa dalam bentuk dokumen, pesan, email,
atau halaman web. Untuk membantu penambangan data pada data teks,
file teks diubah menjadi vektor dokumen dengan setiap kata unik dianggap
sebagai atribut. Setelah file teks diubah menjadi vektor dokumen, teknik
data mining seperti klasifikasi, pengelompokan, dll. dapat diterapkan pada
file teks.
8. Feature Selection
Pilihan fitur adalah proses dimana atribut dalam kumpulan data dikurangi
menjadi beberapa atribut yang sangat penting.
16
2.2.4 Text Mining
Text mining merupakan bagian dari data mining yang mengolah data
berupa teks atau dokumen, hal ini telah dijelaskan pada sub bab pengelompokan
data mining di atas. Pada sub bab ini akan dijelaskan lebih lanjut mengenai text
mining dan hubungannya dengan analisis sentimen.
Pengertian mengenai text mining sangat bervariasi, menurut Miner, dkk.
(2012) text mining dan analisis teks adalah istilah umum yang menggambarkan
berbagai teknologi untuk menganalisa dan memproses data teks yang
semiterstruktur dan tidak terstruktur. Sedangkan menurut Priyanto dan Ma’arif
(2018) text mining merupakan teknik atau pendekatan algoritma berbasis
komputer untuk mendapatkan suatu pengetahuan baru yang tersembunyi dari
sekumpulan teks. Lalu menurut Jusoh dan Alfawareh (2012) text mining adalah
bidang interdisipliner yang mengacu pada pengambilan informasi, data mining,
pembelajaran mesin, statistik, dan linguistik komputasional.
Kesimpulan yang didapat dari beberapa pengertian di atas adalah bahwa
text mining merupakan data mining yang difokuskan untuk mengolah atau
menggali informasi dari data berupa teks atau dokumen.
Selain terkait dengan data mining, text mining juga memiliki keterkaitan
dengan beberapa cabang ilmu lain seperti Statistics, Artificial Intelligence (AI)
dan Machine Leraning, Computational Linguistics, Lybrary dan Information
Sciences, serta Databases. Untuk lebih jelasnya, berikut ini adalah gambar yang
menunjukan ruang lingkup pembahasan mengenai text mining yang terkait dengan
cabang ilmu yang telah disebutkan.
17
Gambar 2.2 Ruang Lingkup Text Mining
Sumber: Miner, dkk. (2012)
Berdasarkan Gambar 2.2 di atas, ruang lingkup text mining dapat
dijelaskan sebagai berikut (Miner, dkk., 2012):
1. Search dan Information Retrieval (IR)
IR merupakan penyimpanan dan pengambilan dokumen teks, termasuk
mesin pencari dan pencarian kata kunci. Dalam bahasa Indonesia biasa
disebut dengan sistem temu kembali informasi.
18
2. Document Clustering
Pengelompokan dan pengkategorian istilah, cuplikan, paragraf, atau
dokumen, menggunakan metode pengelompokan data mining.
3. Document Classification
Pengelompokan dan pengkategorian cuplikan, paragraf, atau dokumen,
menggunakan metode klasifikasi data mining berdasarkan model yang
dilatih pada sampel yang telah diberi label.
4. Web Mining
Data mining dan text mining pada internet, yang berfokus pada skala dan
keterkaitan antar web.
5. Information Extraction (IE)
Identifikasi dan ekstraksi fakta dan hubungan yang relevan dari teks tidak
terstruktur atau proses pembuatan data terstruktur dari teks yang tidak
terstruktur dan semi terstruktur.
6. Natural Language Processing (NLP)
Pemrosesan bahasa tingkat rendah dan tugas pemahaman (misalnya,
menandai bagian dari pidato), sering disamakan dengan linguistik
komputasional.
7. Concept Extraction
Pengelompokan kata dan frasa ke dalam kelompok makna yang serupa.
Berdasarkan pengertian masing-masing bagian dari ruang lingkup text
mining di atas, maka analisis sentimen dalam penelitian ini akan termasuk ke
19
dalam lingkup Document Classification. Lebih jelasnya dapat dilihat melalui
gambar berikut ini:
Gambar 2.3 Document Classification
Sumber: Miner, dkk. (2012)
2.2.5 Tahapan Text Mining
Berdasarkan pengertian text mining pada sub bab sebelumnya, tahapan text
mining tidaklah jauh berbeda dengan proses KDD. Menurut Yusuf, dkk. (2018)
tahapan text mining meliputi proses awal terhadap teks (text preprocessing),
transformasi teks (text transformation), pemilihan fitur-fitur yang sesuai (feature
selection) dan penemuan pola (pattern discovery). Sedangkan menurut sumber
lain bisa dilihat melalui gambar di bawah ini:
20
Gambar 2.4 Tahapan Text Mining
Sumber: Lutfiyani, dkk. (2015)
Salah satu tahapan text mining yang sangat penting adalah text
preprocessing. Tujuan dilakukannya preprocessing dokumen adalah untuk
menghilangkan noise, menyeragamkan bentuk kata dan mengurangi volume kata
(Turmudi dan Nugroho, 2017).
Tahapan dokumen atau teks preprocessing menurut Turmudi dan Nugroho
(2017) adalah sebagai berikut:
1. Transform case untuk merubah setiap huruf menjadi huruf kecil.
2. Tokenize untuk memecah kalimat menjadi perkata.
3. Filter stopwords untuk menyaring setiap kata yang tidak punya arti untuk
di hilangkan.
4. Filter tokens by length untuk pembuangan kata yang tidak jelas maknanya
berdasar panjang katanya.
5. Stem (dictionary) untuk menyetandarkan kata-kata berimbuhan kedalam
kata aslinya mengacu pada kamus.
Sedangkan dalam penelitian yang dilakukan oleh Permana, Ismasari, &
Effendi (2018) tahapan preprocessing yang dilakukan adalah sebagai berikut:
1. Case Folding untuk menghilangkan angka dan tanda baca.
21
2. Tokenizing mengubah semua huruf menjadi kecil (lowercase) dan
memecah kalimat menjadi kata.
3. Stopword Removal memeriksa dan membuang stopword list. Stopword list
adalah daftar kata-kata penghubung antar kalimat yang semestinya
dihilangkan.
2.2.6 Analisis Sentimen
Menurut Feldman (2013) analisis sentimen adalah tugas menemukan opini
dari penulis tentang suatu entitas tertentu. Lalu menurut Zhang dan Liu (2016),
analisis sentimen bisa disebut juga dengan opinion mining yang merupakan
bidang studi untuk menganalisa pendapat, pandangan, evaluasi, penilaian, sikap,
dan emosi terhadap entitas dan aspek-aspeknya yang diekspresikan melalui teks.
Pada jurnal sebelumnya Liu (2012) menyebutkan bahwa entitas bisa meliputi
produk, layanan, organisasi, individu, masalah, peristiwa, topik, dan atribut-
atributnya. Haddi dkk. (2013) menggolongkan analisis sentimen sebagai tugas
klasifikasi karena mengklasifikasikan orientasi teks menjadi positif atau negatif.
Sedangkan Zhang dan Liu (2016) memaparkan bahwa orientasi dari sentimen
adalah positif, negatif, dan netral.
Berdasarkan beberapa sumber di atas maka dapat dikatakan bahwa analisis
sentimen merupakan studi untuk menganalisa opini terhadap suatu entitas yang
diolah dari teks dengan tujuan untuk mengklasifikasikan teks tersebut ke dalam
orientasi positif, negatif atau netral.
Hal-hal penting yang berhubungan dengan analisis sentimen berdasarkan
pengertiannya antara lain:
22
1. Opini, Sentimen dan Entitas
Menurut Kamus Besar Bahasa Indonesia (KBBI) melalui
https://kbbi.web.id opini adalah pendapat, pikiran, atau pendirian,
sedangkan sentimen adalah pendapat atau pandangan yang didasarkan
pada perasaan yang berlebih-lebihan terhadap sesuatu (bertentangan
dengan pertimbangan pikiran), dan entitas adalah wujud atau satuan yang
berwujud.
Menurut Liu (2012) dalam (Zang dan Liu, 2016) istilah pendapat (opinion)
dalam analisis sentimen (opinion mining) dapat diwakili dengan quadruple
(s, g, h, t) yang meliputi empat komponen yaitu: orientasi sentimen s,
target sentimen g, pemegang pendapat h, dan waktu t. Sentimen mewakili
perasaan, sikap, evaluasi, atau emosi terkait dengan pendapat. Orientasi
sentimen meliputi positif, negatif atau netral. Target sentimen atau target
opinion, adalah entitas, atau aspek entitas yang telah diungkapkan
berdasarkan sentimen. Pemegang pendapat adalah individu atau organisasi
yang memegang pendapat. Waktu adalah ketika pendapat dinyatakan.
Untuk memahami permasalahan dalam membedakan kalimat sentimen,
mereka mencontohkan pada kasus pemilihan kamera yang di posting oleh
John Smith pada 10 September 2011 sebagai berikut:
“(1) Saya membeli kamera Canon G12 enam bulan lalu. (2) Saya sangat
menyukainya. (3) Kualitas gambarnya luar biasa. (4) Ketahanan
baterainya juga menakjubkan. (5) Namun, istri saya berpikir itu terlalu
berat baginya.”
23
Berdasarkan quadruple hasil analisis sentimen dari kalimat 2, 3, 4 dan 5,
masing-masing adalah sebagai berikut:
(positif, kamera Canon G12, pemosting, 2011/09/10)
(positif, kualitas gambar dari kamera Canon G12, pemosting, 2011/09/10)
(positif, baterai kamera Canon G12, pemosting, 2011/09/10)
(negatif, berat Canon G12 kamera, istri pemosting, 2011/09/10)
2. Klasifikasi
Klasifikasi telah sedikit dibahas pada sub bab 2.2.3 Pengelompokan Data
Mining. Dalam sub bab ini akan dibahas mengenai klasifikasi dan
kinerjanya dalam analisis sentimen.
Menurut Permana (2017) klasifikasi adalah pembagian sesuatu menurut
kelas-kelas dan kategori kelasnya sudah ditentukan sebelumnya.
Klasifikasi mempunyai unsur utama untuk menentukan label kelas pada
suatu set kasus yang belum terklasifikasi (Shrivastava dan Shukla, 2014).
Intinya klasifikasi dalam analisis sentimen adalah proses untuk
menentukan kelas atau nilai dari suatu objek (teks atau dokumen)
berdasarkan kelas yang telah ditentukan sebelumnya.
Misalnya dalam suatu sistem analisis sentimen, ada suatu dokumen atau
teks yang dimasukkan ke dalam sistem tersebut, maka sistem analisis
sentimen tersebut akan mengklasifikasikan atau menilai atau memberikan
penilaian terhadap dokumen tersebut ke dalam positif, negatif atau netral.
Lebih jelasnya bisa dilihat pada gambar berikut:
24
Input Proses Output
Gambar 2.5 Klasifikasi dalam Analisis Sentimen
2.2.7 Naïve bayes
Naive bayes merupakan pengklasifikasian dengan probalitas dan statistik
yang dikemukakan oleh ilmuwan Inggris Thomas Bayes yaitu memprediksi
peluang dimasa depan berdasarkan pengalaman dimasa sebelumnya (Bustami,
2014).
Metode naïve bayes mempunyai 2 (dua) tahapan ketika proses klasifikasi
teks, yaitu proses pelatihan dan proses klasifikasi. Algoritma klasifikasi naïve
bayes bertujuan untuk mencari klasifikasi dari data yang akan diujikan dengan
mencari nilai probabilitas tertinggi dalam pengujian data (Permana, dkk., 2018).
Berdasarkan beberapa penelitian yang telah saya sebutkan pada sub bab
2.1 Kajian Pustaka, didapatkan bahwa metode naïve bayes memiliki beberapa
keunggulan diantaranya dari segi akurasi yang baik, kecepatan komputasi, dan
dapat bekerja dengan baik dalam pengklasifikasian teks meski menggunakan
dataset training yang sedikit.
2.2.8 Persamaan Metode Naïve bayes
Metode naïve bayes mempunyai dua tahapan untuk menghasilkan
kesimpulan (positif, negatif, atau netral) dalam analisis sentimen yaitu tahap
training dan tahap klasifikasi. Berdasarkan buku yang ditulis oleh Christopher D.
Dokumen atau
Teks
Algoritma
Klasifikasi
Positif atau
Negatif atau
Netral
25
Manning dkk (2008) tahap training naïve bayes dalam analisis sentimen adalah
sebagai berikut:
1. Menghitung prior masing-masing kelas dalam dokumen
Dimana:
Nc = Jumlah dokumen dalam data training dengan kelas c
Ndoc = Jumlah total dokumen dalam data training
2. Menghitung likelihood masing-masing kata dalam masing-masing kelas
Dimana:
wi = kata ke i dalam dokumen pada kategori atau kelas c
V = union dari semua kata dalam dokumen
Masalah yang timbul dalam training likelihood adalah dimana kata yang
dicari tidak terdapat dalam dokumen yang akan menghasilkan nilai 0.
Untuk mengatasi hal ini maka dilakukan smoothing terhadap persamaan
sebelumnya menjadi:
26
Sedangkan tahap klasifikasi naïve bayes adalah perkalian antara prior
dengan likelihood atau sesuai dengan rumus berikut:
Dimana:
X = dokumen yang belum terklasifikasi
c = kelas dokumen dalam data training
Penentuan kelas dokumen X didapat dari nilai terbesar P(X) terhadap
masing-masing kelas c.
2.3 Teori Perancangan Sistem
2.3.1 Metode Extreme Programming (XP)
Metode XP merupakan metode pengembangan sistem yang responsif
terhadap perubahan, bahkan ketika sistem hampir selesai masih boleh untuk
dimodifikasi (Sulianta, 2017). Metode ini adalah salah satu metodologi yang
banyak digunakan oleh para developer dan merupakan metodologi yang cepat
(Suryantara, 2017). Metode XP mempunyai beberapa kelebihan antara lain:
1. Cocok untuk pengembangan sistem yang relatif kecil hingga skala
menengah.
2. Cocok untuk pengembangan sistem yang memerlukan adaptasi cepat
dalam perubahan-perubahan yang terjadi selama pengembangan aplikasi.
3. Cocok untuk pengembangan sistem yang mempunyai requirements yang
tidak jelas dari klien.
4. Cocok untuk pengembang yang tidak memiliki tim yang banyak.
27
5. Cocok dikombinasikan dengan perancangan berbasis objek.
Tahapan pengembangan perangkat lunak dengan XP menurut Suryantara
(2017) adalah sebagai berikut:
1. Planning (Perencanaan). Tahap ini dimulai dengan pemahaman konteks
bisnis dari aplikasi, mendefinisikan keluaran (output), fitur yang ada pada
aplikasi yang dibuat, penentuan waktu dan biaya pengembangan aplikasi,
serta alur pengembangan aplikasi.
2. Desain (Perancangan). Tahap ini menekankan pada desain aplikasi secara
sederhana. Alat untuk mendesain pada tahap ini dapat menggunakan kartu
CRC (Class Responsibility Collaborator). CRC digunakan untuk pemetaan
(membangun) kelas-kelas yang akan digunakan pada diagram use case,
Class diagram dan diagram objek.
3. Coding (Pengkodean). Tahap ini adalah hal utama dalam pengembangan
aplikasi dengan menggunakan XP.
4. Testing (Pengujian). Tahap ini menfokuskan pada pengujian fitur-fitur
yang ada pada aplikasi sehingga tidak ada kesalahan atau eror.
2.3.2 Unified Modeling Language (UML)
Menurut Rosa A.S. dan M. Shalahuddin (2018), UML adalah standar
bahasa yang banyak digunakan di dunia industri untuk mendefinisikan requitment,
membuat analisis dan desain, serta menggambar arsitektur dalam pemograman
berorientasi obyek.
UML (Unified Modeling Languange) adalah sebuah bahasa untuk
menentukan, visualisasi, kontruksi dan mendokumentasikan artifact (bagian dari
28
informasi yang digunakan atau dihasilkan dalam suatu proses pembuatan
perangkat lunak). Saat ini UML sudah menjadi bahasa standar dalam penulisan
blue print software.
Adapun tujuan dari penggunaan UML (Unified Modeling Languange)
antara lain adalah sebagai berikut:
1. Memberikan bahasa pemodelan yang bebas dari berbagai bahasa
pemograman dan proses rekayasa.
2. Menyatukan praktek-praktek terbaik yang terdapat dalam pemodelan.
3. Memberikan model yang siap pakai, bahasa pemodelan visual yang
ekspresif untuk mengembangkan dan saling menukar model dengan
mudah dan dimengerti secara umum.
UML bisa juga berfungsi sebagai sebuah blue print (cetak biru) karena
sangat lengkap dan detail. Dengan cetak biru ini maka akan bisa diketahui
informasi secara detail tentang coding program atau bahkan membaca program
dan menginterprestasikan kembali ke dalam bentuk diagram (reserve enginering).
2.3.3 Use Case Diagram
Use case diagram adalah rangkaian atau uraian sekelompok yang saling
terkait dan membentuk sistem secara teratur yang dilakukan atau diawasi oleh
sebuah aktor. Use case digunakan untuk membentuk tingkah laku benda (thing)
dalam sebuah mode serta direalisaikan oleh sebuah collaborator umumnya use
case digambarkan dengan sebuah elips dengan garis yang solid, yang biasanya
mengandung nama. Use case menggambarkan proses sistem (kebutuhan sistem
dari sudut pandang user)
29
Tabel 2. 2 Simbol-Simbol Use Case Diagram
NAMA SIMBOL DESKRIPSI
Actor
Mengspesifikasikan himpunan peran yang
pengguna mainkan ketika berinteraksi dengan
use case.
Include
Mengspesifikasikan bahwa use case sumber
secara eksplisit.
Extend
Mengspesifikasikan bahwa use case target
memperluas perilaku dari use case sumber
pada suatu titik yang diberikan
Association
Apa yang menghubungkan antara objek satu
dengan objek yang lainnya
Use Case
Deskripsi dari urutan aksi-aksi yang
ditampilkan sitem yang menghasilkan suatu
hasil yang terukur bagi suatu actor
Generalization
Hubungan generalisasi dan spesialisasi
(umum-khusus) antara dua buah use case.
Sumber: Rosa A.S. dan M. Shalahuddin (2018)
2.3.4 Class Diagram
Class diagram adalah model statis yang menggambarkan struktur dan
deskripsi Class serta hubungan antar Class. Class diagram mirip dengan ER-
Diagram pada perancangan database, bedanya pada ER-Diagram tidak terdapat
operasi tapi hanya atribut. Class terdiri dari nama kelas, atribut dan operasi
(method).
30
Tabel 2.3 Simbol-Simbol Class Diagram
NAMA SIMBOL DESKRIPSI
Generalization
Relasi antarkelas dengan makna
generalisasi-spesialisasi (umum-khusus).
Class
Kelas pada struktur sistem, terdiri dari:
nama kelas, atribut dan operasi.
Interface
Mirip dengan kelas namun tidak memiliki
atribut dan memiliki metode yang
dideklarasikan tanpa isi.
Aggregation
Relasi antar kelas dengan makna semua-
bagian (whole-part).
Dependency
Hubungan dimana perubahan yang terjadi
pada suatu elemen mandiri (independent)
akan mempengaruhi elemen yang
bergantung padanya elemen yang tidak
mandiri.
Association
Apa yang menghubungkan antara objek satu
dengan objek lainnya.
Sumber: Rosa A.S. dan M. Shalahuddin (2018)
2.3.5 Activity Diagram
Diagram aktifitas atau Activity diagram menggambarkan workflow (aliran
kerja) atau aktivitas dari sebuah sistem atau proses bisnis. Activity diagram
menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang
bagaimana masing-masing alir berawal, decisison yang mungkin terjadi, dan
31
bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses
paralel yang mungkin terjadi pada beberapa eksekusi.
Tabel 2. 4 Simbol-Simbol Activity Diagram
NAMA SIMBOL DESKRIPSI
Swimlane
Menunjukan siapa yang bertanggung
jawab dalam melakukan aktivitas dalam
suatu diagram.
Activity
Langkah-langkah dalam sebuah
Activity, action bisa terjadi saat
memasuki Activity, meninggalkan
Activity atau event yang spesifik.
Initial State
Menunjukan dimana aliran kerja
dimulai.
Final State
Menunjukan dimana aliran kerja
diakhiri.
Decision
Menunjukan suatu keputusan yang
mempunyai satu atau lebih transisi.
Join
Asosiasi penggabungan dimana lebih
dari satu aktivitas digabungkan menjadi
satu.
Sumber: Rosa A.S. dan M. Shalahuddin (2018)
2.3.6 Sequence Diagram
Sequence diagram menggambarkan interaksi antara sejumlah objek dalam
urutan waktu. Kegunaanya untuk menunjukkan rangkaian pesan yang dikirim
antara objek juga interaksi antar objek yang terjadi pada titik tertentu dalam
32
eksekusi sistem. Dalam UML, objek, pada diagram sequence digambarkan dengan
segi empat, yang berisi nama dari objek yang digaris bawahi. Terdapat tiga cara
untuk menamai objek yaitu, nama objek, nama objek dan class serta nama class.
Tabel 2.5 Simbol-Simbol Sequence Diagram
NAMA SIMBOL DESKRIPSI
Actor
Spesifikasi peran
pengguna pada Sequence
diagram
Life Line
Objek entity, antarmuka
yang saling berinteraksi
Object
Menyatakan objek yang
berinteraksi pesan
Life Time
Menyatakan objek dalam
keadaan aktif dan
berinteraksi
Message
1. Pesan tipe create
1. Pesan tipe create:
menyatakan suatu
objek membuat objek
lain.
2. Pesan tipe call
2. Pesan tipe call:
menyatakan suatu
objek memanggil
operasi atau metode
yang ada pada objek
lain atau dirinya
sendiri.
33
NAMA SIMBOL DESKRIPSI
3. Pesan tipe send
3. Pesan tipe send:
menyatakan bahwa
suatu objek mengirim
data atau masukan atau
informasi ke objek
lainnya.
4. Pesan tipe return
4. Pesan tipe return:
menyatakn hasil atau
kembalian ke objek
tertentu.
5. Pesan tipe destroy
5. Pesan tipe destroy:
menyatakan suatu
objek mengakhiri
hidup objek lain.
Sumber: Rosa A.S. dan M. Shalahuddin (2018)
2.3.7 Metode Pengujian Black Box
Pengujian atau testing dalam metode XP sudah sedikit disinggung pada
sub bab 2.3.1 Metode Extreme Programming (XP). Pada sub bab ini akan
dijelaskan mengenai pengujian black-box dan bagaimana proses testing berjalan
dalam pelaksanaan metode XP.
Berbeda dengan model waterfall yang melakukan testing ketika semua
program telah selesai, testing dalam metode XP dapat dilakukan per modul,
34
sehingga programmer dapat menangani masalah lebih awal jika ada kesalahan
(Suryantara, 2017).
Black-Box testing (Pengujian kotak hitam) yaitu menguji perangkat lunak
dari segi spesifikasi fungsional tanpa menguji desain dan kode program,
pengujian dimaksudkan untuk mengetahui apakah fungsi-fungsi, masukan dan
keluaran dari perangkat lunak sesuai dengan spesifikasi yang dibutuhkan (Rosa
A.S. dan M. Shalahuddin, 2018).
Pengujian kotak hitam dilakukan untuk membuat kasus uji yang bersifat
mencoba semua fungsi dengan memakai perangkat lunak apakah sesuai dengan
spesifikasi yang dibutuhkan. Kasus uji coba yang dibuat dengan kasus benar dan
kasus salah, misalkan untuk proses login maka kasus uji yang dapat dibuat adalah:
1. Jika user memasukan Username dan Password yang benar.
2. Jika user memasukan Username dan Password yang salah, misalkan nama
pemakai benar tapi kata sandi salah sebaliknya, atau bahkan keduanya
salah.
2.4 Tinjauan Objek Penelitian
2.4.1 Perguruan Tinggi
Berdasarkan UU No. 12 tahun 2012, Perguruan Tinggi (PT) adalah satuan
pendidikan yang menyelenggarakan pendidikan tinggi yang mencakup program
diploma, sarjana, magister, doktor, dan profesi, serta spesialis. Dalam UU ini PT
terbagi menjadi 2 yaitu:
1. Perguruan Tinggi Negeri (PTN) yaitu PT yang didirikan oleh pemerintah.
2. Perguruan Tinggi Swasta (PTS) yaitu PT yang didirikan oleh masyarakat.
35
Kewajiban PT adalah untuk menyelenggarakan pendidikan, penelitian, dan
pengabdian kepada masyarakat yang selanjutnya disebut dengan Tridharma
Perguruan Tinggi (UU No. 12 tahun 2012).
2.4.2 Data Evaluasi Kinerja Dosen
Berdasarkan KBBI online, data adalah keterangan yang benar dan nyata,
lalu evaluasi adalah penilaian, dan kinerja adalah sesuatu yang dicapai atau
prestasi yang diperlihatkan atau kemampuan kerja (tentang peralatan), lalu dosen
adalah tenaga pengajar pada perguruan tinggi. Maka Data Evaluasi Kinerja Dosen
adalah suatu keterangan yang benar dan nyata mengenai penilaian terhadap
prestasi atau kemampuan tenaga pengajar pada perguruan tinggi.
Dosen adalah pendidik profesional dan ilmuwan dengan tugas utama
mentransformasikan, mengembangkan, dan menyebarluaskan Ilmu Pengetahuan
dan Teknologi melalui Pendidikan, Penelitian, dan Pengabdian kepada
Masyarakat. (UU No 12 tahun 2012).
2.4.3 Sistem Kuesioner Berbasis Web
Berdasarkan KBBI online, sistem adalah perangkat unsur yang secara
teratur saling berkaitan sehingga membentuk suatu totalitas, kuesioner adalah alat
riset atau survei yang terdiri atas serangkaian pertanyaan tertulis, bertujuan
mendapatkan tanggapan dari kelompok orang terpilih melalui wawancara pribadi
atau melalui pos. Berbasis memiliki arti berdasarkan atau melalui dan web
mempunyai arti sistem yang bisa diakses melalui jaringan atau internet.
Kesimpulan berdasarkan pemaparan di atas sistem kuesioner berbasis web
adalah media atau aplikasi atau sistem untuk menyajikan serangkaian pertanyaan
36
tertulis dengan tujuan mendapatkan tanggapan dari sekelompok orang terpilih
yang bisa diakses melalui jaringan atau internet.
2.5 Kerangka Berfikir
Penelitian ini menggunakan dataset evaluasi kinerja dosen yang didapat
dari hasil observasi dan studi dokumentasi, sedangkan metode yang diusulkan
(Proposed Method) yaitu naïve bayes yang merupakan algoritma klasifikasi
dengan indikator (Indicators) variabel yang diamati berasal dari dokumen yang
belum terklasifikasi dan data training untuk mengambil nilai keputusan. Tujuan
(Objectives) penelitian ini yaitu menghasilkan sebuah keputusan dengan hasil
(Result) keputusan yaitu meliputi postif atau negatif atau netral. Jika digambarkan
maka kerangka pemikiran pada penelitian ini adalah sebagai berikut:
Gambar 2.6 Kerangka Berfikir
37
BAB III
METODOLOGI PENELITIAN
3.1 Objek Penelitian
Objek penelitian merupakan suatu yang dijadikan fokus dalam melakukan
suatu penelitian, yang dijadikan objek atau fokus dalam penelitian ini adalah
mengenai implementasi metode naïve bayes untuk analisis sentimen data evaluasi
kinerja dosen pada sistem kuesioner berbasis web.
3.2 Pengumpulan Data
Proses untuk mengumpulkan data yang diperlukan dalam implementasi
metode naïve bayes untuk analisis sentimen data evaluasi kinerja dosen pada
sistem kuesioner berbasis web adalah sebagai berikut:
1. Observasi
Melalui metode ini, peneliti melakukan pengamatan secara langsung
disalah satu perguruan tinggi di Bekasi terkait dengan penelitian yang
dilakukan, meliputi: mengamati alur proses sistem kuesioner manual yang
sedang berjalan, isi dokumen kuesioner, proses perekapan data kuesioer
dan hasil rekapan atau laporan hasil kuesioner.
2. Studi Dokumentasi
Metode ini dilakukan dengan mengumpulkan berkas kuesioner manual
yang pernah dilakukan, contoh rekapan laporan hasil kuesioner, dan isi
dokumen kuesioner yang digunakan. Dalam hal ini data yang diambil
hanya data kuesioner Evaluasi Proses Belajar Mengajar (EPBM) periode
Genap 2017/2018.
38
3. Studi Pustaka
Malalui metode ini, penulis melakukan pembelajaran dari jurnal-jurnal,
buku-buku dan/atau literatur-literatur yang berkaitan dengan analisis
sentimen dan metode naïve bayes, serta materi-materi penunjang lainnya
meliputi data mining, knowledge discovery in database (KDD),
pengelompokan data mining, text mining, extreme programming (XP),
unified modeling language (UML), dll.
3.3 Analisa Sistem Yang Berjalan
Sistem yang selama ini berjalan untuk melakukan Evaluasi Proses Belajar
Mengajar disalah satu Perguruan Tinggi di Bekasi ini adalah menggunakan
kuesioner manual. Pelaksanaan evaluasi dilakukan pada tiap akhir semester atau
dilakukan dua kali dalam satu tahun, tepatnya pada saat Ujian Akhir Semester
(UAS). Sebelum pelaksanaan UAS dimulai, 5-10 menit pertama dilakukan untuk
mengisi kuesioner EPBM.
Kuesioner EPBM ini mempunyai dua jenis data yaitu data kuantitatif dan
data kualitatif. Data kuantitatif adalah daftar saran yang jawabannya memiliki
nilai, dalam hal ini nilainya adalah 1-4, dengan keterangan sebagai berikut: (1)
Tidak Setuju, (2) Kurang Setuju, (3) Setuju, dan (4) Sangat Setuju. Sedangkan
data kualitatifnya adalah berupa kolom saran yang diisi secara manual oleh
mahasiswa. Untuk lebih jelasnya dapat dilihat pada Gambar 3.1 Kuesioner
Manual pada halaman selanjutnya.
39
Gambar 3.1 Kuesioner Manual
Sumber: Data Primer (2018)
40
Sesuai dengan Gambar 3.1 di atas yang sudah dihilangkan logo dan nama
perguruan tingginya, dapat dilihat bahwa terdapat 9 data kuantitatif pada evaluasi
fasilitas dan 10 data kuantitatif pada evaluasi dosen. Sedangkan data kualitatif
hanya ada satu yaitu pada kolom saran yang wajib diisi oleh mahasiswa.
Proses perekapan data dilakukan setelah UAS selesai. Data kuesioner
dikumpulkan dan direkap secara manual menggunakan Microsoft Excel. Dengan
proses manual ini dibutuhkan waktu sampai dua minggu untuk mengolah data
kuantitatif dan kualitatif. Jumlah total kuesioner ada 2334 kuesioner, namun total
rekapan data saran yang didapat oleh peneliti hanya 1138 yang berarti ada 51,24%
peserta yang tidak mengisi saran pada kuesioner tersebut.
Data saran dikumpulkan per-matakuliah dan per-nama dosen lalu direkap
dengan cara membaca saran satu per-satu, namun yang direkap hanya 3-5 saran
saja, hal ini menyebabkan banyak data saran yang tidak terpakai.
Berdasarkan pemaparan di atas maka terdapat beberapa masalah yang
terjadi pada sistem yang sedang berjalan antara lain:
1. Waktu pengisian yang dilakukan sangat singkat yaitu 5-10 menit sebelum
UAS dimulai, hal ini menyebabkan proses pengisian tidak objektif dan
banyak yang mengisinya secara sembarang, serta banyak yang tidak
mengisi kolom saran.
2. Perekapan data dilakukan selama dua minggu, namun akhirnya masih
banyak data saran yang tidak terpakai.
3. Kolom saran hanya ada satu saja menyebabkan tercampurnya saran untuk
fasilitas dan saran untuk dosen.
41
3.4 Sistem Yang Diusulkan
Sistem yang diusulkan berupa sistem kuesioner bersabasis web yang
memiliki setting periode dan setting analisis sentimen serta sistem pelaporan file
excel dengan filter periode, dosen dan matakuliah. Dengan sistem yang akan
dibuat ini diharapkan dapat mengatasi masalah-masalah yang terjadi pada sistem
yang selama ini berjalan.
3.5 Alur Proses Analisis Sentimen
Alur proses analisis sentimen tidaklah jauh berbeda dengan kerangka
berfikir pada BAB sebelumnya, yaitu sebagai berikut:
Gambar 3.2 Alur Proses Analisis Sentimen
42
3.5.1 Data Training dan Data Testing
Data training adalah data saran yang telah diberikan label positif, negatif,
dan netral secara manual oleh peneliti. Jumlah data training yang diperoleh ada
1138. Namun data tersebut masih tercampur antara saran untuk fasilitas dan saran
untuk dosen.
Penelitian ini hanya fokus pada analisis sentimen terhadap evaluasi kinerja
dosen, sehingga data saran harus dipisahkan antara saran untuk fasilitas dan saran
untuk dosen. Setelah dipisahkan, didapatkanlah 994 data saran untuk dosen.
Sebanyak 794 saran digunakan sebagai data training dan 200 saran digunakan
sebagai data testing. Data testing sama dengan data training hanya saja data
testing digunakan untuk pengujian metode naïve bayes sedangkan data training
digunakan untuk melatih metode naïve bayes.
Pengujian yang dilakukan terhadap metode naïve bayes pada penelitian
ini adalah pengujian akurasi, dengan rumus sebagai berikut:
Data training yang digunakan dalam penelitian ini dapat dilihat pada tabel
di bawah ini (lebih lengkap ada di lampiran):
Tabel 3.1 Data Training
No Saran Sentimen
1 mohon sangat pak, kalau mengajar jangan kecepatan dan
harus melihat yang belum Negatif
2 saat menjelaskan terlalu cepat, mohon lebih lambat Negatif
3 jangan terlalu cepat menjelaskan materi Negatif
4 sarannya bapak lebih santai lagi mengajarnya, jangan
Negatif
43
No Saran Sentimen
terlalu tegang
5 bapa quisnya jangan terlalu banyak Negatif
6 menerangkan jangan terlalu cepat pak Negatif
7 kalau menjelaskan jangan cepet-cepet pak Negatif
8 semoga makin rajin masuk kelas pak Negatif
9 suaranya diperbesar lagi Negatif
10
diharapkan kedepannya, kalau yang berhubungan dengan
aplikasi komputer harap pelan-pelan pak. Karna saya
sering ketinggalan
Negatif
11 nihil Netral
12 pengajaran materi yang sangat baik Positif
13 sudah sangat bagus lebih ditingkatkan lagi Positif
14 cara pengajaran jangan terlalu cepat Negatif
15 lebih banyak pengulangan dalam memberi materi agar
kami lebih paham Negatif
16 dosen pada matakuliah ini sangat memotivasi Positif
17 kalau nerangin rumus jangan buru-buru ya pak Negatif
18 apabila menerangkan/menjelaskan exel jangan buru-buru Negatif
19 apabila menerangkan excel jangan terlalu cepat Negatif
20 semoga lebih baik lagi Netral
.
.
.
.
.
.
.
.
.
.
.
.
792 Perbanyak praktek Negatif
793 Lebih sering masuk dan mengisi materi serta prakteknya
agar lebih baik Negatif
794 Totok: Jgn suka marah2 Pak Danie: kuasai materinya. Negatif
Sumber: Data Primer (2018)
Sedangkan data testing yang digunakan dalam penelitian ini adalah
sebagai berikut (lebih lengkap ada di lampiran):
44
Tabel 3.2 Data Testing
No Saran Sentimen
795 Menurut saya harus tepat waktu bila ada jam. Negatif
796 Mampu Menguasai memperhatikan perkuliahan dan ilmu
mutakhir Negatif
797
Bu Dani : lebih bagus lagi dan jelas dalam memberi materi
Pak Toto : sering-sering masuk, karena sering disk
komunikasi sama bu Dani.
Negatif
798 Dosen yang selalu memberi nasehat pada kami agar kami
jadi orang yang sukses Positif
799 perhatikan lagi mahasiswanya ketika belajar maupun
praktikum Negatif
800 Tetap Jadi yang terbaik..!! Positif
801 Selalu memberikan kita ilmu yang bermanfaat bagi kami
kelak ya pak, bu :) Positif
802 Tetap semangat dalam menjalankan pengajaran. Positif
803 Good Job Positif
804 semoga tetap baik dalam mengajar Positif
805 Agar dapat memotivasi mahasiswanya menjadi yang lebih
baik dan lebih baik lagi. Positif
806
Pak Toto Suryanto: Jangan pernah bosan memberi kami
ilmu yang bermanfaat untuk Bekal kami kerja Danie Indra
Yama: )
Positif
807
meminta kebijakan apabila terlambat dalam mengikuti
perkuliahan dengan alasan yang dapat di terima dengan
baik oleh dosen
Negatif
808 lebih ditingkatkan lagi praktiknya dan memberi wawasan
baru di materi kuliah maupun praktikum Negatif
.
.
.
.
.
.
.
.
.
.
.
.
992 lebih sabar dalam mendidik anak - anak pak Negatif
993 terus berikan semangat belajar kepada kami! Negatif
994 semoga dosen yang bersangkutan lebih bisa lagi
memotivasi minat belajar pada mahasiswa Negatif
Sumber: Data Primer (2018)
45
3.5.2 Preprocessing
Preprocessing pada penelitian ini ada 4 tahap yaitu: Case Folding,
Tokenizing, Filter Stopword, dan Filter Tokens By Length. Agar lebih jelas
perhatikan contoh berikut ini:
Contoh kalimat diambil dari data training nomor 794 yaitu: “Totok: Jgn
suka marah2 Pak Danie: kuasai materinya”.
1. Case Folding
Tahap ini merupakan tahap pertama dalam proses preprocessing. Hasil
dari case folding dari contoh di atas adalah sebagai berikut:
“Totok Jgn suka marah Pak Danie kuasai materinya”
2. Tokenizing
Tahap ini dilakukan setelah tahap case folding. Tokenizing terdiri dari 2
tahap yaitu: mengubah semua huruf menjadi kecil dan membagi kalimat
menjadi kata. Sesuai hasil dari case folding di atas maka hasil tokenizing
dapat dilihat pada tabel beikut ini:
Tabel 3.3 Hasil Tokenizing
No Hasil Tokenizing
1 totok
2 jgn
3 suka
4 marah
5 pak
6 danie
7 kuasai
8 materinya
Sumber: Data Primer (2018)
46
3. Filter Tokens By Length
Tahap ini dimaksudkan untuk mengabaikan kata atau tokens sesuai dengan
batas yang diinginkan. Misalnya kita melakukan filter minimal 4 huruf,
maka kata yang hurufnya kurang dari 4 akan diabaikan, dalam contoh
sebelumnya kata “jgn” dan “pak” akan diabaikan. Penelitian ini
menggunakan filter minimal 3 huruf dengan tujuan menghilangkan kata
salah ketik, seperti “a” saja, “di”, “ke” dll.
4. Filter Stopword
Tahap ini dimaksudkan untuk mengabaikan kata atau tokens sesuai dengan
kata yang diinginkan. Daftar kata yang akan diabaikan pada penelitian ini
dapat dilihat pada tabel berikut:
Tabel 3.4 Daftar Stopword
No Daftar Stopword
1 pak
2 lagi
3 saran
4 yang
5 dalam
6 menerangkan
7 menyampaikan
Sumber: Data Primer (2018)
Tahap ini berfungsi untuk memfilter kata yang akan diproses pada
perhitungan likelihood naïve bayes. Artinya tahap ini adalah tahap setelah
proses case folding, tokenizing dan filter tokens by length. Sesuai dengan
hasil pemrosesan sebelumnya maka kata-kata yang akan diproses ke tahap
selanjutnya adalah sebagai berikut:
47
Tabel 3.5 Contoh Hasil Stopword
No Hasil Stopword
1 totok
2 jgn
3 suka
4 marah
6 danie
7 kuasai
8 materinya
Sumber: Data Primer (2018)
3.5.3 Perhitungan Naïve bayes
Perhitungan naïve bayes dilakukan berdasarkan persamaan naïve bayes
pada BAB II yaitu perhitungan prior dan likelihood. Agar lebih jelas akan diambil
contoh sebagai berikut:
Tabel 3.6 Sampel Data Training
No. No. Data
Training Saran Sentimen
1 6 menerangkan jangan terlalu cepat pak Negatif
2 9 suaranya diperbesar lagi Negatif
3 20 semoga lebih baik lagi Netral
4 31 tidak ada saran Netral
5 12 pengajaran materi yang sangat baik Positif
6 638 cara mengajarnya sudah bagus Positif
Sumber: Data Primer (2018)
Data di atas diambil dari data training yang sebenarnya, letaknya sesuai
dengan no. data training. Sedangkan sampel data testing diambil dari data
training nomor 47 yaitu:
“sudah bagus dalam pengajaran”
48
Sub bab ini akan menjelaskan alur proses untuk menentukan sampel data
testing di atas termasuk ke kelas Positif atau Negatif atau Netral. Berikut ini
adalah langkah-langkahnya:
1. Preprocessing
Langkah preprocessing pada tahap ini sama saja dengan sub bab 3.5.2
Preprocessing yaitu case folding, tokenizing tahap pertama (mengubah
semua karakter huruf menjadi kecil), filter tokens by length minimal 3
karakter, dan filter stopword sesuai dengan tabel 3.4 Daftar Stopword.
Hasil dari preprocessing adalah sebagai berikut:
Tabel 3.7 Hasil Preprocessing Sampel Data Training
No. No. Data
Training Hasil Preprocessing Sentimen
1 6 jangan terlalu cepat Negatif
2 9 suaranya diperbesar Negatif
3 20 semoga lebih baik Netral
4 31 tidak ada Netral
5 12 pengajaran materi sangat baik Positif
6 638 cara mengajarnya sudah bagus Positif
Sumber: Data Primer (2018)
Sedangkan hasil preprocessing sampel data testing-nya adalah sebagai
berikut:
“sudah bagus pengajaran”
2. Pembagian Data Training
Tahap ini sebenarnya merupakan bagian dari preprocessing yaitu
tokenizing tahap kedua (membagi kalimat menjadi kata). Selain itu tahap
ini juga merupkan bagian dari training untuk naïve bayes yaitu untuk
49
menemukan frekuensi kata dalam masing-masing kelas. Sebagian besar
peneliti menyebutnya dengan term frequency. Hasil yang didapatkan
melalui tahap ini ada 4 yaitu:
a. Data Kata Positif
Tabel 3.8 Data Kata Positif dari Sampel Data Training
No. Data Kata Positif
1 pengajaran
2 materi
3 sangat
4 baik
5 cara
6 mengajarnya
7 sudah
8 bagus
Sumber: Data Primer (2018)
b. Data Kata Negatif
Tabel 3.9 Data Kata Negatif dari Sampel Data Training
No. Data Kata Negatif
1 jangan
2 terlalu
3 cepat
4 suaranya
5 diperbesar
Sumber: Data Primer (2018)
c. Data Kata Netral
Tabel 3.10 Data Kata Netral dari Sampel Data Training
No. Data Kata Netral
1 semoga
2 lebih
3 baik
50
No. Data Kata Netral
4 tidak
5 ada
Sumber: Data Primer (2018)
d. Data Kata Tanpa Perulangan
Tabel 3.11 Data Kata Tanpa Perulangan dari Sampel Data Training
No. Data Kata Tanpa Perulangan
1 pengajaran
2 materi
3 sangat
4 baik
5 cara
6 mengajarnya
7 sudah
8 bagus
9 jangan
10 terlalu
11 cepat
12 suaranya
13 diperbesar
14 semoga
15 lebih
16 tidak
17 ada
Sumber: Data Primer (2018)
3. Perhitungan Prior
Setelah melalui tahapan diatas maka prior dapat dihitung dengan rumus:
Berikut adalah data yang dapat diketahui melalui tabel 3.6 Sampel Data
Training:
51
a. Jumlah total dokumen (Ndoc) = 6
b. Jumlah dokumen pada kelas Positif (NPositif) = 2
c. Jumlah dokumen pada kelas Negatif (NNegatif) = 2
d. Jumlah dokumen pada kelas Netral (NNetral) = 2
Melalui data di atas dapat dihitung:
a. Prior Kelas Positif
b. Prior Kelas Negatif
c. Prior Kelas Netral
4. Perhitungan Likelihood
Tahap ini sudah mulai masuk ke dalam tahap testing. Setelah melalui
tokenizing tahap kedua maka hasil dari preprocessing sampel data testing
adalah sebagai berikut:
Tabel 3.12 Hasil Preprocessing dari Sampel Data Testing
No. Data Kata Testing
1 sudah
2 bagus
3 pengajaran
Sumber: Data Primer (2018)
52
Berikut adalah rincian data yang diperoleh setelah melalui tahap-tahap
sebelumnya yaitu:
a. Melalui tabel 3.8 Data Kata Positif dari Sampel Data Training
Didapatkan jumlah kata pada kelas Positif yaitu:
b. Melalui tabel 3.9 Data Kata Negatif dari Sampel Data Training
Didapatkan jumlah kata pada kelas Negatif yaitu:
c. Melalui tabel 3.10 Data Kata Netral dari Sampel Data Training
Didapatkan jumlah kata pada kelas Netral yaitu:
d. Melalui tabel 3.11 Data Kata Tanpa Perulangan dari Sampel Data
Training
Didapatkan jumlah kata tanpa perulangan yaitu:
Melalui tabel 3.12 dapat kita ketahui ada 3 kata yang terbentuk dari data
testing yaitu “sudah”, “bagus”, dan “pengajaran”. Selanjutnya kita akan
mencari jumlah masing-masing kata tersebut pada masing-masing kelas
data kata positif, negatif dan netral, sebagai berikut:
53
a. Kata “sudah”
Melalui tabel 3.8 Data Kata Positif dari Sampel Data Training
Jumlah kata “sudah” dalam kelas Positif
Melalui tabel 3.8 Data Kata Negatif dari Sampel Data Training
Jumlah kata “sudah” dalam kelas Negatif
Melalui tabel 3.8 Data Kata Netral dari Sampel Data Training
Jumlah kata “sudah” dalam kelas Netral
b. Kata “bagus”
Melalui tabel 3.8 Data Kata Positif dari Sampel Data Training
Jumlah kata “bagus” dalam kelas Positif
Melalui tabel 3.8 Data Kata Negatif dari Sampel Data Training
Jumlah kata “bagus” dalam kelas Negatif
Melalui tabel 3.8 Data Kata Netral dari Sampel Data Training
54
Jumlah kata “bagus” dalam kelas Netral
c. Kata “pengajaran”
Melalui tabel 3.8 Data Kata Positif dari Sampel Data Training
Jumlah kata “pengajaran” dalam kelas Positif
Melalui tabel 3.8 Data Kata Negatif dari Sampel Data Training
Jumlah kata “pengajaran” dalam kelas Negatif
Melalui tabel 3.8 Data Kata Netral dari Sampel Data Training
Jumlah kata “pengajaran” dalam kelas Netral
Setelah melalui tahap di atas, akhirnya perhitungan likelihood dapat
dilakukan dengan rumus berikut:
a. Likelihood pada kelas Positif
Likelihood “sudah” pada kelas Positif
55
Likelihood “bagus” pada kelas Positif
Likelihood “pengajaran” pada kelas Positif
Likelihood sampel data testing (X) pada kelas Positif
b. Likelihood pada kelas Negatif
Likelihood “sudah” pada kelas Negatif
56
Likelihood “bagus” pada kelas Negatif
Likelihood “pengajaran” pada kelas Negatif
Likelihood sampel data testing (X) pada kelas Negatif
c. Likelihood pada kelas Netral
Likelihood “sudah” pada kelas Netral
Likelihood “bagus” pada kelas Netral
57
Likelihood “pengajaran” pada kelas Netral
Likelihood sampel data testing (X) pada kelas Netral
5. Proses Pengambilan Keputusan
Sampai pada tahap ini telah diperoleh prior dan likelihood dengan rincian
sebagai berikut:
a. Prior kelas Positif = 0.333333333
b. Prior kelas Negatif = 0.333333333
c. Prior kelas Netral = 0.333333333
d. Likelihood sampel data testing (X) pada kelas Positif = 0.000512
e. Likelihood sampel data testing (X) pada kelas Negatif = 0.000093914
f. Likelihood sampel data testing (X) pada kelas Netral = 0.000093914
58
Berdasarkan rincian di atas dapat dihitung nilai kemungkinan dari sampel
data testing (X) terhadapa masing-masing kelas adalah sebagai berikut:
6. Hasil
Berdasarkan proses pengambilan keputusan dapat dilihat bahwa nilai
terbesar ada pada P(X|Positif) yaitu sebesar 0.000170667. Oleh karena itu,
hasil kesimpulan yang diperoleh dari perhitungan naïve bayes terhadap
sampel data testing (X) yaitu “sudah bagus dalam pengajaran” adalah
termasuk ke kelas “Positif ”.
59
3.6 Metode Pengembangan Sistem
Sesuai dengan pemaparan pada BAB II, pengembangan sistem pada
penelitian ini dilakukan menggunakan metode eXtreme Programming (XP),
dimana tahapannya ada 4 yaitu planning, desain, coding, dan testing.
3.6.1 Planning
Beberapa kegiatan yang harus dilakukan pada tahap planning dalam
metode XP adalah sebagai berikut:
1. Memahami Konteks Bisnis
Perguruan Tinggi (PT) tempat penelitian ini dilakukan sebenarnya sudah
memakai sistem terkomputerisasi, namun karena beberapa masalah
pengembangannya belum sempat dilanjutkan lagi. Salah satu sistem yang
belum bisa dimanfaatkan adalah kuesioner Evaluasi Proses Belajar
Mengajar (EPBM). Oleh karena itu pihak PT, atau lebih tepatnya
pengelola sistem kuesioner meminta untuk dibuatkan sistem kuesioner
versi baru. Cara kerja sistem yang diinginkan oleh user adalah yang
penting bisa membuat rekapan laporan kuesioner dengan cepat
berdasarkan dosen dan/atau matakuliah.
Selanjutnya, peneliti melakukan analisa pada sitem yang sedang berjalan,
sebelumnya sudah dipaparkan pada sub bab 3.3 Analisa Sistem Yang
Berjalan dan menemukan beberapa masalah. Oleh karena itu peneliti
menambahkan beberapa fitur yang diharapkan bisa mengatasi masalah
tersebut.
60
2. Mendefinisikan Output
Output yang dikeluarkan oleh sistem atau aplikasi ini berdasarkan konteks
bisnis yang diinginkan pengguna adalah laporan EPBM yang bisa difilter
berdasarkan periode dan/atau dosen dan/atau matakuliah.
3. Fitur pada Aplikasi
Tabel 3.13 Fitur Aplikasi
No. Fitur Keterangan
1 Login dan Logout Masuk dan Keluar aplikasi
2 File Master Data master meliputi: Master Akademik
(master semester, master prodi, master
kelas, master dosen, master matakuliah),
Master Kuesioner (master peserta, master
jenis kuis, master soal, master jawaban)
3 Transaksi Transaksi: epbm, dan uji sentimen.
4 Proses Periode (mengatur waktu pengisisan
kuesioner)
5 Laporan Mencetak laporan kuesioner EPBM
Sumber: Data Primer (2018)
4. Fungsi dari Aplikasi
Fungsi aplikasi atau sitem ini adalah sebagai wadah untuk kuesioner
EPBM, mengolah data kuesioner EPBM dan melaporkan hasil kuesioner
secara terkomputerisasi untuk meminimalisir masalah yang terjadi pada
sistem manual (yang sedang berjalan).
61
3.6.2 Design
Design pada metode XP biasanya hanya dilakukan dengan menggunakan
kartu Class Responsibility Collaborator (CRC) dan komponen kelengkapannya
seperti prototipe aplikasi, topologi jaringan, dll. Namun pada penelitian ini proses
design dilakukan dengan menggunakan UML. Lebih lengkap akan dijelaskan
pada sub bab 3.7 Metode Perancangan Sistem.
3.6.3 Coding
Pada tahap ini, sistem kuesioner berbasis web akan dibangun berdasarkan
design yang telah dibuat pada tahap sebelumnya. Pengembangan dilakukan
menggunkan bahasa pemrogramman PHP, HTML, dan MySQL, dalam hal ini
peneliti menggunkan software Windows-OS Apache MySQL PHP (WAMP)
karena telah mendukung semua bahasa pemrogramman yang dibutuhkan. Alasan
lain penggunaan WAMP adalah karena sistem ini akan dibuat dengan
menggunkan framework CodeIgniter (CI) yang lebih kompatibel bila
menggunkanan WAMP dari pada X-OS Apache MySQL PHP PERL (XAMPP).
3.6.4 Testing
Testing atau pengujian dalam metode XP dapat dilakukan pada setiap
pembuatan modul diselesaikan. Pengujian yang dilakuakn pada penelitian ini
adalah pengujian Black Box. Apabila hasil dari pengujian sudah sesuai dengan
konteks bisnis atau kebutuhan user maka sistem ini siap dirilis.
62
3.7 Metode Perancangan Sistem
3.7.1 Definisi Aktor
Sistem kuesioner berbasis web ini mempunyai 2 aktor yaitu Admin dan
Mahasiswa. Berikut adalah deskripsi pendefinisan aktor pada sistem informasi
kuesioner berbasis web yang akan dibuat:
Tabel 3.14 Definisi Aktor
No Aktor Deskripsi
1 Admin Orang yang bertugas atau memiliki hak
akses untuk melakukan operasi pengelolaan
setting periode, pengelolaan setting analisis
sentimen, pengelolaan data akademik,
pengelolaan data kuesioner, dan manajemen
laporan.
2 Mahasiswa Mahasiswa adalah orang yang mengisi
kuesioner.
Sumber: Data Primer (2018)
3.7.2 Use Case Diagram
Use case adalah rangkaian/uraian sekelompok yang saling terkait dan
membentuk sistem secara teratur yang dilakukan atau diawasi oleh sebuah aktor.
Use case digunakan untuk membentuk tingkah laku benda/things dalam sebuah
model serta direalisasikan oleh sebuah collaboration. Umumnya use case
digambarkan dengan elips dengan garis yang solid, biasanya menggandung nama.
Use case menggambarkan hal-hal apa saja yang bisa dilakukan oleh aktor pada
sistem. Berikut adalah use case diagram dari sistem kuesioner berbasis web:
63
Gambar 3.3 Use Case Diagram
Berdasarkan use case diagram di atas, berikut ini adalah skenario jalannya
masing-masing use case:
1. Skenario Use Case Versi Admin
Tabel 3.15 Skenario Use Case Versi Admin
No Versi Admin
1 Skenario Login
Aksi Aktor Reaksi Sistem
Buka url login kuesioner di
browser
Memunculkan halaman Login
Input user name dan
password
Cek valid atau tidaknya data
input untuk masuk kehalaman
admin
Jika data tidak valid maka
menampilkan pesan data tidak
valid
64
No Versi Admin
Input user name dan
password yang valid
Masuk ke aplikasi kuesioner
2 Skenario Setting Periode
Aksi Aktor Reaksi sistem
Tekan tombol Setting Periode Menampilkan daftar list periode
Tekan tombol tambah data Menampilkan form modal
tambah data.
Input data periode
Tekan Simpan Memeriksa validasi data.
Jika tidak valid, muncul pesan
tidak valid.
Jika valid, simpan ke database.
Menampilkan pesan berhasil
disimpan.
Tekan tombol perpanjangan Menampilkan form modal
perpanjangan.
Ubah tanggal
Tekan Simpan Mengupdate database periode
start dan periode stop
Menampilkan daftar list periode
beserta hasil update
Tekan Tutup Sekarang Mengupdate database status
periode ke Tutup
Menampilkan daftar list periode
beserta tombol buka sekarang
Tekan Buka Sekarang Mengupdate database status
periode ke Buka
Menampilkan daftar list periode
beserta tombol Tutup Sekarang
3 Skenario Setting Analisis Sentimen
Aksi Aktor Reaksi sistem
Tekan tombol Setting Analisis
Sentimen
Menampilkan list menu analisis
sentimen yaitu: Data Training,
Data Stopword, Kata Positif,
Kata Negatif, Kata Netral, Total
Kata, dan Uji Sentimen.
Tekan tombol:
a. Data Training
b. Data Stopword
Menampilkan:
a. Halaman list data training
b. Halaman list data stopword
65
No Versi Admin
c. Kata Positif
d. Kata Negatif
e. Kata Netral
f. Total Kata
g. Uji Sentimen
c. Halaman list kata positif
d. Halaman list kata negatif
e. Halaman list kata netral
f. Halaman list total kata
g. Halaman list uji sentimen
Tekan tombol Excel pada:
a. Halaman list data training
b. Halaman list data
stopword
c. Halaman list kata positif
d. Halaman list kata negatif
e. Halaman list kata netral
f. Halaman list total kata
g. Halaman list uji sentimen
Mendownload Ms Excel dengan
isi:
a. List data training
b. List data stopword
c. List kata positif
d. List kata negatif
e. List kata netral
f. List total kata
g. List uji sentimen
Tekan tombol draft Excel
pada:
a. Halaman list data training
b. Halaman list data
stopword
c. Halaman list uji sentimen
Mendownload draft Ms Excel
untuk Upload Excel:
a. Data training
b. Data Stopword
c. Uji Sentimen
Tekan tombol Upload Excel
pada:
a. Halaman list data training
b. Halaman list data
stopword
c. Halaman list uji sentimen
Menampilkan halaman Import
via Excel untuk:
a. Data training
b. Data Stopword
c. Uji Sentimen
Tekan tombol Tarik Data
pada:
a. Halaman list kata positif
b. Halaman list kata negatif
c. Halaman list kata netral
d. Halaman list total kata
Mengolah data training dan
menampilkan lagi:
a. List kata positif
b. List kata negatif
c. List kata netral
d. List total kata
4 Skenario Mengelola Data Akademik
Aksi Aktor Reaksi sistem
Tekan tombol Master
Akademik
Menampilkan list menu Master
Akademik yaitu: Semester,
Prodi, Kelas, Dosen, Mata
Kuliah.
Tekan tombol: Menampilkan halaman list:
66
No Versi Admin
a. Semester
b. Prodi
c. Kelas
d. Dosen
e. Mata Kuliah
a. Semester
b. Prodi
c. Kelas
d. Dosen
e. Mata Kuliah
Tekan tombol Tambah pada:
a. Halaman list Semester
b. Halaman list Prodi
c. Halaman list Kelas
d. Halaman list Dosen
e. Halaman list Mata Kuliah
Menampilkan form:
a. Modal tambah data Semester
b. Modal tambah data Prodi
c. Modal tambah data Kelas
d. Modal tambah data Dosen
e. Modal tambah data Mata
Kuliah
Tekan Tombol Simpan pada:
a. Modal tambah data
Semester
b. Modal tambah data Prodi
c. Modal tambah data Kelas
d. Modal tambah data Dosen
e. Modal tambah data Mata
Kuliah
Menyimpan data lalu
menampilkan:
a. Halaman list Semester
b. Halaman list Prodi
c. Halaman list Kelas
d. Halaman list Dosen
e. Halaman list Mata Kuliah
Tekan tombol Ubah pada:
a. Halaman list Semester
b. Halaman list Prodi
c. Halaman list Kelas
d. Halaman list Dosen
e. Halaman list Mata Kuliah
Menampilkan form:
a. Modal ubah data Semester
b. Modal ubah data Prodi
c. Modal ubah data Kelas
d. Modal ubah data Dosen
e. Modal ubah data Mata Kuliah
Tekan tombol Ubah pada:
a. Modal ubah data Semester
b. Modal ubah data Prodi
c. Modal ubah data Kelas
d. Modal ubah data Dosen
e. Modal ubah data Mata
Kuliah
Mengubah data lalu
menampilkan:
a. Halaman list Semester
b. Halaman list Prodi
c. Halaman list Kelas
d. Halaman list Dosen
e. Halaman list Mata Kuliah
Tekan tombol Hapus pada:
a. Halaman list Semester
b. Halaman list Prodi
c. Halaman list Kelas
d. Halaman list Dosen
e. Halaman list Mata Kuliah
Menampilkan form:
a. Modal hapus data Semester
b. Modal hapus data Prodi
c. Modal hapus data Kelas
d. Modal hapus data Dosen
e. Modal hapus data Mata
Kuliah
67
No Versi Admin
Tekan tombol Hapus pada:
a. Modal hapus data
Semester
b. Modal hapus data Prodi
c. Modal hapus data Kelas
d. Modal hapus data Dosen
e. Modal hapus data Mata
Kuliah
Menghapus data lalu
menampilkan:
a. Halaman list Semester
b. Halaman list Prodi
c. Halaman list Kelas
d. Halaman list Dosen
e. Halaman list Mata Kuliah
Tekan tombol Upload Foto
pada halaman list Dosen
Menampilkan form modal
upload foto Dosen
Tekan tombol Upload pada
form modal upload foto
Dosen
Mengupdate foto dosen lalu
menampilkan halaman list Dosen
5 Skenario Mengelola Data Kuesioner
Aksi Aktor Reaksi sistem
Tekan tombol Master
Kuesioner
Menampilkan list menu Master
Kuesioner yaitu: Peserta, Jenis
Kuis, Soal, Jawaban.
Tekan tombol:
a. Peserta
b. Jenis Kuis
c. Soal
d. Jawaban
Menampilkan halaman list:
a. Peserta
b. Jenis Kuis
c. Soal
d. Jawaban
Tekan tombol Tambah pada:
a. Halaman list Peserta
b. Halaman list Jenis Kuis
c. Halaman list Soal
d. Halaman list Jawaban
Menampilkan form:
a. Modal tambah data Peserta
b. Modal tambah data Jenis
Kuis
c. Modal tambah data Soal
d. Modal tambah data Jawaban
Tekan tombol Simpan pada:
a. Modal tambah data
Peserta
b. Modal tambah data Jenis
Kuis
c. Modal tambah data Soal
d. Modal tambah data
Jawaban
Menyimpan data lalu
menampilkan:
a. Halaman list Peserta
b. Halaman list Jenis Kuis
c. Halaman list Soal
d. Halaman list Jawaban
Tekan tombol Ubah pada:
a. Halaman list Peserta
b. Halaman list Jenis Kuis
Menampilkan form:
a. Modal ubah data Peserta
b. Modal ubah data Jenis Kuis
68
No Versi Admin
c. Halaman list Soal
d. Halaman list Jawaban
c. Modal ubah data Soal
d. Modal ubah data Jawaban
Tekan tombol Ubah pada:
a. Modal ubah data Peserta
b. Modal ubah data Jenis
Kuis
c. Modal ubah data Soal
d. Modal ubah data Jawaban
Mengubah data lalu
menampilkan:
a. Halaman list Peserta
b. Halaman list Jenis Kuis
c. Halaman list Soal
d. Halaman list Jawaban
Tekan tombol Hapus pada:
a. Halaman list Peserta
b. Halaman list Jenis Kuis
c. Halaman list Soal
d. Halaman list Jawaban
Menampilkan form:
a. Modal hapus data Peserta
b. Modal hapus data Jenis Kuis
c. Modal hapus data Soal
d. Modal hapus data Jawaban
Tekan tombol Hapus pada:
a. Modal hapus data Peserta
b. Modal hapus data Jenis
Kuis
c. Modal hapus data Soal
d. Modal hapus data
Jawaban
Menghapus data lalu
menampilkan:
a. Halaman list Peserta
b. Halaman list Jenis Kuis
c. Halaman list Soal
d. Halaman list Jawaban
6 Skenario Transaksi EPBM
Aksi aktor Reaksi Sistem
Buka url kuesioner di
browser
Menampilkan halaman siapakah
anda
Tekan salah satu tombol pada
halaman siapakah anda
Menampilkan halaman kuesioner
yang tersedia
Tekan salah satu tombol pada
halaman kuesioner yang
tersedia
Menampilkan halaman perhatian
atau peringatan atau warning
Tekan Tombol Lihat Daftar
Yang Sudah Isi pada halaman
perhatian
Menampilkan halaman periode
yang tersedia
Pilih dan Tekan salah satu
tombol list periode
Menampilkan halaman Daftar
Mahasiswa Pengisi kuesioner
berdasarkan periode yang dipilih
Tekan tombol lanjutkan pada
halaman perhatian
Menampilkan halaman form
kuesioner
Isi form kuesioner
Tekan tombol Selesai pada
halaman form kuesioner
Menyimpan data kuesioner lalu
menampilkan halaman
69
No Versi Admin
terimakasih
Tekan tombol Home pada
halaman terimakasih
Kembali menampilkan halaman
siapakah anda
Tekan tombol Isi Kuesioner
Lagi
Kembali menampilkan halaman
perhatian
7 Skenario Manajemen Laporan
Aksi aktor Reaksi sistem
Tekan tombol Laporan Menampilkan list laporan
Tekan tombol Lihat Laporan Menampilkan filter data dan list
mahasiswa yang sudah Isi
kuesioner
Pilih filter data dan Tekan
tombol cari
Mencari dan menampilkan data
berdasarkan filter yang dipilih
Pilih filter dan Tekan tombol
excel
Mendownload Ms. Excel dengan
isi data sesuai filter yang dipilih
Tekan tombol Detail pada list
mahasiswa
Menampilkan detail pengisian
kuesioner bersarkan mahasiswa
yang dipilih
8 Skenario Logout
Aksi aktor Reaksi sistem
Tekan tombol logout Keluar dari akses admin dan
kembali ke halaman Login
Sumber: Data Primer (2018)
2. Skenario User Case Versi Mahasiswa
Tabel 3.16 Skenario Use Case Versi Mahasiswa
No Versi Mahasiswa
1 Skenario Transaksi EPBM
Aksi aktor Reaksi Sistem
Buka url kuesioner di
browser
Menampilkan halaman siapakah
anda
Tekan salah satu tombol pada
halaman siapakah anda
Menampilkan halaman kuesioner
yang tersedia
Tekan salah satu tombol pada
halaman kuesioner yang
tersedia
Menampilkan halaman perhatian
atau peringatan atau warning
70
No Versi Mahasiswa
Tekan Tombol Lihat Daftar
Yang Sudah Mengisi pada
halaman perhatian
Menampilkan halaman periode
yang tersedia
Pilih dan tekan salah satu
tombol list periode
Menampilkan halaman Daftar
Mahasiswa Pengisi kuesioner
berdasarkan periode yang dipilih
Tekan tombol lanjutkan pada
halaman perhatian
Menampilkan halaman form
kuesioner
Isi form kuesioner
Tekan tombol Selesai pada
halaman form kuesioner
Menyimpan data kuesioner lalu
menampilkan halaman
terimakasih
Tekan tombol Home pada
halaman terimakasih
Kembali menampilkan halaman
siapakah anda
Tekan tombol Isi Kuesioner
Lagi
Kembali menampilkan halaman
perhatian
Sumber: Data Primer (2018)
3.7.3 Class Diagram
Berikut adalah Class diagram sistem kuesioner yang akan dibuat:
Gambar 3.4 Class Diagram
71
Penjelasan dari Class diagram diatas adalah sebagai berikut:
1. Class halaman admin ber-agregation (terdiri) dari beberapa Class seperti
Class login, periode, data_training, data_positif, data_negatif, dll.
2. Class halaman admin bergantung (dependence) terhadap kelas login.
3. Class laporan dipengaruhi oleh Class quisioner.
3.7.4 Activity Diagram
Berikut ini adalah gambaran umum Activity diagram dari sistem kuesioer
yang akan dibuat:
Gambar 3.5 Activity Diagram
72
3.7.5 Sequence Diagram
Sequence diagram adalah diagram yang menggambarkan suatu kaloborasi
suatu diagram dinamis antara sejumlah object. Kegunaannya untuk menunjukan
pesan yang di kirim antara object juga interaksi antara object. Sesuatu yang terjadi
pada titik tertentu pada eksekusi sistem. Berikut ini adalah sequence diagram
dalam sistem kuesioner yang akan dibuat:
1. Sequence Diagram Login
Gambar 3.6 Sequence Diagram Login
Berikut adalah penjelasan gambar di atas:
a. Admin memanggil kelas Login dan mendapatkan form_login.
b. Admin mengisi username dan password lalu menekan button Login.
c. Jika username atau password tidak ditemukan atau salah, maka
muncul pesan username atau password salah
d. Jika username atau password benar maka tampilkan halaman admin.
2. Sequence Diagram Logout
Berikut ini adalah penjalan sequence diagram logout:
73
a. Admin menekan button Keluar yang mempunyai fuction logout().
b. Function logout() memanggil Class Login.
c. Class Login menampilkan form_login.
Gambar 3.7 Sequence Diagram Logout
3. Sequence Diagram Setting Periode
Setting periode adalah nama lain dari Class periode pada Class diagram.
Berikut adalah sequence diagramnya:
Gambar 3.8 Sequence Diagram Periode
Penjelasan dari diagram sequence periode di atas adalah sebagai berikut:
74
a. Admin memilih menu Setting Periode dan masuk view_periode.
b. Admin melakukan aktifitas tambah data, ubah data, dan tutup/buka
sekarang
c. Admin merubah periode sesuai dengan keinginan-nya.
4. Sequence Diagram Setting Analisis Sentimen
Menu setting analisis sentimen terdapat 7 sub menu yang berbeda yaitu
data_training, data_stopword, data_positif, data_negatif, data_netral,
data_kata, dan uji_sentimen yang akan dirincikan dalam sequence
diagram. Dalam hal ini admin dianggap telah berada di dalam menu
analisis sentimen.
a. Sequence Diagram data_training, data_stopword, dan uji_sentimen
Gambar 3.9 Sequence Diagram data_training, data_stopword, dan
uji_sentimen
75
Penjelasan dari diagram sequence di atas yaitu admin melakukan
aktifitas upload excel, choose file, preview, import, download draft
excel untuk upload excel, dan download file data pada sub menu
setting analisis sentimen (data_training, data_stopword, dan
uji_sentimen).
b. Sequence Diagram data_positif, data_negatif, data_netral dan
data_kata
Gambar 3.10 Sequence Diagram data_positif, data_negatif,
data_netral dan data_kata
Penjelasan dari diagram sequence di atas yaitu admin melakukan
aktifitas tarik data pada sub menu setting analisis sentimen
(data_positif, data_negatif, data_netral dan data_kata).
5. Sequence Diagram Mengelola Data Akademik
Menu mengelola data akademik atau dalam activity diagram disebut
dengan master akademik memiliki 5 sub menu yang berbeda yaitu
semester, prodi, kelas, dosen, dan matakuliah yang akan dibuat dalam satu
76
sequence diagram. Dalam hal ini admin dianggap telah berada di dalam
menu master akademik. Beriku adalah sequence diagram mengelola data
akademik:
Gambar 3.11 Sequence Diagram Mengelola Data Akademik
Penjelasan dari diagram sequence di atas yaitu admin melakukan aktifitas
tambah data, ubah data, dan hapus data pada sub menu master akademik
(semester, prodi, kelas, dosen dan matakuliah).
6. Sequence Diagram Mengelola Data Quisioner
Menu mengelola data akademik atau dalam Activity diagram disebut
dengan master quisioner memiliki 5 sub menu yang berbeda yaitu peserta,
jenis quis, soal dan jawaban yang akan dibuat dalam satu sequence
diagram. Dalam hal ini admin dianggap telah berada di dalam menu
master akademik. Sesuai dengan skenario use case, diagram sequence
master kuesioner akan menyajikan aktifitas admin dalam melakukan
tambah data, ubah data, dan hapus data pada sub menu master quisioner
(peserta, jenis quis, soal dan jawaban).
77
Gambar 3.12 Sequence Diagram Mengelola Data Kuesioner
7. Sequence Diagram Manajemen Laporan
Berikut adalah sequence diagram manajemen laporan atau menu laporan:
Gambar 3.13 Sequence Diagram Manajemen Laporan
Penjelasan dari diagram sequence di atas adalah sebagai berikut:
a. Admin memilih filter lalu mengklik tombol cari maka sistem akan
menampilkan data list pengisi kuesioner sesuai dengan filter yang
dipilih oleh admin.
78
b. Admin memilih filter lalu mengklik tombol excel maka sistem akan
memberikan file.xlsx yang berisi data list pengisi kuesioner sesuai
dengan filter yang dipilih oleh admin.
8. Sequence Diagram Transaksi EPBM
Transaksi EPBM hanya dilakukan oleh mahasiswa namun admin juga
pasti dapat melihat atau mengedit dengan tujuan mengecek apakah soal
yang di-input sudah sesuai atau belum. Sequence diagram transaksi EPBM
antara admin dan mahasiswa adalah sama yaitu sebagai berikut:
Gambar 3.14 Sequence Diagram Transaksi EPBM
Penjelasan dari diagram sequence di atas adalah sebagai berikut:
Admin atau mahasiswa mengisi form kuesioner EPBM dan mengklik
button selesai, lalu sistem akan menyimpan hasil isian tersebut dan
menampilkan halaman terimakasih kuesioner anda berhasil disimpan.
3.8 Desain Interface
Interface yang digunakan pada penelitian ini memanfaatkan template free
dari bootstrap yaitu AdminLTE-2.4.0 yang bisa di download melalui link berikut:
https://adminlte.io/. Alasan penggunaan template ini adalah agar pembuatan web
cepat selesai, selain itu template tersebut juga sudah terbukti mudah digunakan,
cepat dan responsif baik untuk tampilan desktop dan smartphone. Berikut adalah
79
tampilan awal template AdminLTE yang digunakan dalam pengembangan sistem
kuesioner pada penelitian ini:
Gambar 3.15 Dashboard Template AdminLTE-2.4.0
Gambar 3.16 Login Template AdminLTE-2.4.0
Meskipun template ini sudah siap pakai, tidak semua bagian dari template
ini bisa dimanfaatkan, dalam hal ini peneliti menyesuaikan template tersebut
dengan kebutuhan dari sistem yang akan dibuat. Hasil dari modifikasi template ini
dan penerapannya dengan framework CodeIgniter akan disajikan pada bab
selanjutnya.
80
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
4.1.1 Spesifikasi Sistem
Berikut ini adalah spesifikasi perangkat keras, perangkat lunak dan bahasa
pemograman yang dipakai dalam penelitian ini.
1. Perangkat Keras
Perangkat keras yang digunakan dalam penelitian ini, yaitu laptop sebagai
perangkat untuk melalukan coding program aplikasi. Adapun spesifikasi
laptop yang digunakan dalam penelitian ini adalah sebagai berikut
a. Tipe Acer Aspire V5-471G
b. Processor : Intel® Core™ i3-2367M CPU @ 1.40Ghz (4 CPUs)
c. Memory : 8192MB RAM
d. Display : 1366 x 768(32 bit) (40Hz)
2. Perangkat Lunak
Perangkat lunak yang digunakan didalam penelitian ini adalah sebagai
berikut
a. Sistem Operasi Windows 7 SP1
b. Apache
c. Mysql
d. PHP
e. NetBeans IDE 8.2
f. Google Chrome
81
3. Bahasa Pemograman
Bahasa pemrogramman yang dipakai pada pengembangan sistem ini
adalah HTML dan PHP dengan menggunakan bantuan framework
CodeIgniter dan template AdminLTE yang berguna untuk mempermudah
pengembangan sistem berbasis web.
4.1.2 Implementasi Sistem
Hasil dari penelitian ini adalah sebuah sistem kuesioner yang dilengkapi
dengan analisis sentimen menggunkan metode naïve bayes yang
diimplementasikan dalam aplikasi web. Berikut ini adalah implementasi sistem
yang telah dibuat:
1. Form Login
Form ini digunakan oleh admin untuk mengakses halaman admin.
Gambar 4.1 Halaman Form Login
2. Halaman Admin
Halaman ini merupakan halaman awal setelah admin berhasil masuk.
82
Gambar 4.2 Halaman Admin
3. Menu Setting Periode
Merupakan halaman untuk mengatur periode kuesioner.
Gambar 4.3 Halaman Setting Periode
4. Menu Setting Analisis Sentimen
Menu ini memiliki 7 sub menu yaitu: Data Training, Data Stopword, Kata
Positif, Kata Negatif, Kata Netral, Total Kata, dan Uji Akurasi. Berikut ini
adalah rincian hasil implementasi sub-sub menu tersebut:
83
a. Data Training
Merupakan halaman untuk melihat, mengimpor dan mendownload data
saran yang telah diberikan label sentimen secara manual.
Gambar 4.4 Halaman Data Training
b. Data Stopword
Merupakan halaman untuk melihat, mengimpor dan mendownload data
stopword yang digunakan.
Gambar 4.5 Halaman Data Stopword
84
c. Kata Positif
Merupakan halaman untuk melihat, dan menarik data kata positif
sesuai dengan data training yang telah di-import.
Gambar 4.6 Halaman Kata Positif
d. Kata Negatif
Merupakan halaman untuk melihat, dan menarik data kata negatif
sesuai dengan data training yang telah di-import.
Gambar 4.7 Halaman Kata Negatif
85
e. Kata Netral
Merupakan halaman untuk melihat, dan menarik data kata netral sesuai
dengan data training yang telah di-import.
Gambar 4.8 Halaman Kata Netral
f. Total Kata
Merupakan halaman untuk melihat, dan menarik data kata sesuai
dengan data training yang telah di-import.
Gambar 4.9 Halaman Total Kata
86
g. Uji Akurasi
Merupakan halaman untuk melihat akurasi algoritma naïve bayes
dalam melakukan analisis sentimen, mengupload file excel data testing
dan mendownload file excel data testing yang sedang diuji serta untuk
mendownload draft excel yang berfungsi sebagai template untuk data
testing agar bisa diupload melalui tombol upload excel.
Gambar 4.10 Halaman Uji Akurasi
5. Menu Master Akademik
Menu ini memiliki 5 sub menu yaitu: Semester, Prodi, Kelas, Dosen,
Matakuliah. Berikut ini adalah rincian hasil implementasi sub-sub menu
tersebut:
a. Semester
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data semester.
87
Gambar 4.11 Halaman Semester
b. Prodi
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data prodi.
Gambar 4.12 Halaman Prodi
c. Kelas
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data kelas.
88
Gambar 4.13 Halaman Kelas
d. Dosen
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data dosen.
Gambar 4.14 Halaman Dosen
e. Matakuliah
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data matakuliah
89
Gambar 4.15 Halaman Matakuliah
6. Menu Master Quisioner
Menu ini memiliki 4 sub menu yaitu: Peserta, Jenis Quis, Soal, dan
Jawaban. Berikut ini adalah rincian hasil implementasi sub-sub menu
tersebut:
a. Peserta
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data peserta.
Gambar 4.16 Halaman Peserta
90
b. Jenis Quis
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data jenis quis.
Gambar 4.17 Halaman Jenis Quis
c. Soal
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data soal.
Gambar 4.18 Halaman Soal
91
d. Jawaban
Merupakan halaman untuk melihat, menambah, mengubah, dan
menghapus data jawaban.
Gambar 4.19 Halaman Jawaban
7. Menu Laporan
Menu ini terdiri dari beberapa halaman yaitu:
a. Halaman Laporan
Gambar 4.20 Halaman Laporan
92
b. Halaman Lihat Laporan
Merupakan halaman laporan sesuai dengan jenis kuis yang dipilih.
Gambar 4.21 Halaman Lihat Laporan
8. Transaksi EPBM
Merupakan halaman utama dari aplikasi kuesioner yang ditujukan kepada
target pengisi kuesioner. Berikut adalah daftar halaman yang telah dibuat:
a. Halaman Siapakah Anda
Gambar 4.22 Halaman Siapakah Anda
93
b. Halaman Kuesioner Yang Tersedia
Halaman ini akan muncul setelah user memilih salah satu daftar pada
halaman siapakah anda.
Gambar 4.23 Halaman Kuesioner Yang Tersedia
c. Halaman Perhatian
Halaman ini akan muncul setelah user memilih salah satu daftar pada
halaman kuesioner yang tersedia.
Gambar 4.24 Halaman Perhatian
94
d. Halaman Kuesioner
Halaman ini akan muncul jika user memilih Lanjutkan pada halaman
perhatian.
Gambar 4.25 Halaman Kuesioner
e. Halaman Periode Yang Tersedia
Halaman ini akan muncul jika user memilih Lihat Daftar Yang Sudah
Mengisi pada halaman perhatian.
Gambar 4.26 Halaman Periode Yang Tersedia
95
f. Halaman Daftar Mahasiswa Pengisi
Halaman ini akan muncul setelah user memilih salah satu daftar pada
halaman periode yang tersedia.
Gambar 4.27 Halaman Daftar Mahasiswa Pengisi
9. Halaman Lain
Beberapa halaman lain yang telah dibuat dalam sistem ini yaitu:
a. Modal Tambah Data
Gambar 4.28 Modal Tambah Data
96
Modal ini akan muncul ketika admin menekan button Tambah Data.
Pada gambar di atas adalah contoh ketika tombol Tambah Data pada
menu setting periode diklik.
b. Modal Ubah Data
Gambar 4.29 Modal Ubah Data
Modal ini akan muncul ketika admin menekan button Ubah. Pada
gambar di atas adalah contoh ketika tombol Ubah pada sub menu
matakuliah diklik.
c. Modal Hapus Data
Modal ini sama saja dengan modal-modal yang telah dijelaskan
sebelumnya hanya saja modal ini akan muncul ketika admin menekan
button Hapus. Berikut ini adalah contoh gambar dari modal hapus data
setelah admin menekan tombol hapus pada list matakuliah bahasa
Inggris pada sub menu matakuliah:
97
Gambar 4.30 Modal Hapus Data
d. Form Upload Excel
Form ini akan banyak ditemui pada menu setting analisis sentimen
tepatnya ketika admin menekan button upload excel yang tersedia pada
beberapa sub menu setting analisis sentimen. Berikut adalah gamar
form upload excel setelah admin menekan tombol upload excel pada
pada sub menu Uji Akurasi:
Gambar 4.31 Form Upload Excel
98
4.2 Pembahasan
Setelah aplikasi selesai dibuat maka langkah selanjutnya adalah pengujian
aplikasi, pada penelitian ini, ada 2 pengujian yang dilakuakan yaitu:
1. Pengujian Black-Box
Pengujian ini dilakukan terhadap sistem kuesioner berbasis web yang telah
dibuat.
2. Pengujian Akurasi
Pengujian ini dilakukan untuk mengukur tingkat akurasi dari algoritma
naïve bayes dalam melakukan analisis sentimen.
4.2.1 Hasil Pengujian Black-Box
Berdasarkan rencana pengujian yang telah dibuat, maka hasil pengujian
sistem kuesioner berbasis web yang dilengkapi dengan analisis sentimen
menggunkan metode naïve bayes akan dijelaskan pada tabel berikut:
Tabel 4.1 Tabel Pengujian Black-Box
No Item
Pengujian
Detail
Pengujian Hasil yang diharapkan
Hasil
Pengujain
1 Form Login Username User dan admin tidak
dapat masuk jika
username salah atau tidak
sesuai dengan database
Ok
Password User dan admin tidak
dapat masuk jika
password salah atau tidak
sesuai dengan database
Ok
2 Halaman
Admin
Menu Admin Menampilkan menu-
menu yang diharapkan
Ok
3 Menu Setting
Periode
Tambah Data Menampilkan modal
tambah periode
Ok
99
No Item
Pengujian
Detail
Pengujian Hasil yang diharapkan
Hasil
Pengujain
Modal tambah
periode
Dapat menginput data
periode baru
Ok
Button
Perpanjang
Menampilkan Modal
Perpanjang Periode
Ok
Modal
perpanjang
periode
Dapat memperpanjang
atau memperpendek
tanggal periode
Ok
Button Tutup
Sekarang
Merubah status periode
ke Tutup
Ok
Button Buka
Sekarang
Merubah status periode
ke Buka
Ok
4 Menu Setting
Analisis
Sentimen
Sub Menu Menampilkan sub menu
sesuai yang diharapkan
Ok
5 Data Training Upload Excel Mampu membaca data
excel
Ok
Draft Excel Mendownload
format_data_training.xlsx
Ok
Excel Mendownload data
training.xlsx
Ok
6 Data
Stopword
Upload Excel Mampu membaca data
excel
Ok
Draft Excel Mendownload
format_stopword.xlsx
Ok
Excel Mendownload data
stopword.xlsx
Ok
7 Kata Positif Tarik Data Mampu menarik data
kata positif dari data
training
Ok
8 Kata Negatif Tarik Data Mampu menarik data
kata negatif dari data
training
Ok
9 Kata Netral Tarik Data Mampu menarik data
kata netral dari data
training
Ok
10 Total Kata Tarik Data Mampu menarik data
kata dari data training
Ok
11 Data Testing Upload Excel Mampu membaca data Ok
100
No Item
Pengujian
Detail
Pengujian Hasil yang diharapkan
Hasil
Pengujain
excel
Draft Excel Mendownload
format_ujisentimen.xlsx
Ok
Excel Mendownload data
testing.xlsx
Ok
12 Menu Master
Akademik
Sub Menu Menampilkan sub menu
sesuai yang diharapkan
Ok
13 Semester Tambah Data Menampilkan modal
tambah semester
Ok
Modal tambah
semester
Dapat menginput data
semester baru
Ok
Ubah Menampilkan modal
ubah semester
Ok
Modal ubah
semester
Dapat mengubah data
semester
Ok
Hapus Menampilkan modal
hapus semester
Ok
Modal hapus
semester
Dapat menghapus data
semester
Ok
14 Prodi Tambah Data Menampilkan modal
tambah prodi
Ok
Modal tambah
prodi
Dapat menginput data
semester baru
Ok
Ubah Menampilkan modal
ubah prodi
Ok
Modal ubah
prodi
Dapat mengubah data
prodi
Ok
Hapus Menampilkan modal
hapus prodi
Ok
Modal hapus
prodi
Dapat menghapus data
prodi
Ok
15 Kelas Tambah Data Menampilkan modal
tambah kelas
Ok
Modal tambah
kelas
Dapat menginput data
kelas baru
Ok
Ubah Menampilkan modal
ubah kelas
Ok
Modal ubah Dapat mengubah data Ok
101
No Item
Pengujian
Detail
Pengujian Hasil yang diharapkan
Hasil
Pengujain
kelas kelas baru
Hapus Menampilkan modal
hapus kelas
Ok
Modal hapus
kelas
Dapat menghapus data
kelas
Ok
16 Dosen Tambah Data Menampilkan modal
tambah dosen
Ok
Modal tambah
dosen
Dapat menginput data
dosen baru
Ok
Ubah Menampilkan modal
ubah dosen
Ok
Modal ubah
dosen
Dapat mengubah data
dosen
Ok
Hapus Menampilkan modal
hapus dosen
Ok
Modal hapus
dosen
Dapat menghapus data
dosen
Ok
17 Matakuliah Tambah Data Menampilkan modal
tambah matakuliah
Ok
Modal tambah
matakuliah
Dapat menginput data
matakuliah baru
Ok
Ubah Menampilkan modal
ubah matakuliah
Ok
Modal ubah
matakuliah
Dapat mengubah data
matakuliah
Ok
Hapus Menampilkan modal
hapus matakuliah
Ok
Modal hapus
matakuliah
Dapat menghapus data
matakuliah
Ok
18 Menu Master
Kuesioner
Sub Menu Menampilkan sub menu
sesuai yang diharapkan
Ok
19 Peserta Tambah Data Menampilkan modal
tambah peserta
Ok
Modal tambah
peserta
Dapat menginput data
peserta baru
Ok
Ubah Menampilkan modal
ubah peserta
Ok
Modal ubah Dapat mengubah data Ok
102
No Item
Pengujian
Detail
Pengujian Hasil yang diharapkan
Hasil
Pengujain
peserta peserta
Hapus Menampilkan modal
hapus peserta
Ok
Modal hapus
peserta
Dapat menghapus data
peserta
Ok
20 Jenis Quis Tambah Data Menampilkan modal
tambah jenis quis
Ok
Modal tambah
jenis quis
Dapat menginput data
jenis quis baru
Ok
Ubah Menampilkan modal
ubah jenis quis
Ok
Modal ubah
jenis quis
Dapat mengubah data
jenis quis
Ok
Hapus Menampilkan modal
hapus jenis quis
Ok
Modal hapus
jenis quis
Dapat menghapus data
jenis quis
Ok
21 Soal Tambah Data Menampilkan modal
tambah soal
Ok
Modal tambah
soal
Dapat menginput data
soal baru
Ok
Ubah Menampilkan modal
ubah soal
Ok
Modal ubah
soal
Dapat mengubah data
soal
Ok
Hapus Menampilkan modal
hapus soal
Ok
Modal hapus
soal
Dapat menghapus data
soal
Ok
22 Jawaban Tambah Data Menampilkan modal
tambah jawaban
Ok
Modal tambah
jawaban
Dapat menginput data
jawaban baru
Ok
Ubah Menampilkan modal
ubah jawaban
Ok
Modal ubah
jawaban
Dapat mengubah data
jawaban
Ok
Hapus Menampilkan modal Ok
103
No Item
Pengujian
Detail
Pengujian Hasil yang diharapkan
Hasil
Pengujain
hapus jawaban
Modal hapus
jawaban
Dapat menghapus data
jawaban
Ok
23 Halaman
Laporan
Button lihat
laporan
Menuju halaman lihat
laporan
Ok
24 Halaman
Lihat
Laporan
Filter data cari Sesuai keinginan Ok
Filter data
excel
Sesuai keinginan Ok
25 Halaman
Siapakah
Anda
Button Menuju halaman
kuesioner yang tersedia
Ok
26 Halaman
Kuesioner
Yang
Tersedia
Button Menuju halaman
perhatian
Ok
27 Halaman
Perhatian
Button
Lanjutkan
Menuju halaman
kuesioner
Ok
Button Lihat
Daftar Yang
Sudah
Mengisi
Meuju halaman periode
yang tersedia
Ok
28 Halaman
Kuesioner
Input jawaban Berhasil menginput
jawaban
Ok
Button selesai Menyimpan jawaban Ok
29 Halaman
Periode Yang
Tersedia
List Button Menuju Halaman daftar
mahasiswa pengisi
Ok
30 Halaman
Daftar
Mahasiswa
Pengisi
Fungsi
halaman
Menampilkan list
mahasiswa pengisi sesuai
periode yang dipilih
Ok
Button
Kembali
Kembali ke halaman
periode yang tersedia
Ok
Sumber: Data Primer (2018)
4.2.2 Hasil Pengujian Akurasi
Pengujian ini terbagi menjadi 2 yaitu: akurasi terhadap data training, dan
akurasi terhadap data testing. Sebelumnya telah diketahui bahwa data training
104
yang digunakan pada penelitian ini adalah sebanyak 794 saran, dan data testing
yang digunakan dalam penelitian ini adalah 200 saran. Akurasi terhadap data
training maksudnya adalah melakukan uji akurasi dengan menggunakan data
training itu sendiri sebagai data testing. Sedangkan akurasi terhadap data testing
adalah melakukan uji akurasi dengan menggunakan data testing. Pengujian
akurasi dilakukan menggunakan rumus:
Berikut ini adalah hasil pengujian akurasi algoritma naïve bayes yang
digunkan untuk analisis sentimen pada penelitian ini:
1. Akurasi Terhadap Data Training
Gambar 4.32 Akurasi Terhadap Data Training
Jumlah data training sebagai data testing = 794
Jumlah prediksi benar naïve bayes = 726
105
2. Akurasi Tehadap Data Testing
Gambar 4.33 Akurasi Terhadap Data Testing
Jumlah data testing = 200
Jumlah prediksi benar naïve bayes = 167
Hasil akurasi yang didapatkan sudah cukup bagus meskipun dalam
penelitian ini masih belum menggunakan stemming. Hal ini disebabkan saran
yang masuk dari mahasiswa hanya fokus terhadap satu topik yaitu dosen,
sehingga yang dibahas tidak akan jauh dari keterlambatan, cara penyampaian dan
penguasaan materi. Dengan kata lain saran-saran yang masuk tidak terlalu
kompleks atau hanya itu-itu saja, sehingga sudah cukup terwakili dengan
preprocessing yang digunakan.
106
BAB V
PENUTUP
5.1 Kesimpulan
Kesimpulan yang didapatkan dari penelitian ini adalah sebagai berikut:
1. Telah berhasil dibuat sistem kuesioner berbasis web yang dilengkapi
dengan analisis sentimen terhadap data evaluasi kinerja dosen
menggunakan metode naïve bayes yang dibuktikan melalui pengujian
black-box.
2. Dengan analisis sentimen semua data saran yang belum dimanfaatkan bisa
digunakan sebagai data training dan data testing. Implementasi metode
naïve bayes pada penelitian ini menghasilkan akurasi 83.50%.
5.2 Saran
Berikut adalah beberapa saran untuk pengembangan aplikasi pada
penelitian ini:
1. Analisis sentimen pada penelitian ini hanya mengklasifikasikan saran ke
positif, negatif, dan netral. Hal ini masih perlu dikembangkan agar aplikasi
ini bisa mendeteksi kriteria terbanyak pada masing-masing sentimen yang
berguna sebagai informasi untuk dosen. Artinya penelitian ini masih bisa
dikembangkan dengan menambahkan dokumen klasifikasi sekali lagi.
2. Akurasi sudah cukup bagus, namun masih bisa untuk ditingkatkan, misal
dengan menggunakan algoritma yang lain, ataupun dikombinasikan
dengan pembobotan seperti TFIDF, dll.
107
DAFTAR PUSTAKA
A.S., Rosa, & Shalahuddin, M. (2018). Rekayasa Perangkat Lunak Terstruktur
Dan Berorientasi Objek. Informatika Bandung, Bandung.
Aggarwal, C. C. (2015). Data mining: the textbook. Springer. ISBN-
10: 3319141414
Bilal, M., Israr, H., Shahid, M., & Khan, A. (2016). Sentiment Classification of
Roman-Urdu opinions using Naïve bayesian, Decision Tree and KNN
Classification techniques. Journal of King Saud University-Computer
and Information Sciences, 28(3), 330-344.
http://dx.doi.org/10.1016/j.jksuci.2015.11.003
Bustami, B. (2014). Penerapan Algoritma Naïve bayes Untuk Mengklasifikasi
Data Nasabah Asuransi. Jurnal Informatika, 8(1).
Dhanalakshmi, V., Bino, D., & Saravanan, A. M. (2016, March). Opinion mining
from student feedback data using supervised learning algorithms. In Big
Data and Smart City (ICBDSC), 2016 3rd MEC International Conference
on (pp. 1-5). IEEE. DOI: 10.1109/ICBDSC.2016.7460390
Feldman, R. (2013). Techniques and applications for sentiment
analysis. Communications of the ACM, 56(4), 82-89.
DOI:10.1145/2436256.2436274
Haddi, E., Liu, X., & Shi, Y. (2013). The role of text pre-processing in sentiment
analysis. Procedia Computer Science, 17, 26-32.
DOI:10.1016/j.procs.2013.05.005
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques.
Elsevier. ISBN-10: 0123814790
Jusoh, S., & Alfawareh, H. M. (2012). Techniques, applications and challenging
issue in text mining. International Journal of Computer Science Issues
(IJCSI), 9(6), 431.
108
Kotu, V., & Deshpande, B. (2014). Predictive analytics and data mining:
concepts and practice with rapidminer. Morgan Kaufmann. ISBN-
10: 0128014601
Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on
human language technologies, 5(1), 1-167. DOI:10.1.1.244.9480
Lutfiyani, R. S., Adji, T. B., & Widyawan, W. (2018, August). Pengategorian
Abstrak Penelitian Mahasiswa Menggunakan Algoritma K-Means Dan
J48. In Prosiding SENTRA (Seminar Teknologi dan Rekayasa) (No. 1).
Manning, C. D., Raghavan, P., & Schütze, H. (2008).Introduction to Information
Retrieval, vol. 1. Cambridge University Press.
Miner, G., Elder IV, J., & Hill, T. (2012). Practical text mining and statistical
analysis for non-structured text data applications. Academic Press.
Muzakir, A., & Wulandari, R. A. (2016). Model Data Mining sebagai Prediksi
Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree. Scientific
Journal of Informatics, 3(1), 19-26. DOI: 10.15294/sji.v3i1.4610
Nofriansyah, D.,(2015). Konsep Data Mining Vs Sistem Pendukung Keputusan.
Deepublish. ISBN: 978-602-280-370-6
Permana, A. Y. (2017). Implementasi Stemming Porter KBBI Untuk Klasifikasi
Topik Soal Ujian Nasional Bahasa Indonesia Menggunakan Algoritma
Naive Bayes. SIGMA
Permana, A.Y., Ismasari, & Effendi, M.Makmun. (2018). Perbandingan Stemming
Porter KBBI Dengan Tala Untuk Mencari Akurasi Klasifikasi Topik Soal
UN Bhs. Indonesia Menggunakan Algoritma Naïve bayes. Prosiding
SNTI VI 2018 Universitas Trisakti, 274-281.
Priyanto, A., & Ma'arif, M. R. (2018). Implementasi Web Scrapping dan Text
Mining untuk Akuisisi dan Kategorisasi Informasi dari Internet (Studi
Kasus: Tutorial Hidroponik). Indonesian Journal of Information
System, 1(1), 25-33.
109
Rakholia, R. M., & Saini, J. R. (2017). Classification of Gujarati documents using
Naïve bayes Classifier. Indian Journal of Science and Technology, 10(5).
DOI: 10.17485/ijst/2017/v10i5/103233
Raval, K. M. (2012). Data Mining Techniques. International Journal of Advanced
Research in Computer Science and Software Engineering, 2(10).
DOI:10.1.1.898.6657
Rosadi, R., Akmal, A., Hidayat, A., & Kharismawan, B. (2018, January). Aplikasi
K-Means Clustering Untuk Mengelompokan Data Kinerja Akademik
Mahasiswa. In Prosiding-Seminar Nasional Teknik Elektro UIN Sunan
Gunung Djati Bandung (pp. 92-96).
Shrivastava, P., & Shukla, M. (2014). A study on some of data warehouses and
data mining (case study of data mining for environmental problems). Int.
J. Comput. Sci. Trends Technol.(IJCST), 2(1), 36-43.
Sulianta, F. (2017). Teknik Perancangan Arsitektur Sistem Informasi. Penerbit
ANDI, Yogyakarta.
Suryantara, I. G. N., Kom, S., & Kom, M. (2017). Merancang Applikasi dengan
Metodologi Extreme Programming. Elex Media Komputindo.
Tilve, A., & Jain, S. (2017). A Survey on Machine Learning Techniques for Text
Classification. International Journal of Engineering Sciences and
Research, 6(2), p513-520. DOI: 10.5281/zenodo.322477
Vyas, V., & Uma, V. (2018). An Extensive study of Sentiment Analysis tools and
Binary Classification of tweets using Rapid Miner. Procedia Computer
Science, 125, 329-335. DOI: 10.1016/j.procs.2017.12.044
Yusuf, S., Fauzi, M. A., & Brata, K. C. (2018). Sistem Temu Kembali Informasi
Pasal-Pasal KUHP (Kitab Undang-Undang Hukum Pidana) Berbasis
Android Menggunakan Metode Synonym Recognition dan Cosine
Similarity. Jurnal Pengembangan Teknologi Informasi dan Ilmu
Komputer e-ISSN, 2548, 964X.
110
Zhang, L., & Liu, B. (2016). Sentiment analysis and opinion
mining. Encyclopedia of Machine Learning and Data Mining, 1-10. DOI
10.1007/978-1-4899-7502-7 907-1
Zy, A. T., & Nugroho, A. (2017). Comparison Algorithm Classification Naive
Bayes, Decision Tree, Andneural Network Foranalysis Sentiment.
In International Conference on Economic, Business, and
Accounting (Vol. 1, No. 1, pp. 115-115).
111
LAMPIRAN 1
SERTIFIKAT TIDAK PLAGIAT
112
LAMPIRAN 2
DATA TRAINING
No. SARAN SENTIMEN
1 mohon sangat pak, kalau mengajar jangan kecepatan dan harus
melihat yang belum Negatif
2 saat menjelaskan terlalu cepat, mohon lebih lambat Negatif
3 jangan terlalu cepat menjelaskan materi Negatif
4 sarannya bapak lebih santai lagi mengajarnya, jangan terlalu
tegang Negatif
5 bapa quisnya jangan terlalu banyak Negatif
6 menerangkan jangan terlalu cepat pak Negatif
7 kalau menjelaskan jangan cepet-cepet pak Negatif
8 semoga makin rajin masuk kelas pak Negatif
9 suaranya diperbesar lagi Negatif
10
diharapkan kedepannya, kalau yang berhubungan dengan
aplikasi komputer harap pelan-pelan pak. Karna saya sering
ketinggalan
Negatif
11 nihil Netral
12 pengajaran materi yang sangat baik Positif
13 sudah sangat bagus lebih ditingkatkan lagi Positif
14 cara pengajaran jangan terlalu cepat Negatif
15 lebih banyak pengulangan dalam memberi materi agar kami
lebih paham Negatif
16 dosen pada matakuliah ini sangat memotivasi Positif
17 kalau nerangin rumus jangan buru-buru ya pak Negatif
18 apabila menerangkan/menjelaskan exel jangan buru-buru Negatif
19 apabila menerangkan excel jangan terlalu cepat Negatif
20 semoga lebih baik lagi Netral
21 cukup baik saat menerangkan Positif
22 terus pertahankan kedisiplinan yang ada ya pak Positif
23 kurangi quiz yang mendadak. Jika akan diadakan maka beritahu
siswa terlebih dahulu Negatif
24 pak jangan susah-susah kalau bikin aplikasi untuk UTS/UAS :(
suka beda simulasi sama uas :( Negatif
25 cara belajar/proses pembelajaran jangan kecepetan (terburu-
buru) Negatif
26 sistem ngajar sudah terbaik Positif
27 banyakin beri motivasi biar mahasiswa tambah semangat Negatif
28 memotivasi mahasiswa dengan perkataannya Positif
113
No. SARAN SENTIMEN
29 harus tepat waktu pas masuk kuliah pagi Negatif
30 agar lebih baik lagi kedepannya Netral
31 tidak ada saran Netral
32 menurut saya pak hudori sudah sangat menguasai materi Positif
33 bagus Positif
34 kocak, senang bikin mahasiswa bingung, semoga semakin
membangun dan mendidik Positif
35 tingkatkan lagi dalam proses mengajar Negatif
36 dosennya paham dan menguasai komputer Positif
37 harus dosen yang memberi ilmu Negatif
38 mengajar seperti biasa karena sudah baik dan mudah dipahami Positif
39 dipertahankan ya pak kebaikan dalam mengajarnya Positif
40 dosen yang baik yang selalu mengajari kami cara memainkan
komputer Positif
41 jangan sering telat ya pak Negatif
42 tetap semangat dalam mengajar Netral
43 lebih rajin masuk Negatif
44 untuk lebih baik kedepannya dalam penyampaian materi Netral
45 saran saya semoga semakin meningkatkan proses belajar
mengajar Netral
46 semangat terus dalam mendidik dan mengajari mahasiswa Netral
47 sudah bagus dalam pengajaran Positif
48 jangan terlalu suka membuat mahasiswa pusing Negatif
49 mengajar sudah baik, tetap seperti itu ya pak Positif
50 semangat Netral
51 semoga tetap baik dalam mengajar Positif
52 berikan kami dengan nilai yang terbaik Netral
53 udah bapak aja yang mengajar jangan ganti ganti Positif
54 on time pak!! Negatif
55 semoga perkuliahan dikampus cwe makin lebih baik Netral
56 dapat lebih memotivasi mahasiswanya lagi Negatif
57 harus tepat waktu disiplin sesuai dengan jadwal Negatif
58 jangan sering marah pak :D Negatif
59 saat menjelaskan pelan-pelan saja pak Negatif
60 terlalu cepat jelasinnya. Jelasin sampai mahasiswanya bener-
bener mengerti Negatif
61 datang tepat waktu sesuai jadwal Negatif
62 kalau mengajar fokusnya ke penjelasan jangan dialihkan.
Senyum ngapa pak kalau lagi ngajar :) Negatif
63 penjelasan materi jangan terlalu cepat Negatif
64 diharapkan memberikan wawasan pada komputer Netral
65 semoga semakin asyik belajarnya Netral
114
No. SARAN SENTIMEN
66 dalam penyampaian materi lebih diperjelas agar mudah
dipahami Negatif
67 saran saya, ketika dosen mengajar jangan terlalu cepat, sehingga
kami sulit untuk memahami Negatif
68 dosen lebih memberi soal-soal/latihan yang mampu
meningkatkan kemampuan mahasiswa Negatif
69 saat memberikan materi harus banyak sesuai modul Negatif
70 prakteknya ditambah, buat inovasi biar dikenal hingga nasional
maupun dunia Negatif
71 dalam menjelaskan jangan terlalu cepat pak Negatif
72 lebih banyak praktik untuk kedepannya Negatif
73
dalam mengajar tolong penyampaiannya lebih jelas pak dan
sesuai materi agar tidak mempersulit kami disaat ujian seperti
ini
Negatif
74 dalam proses belajar mengajar agar kelas lebih efektif dalam arti
kerja kelompok lebih diperbanyak kerjasama antar mahasiswa Negatif
75 harus lebih semangat lagi dalam mengajar matakuliah
pengetahuan bahan Negatif
76 saran saya terhadap bapak yaitu volume suara agak dinaikan lagi
itu saja pak Negatif
77 menjelaskan jangan diulang-ulang Negatif
78 seharusnya waktu mengajar harus lebih disesuaikan dengan
jadwal yang ada Negatif
79
bapak kalau ngasih soal jangan susah-susah ya pak :'( soalnya
kan gak semua siswa punya kemampuan dan otak yang sama
pak, ngasih soalnya sesuai kemampuan kami lah ya pak
Negatif
80 semoga lebih ditingkatkan lagi kretifitas untuk mahasiswa Netral
81 bapak jika memberi tugas atau soal jangan ribet dan susah ya
pak karena logika berfikir mahasiswa tidak semua sama Negatif
82 kurangnya waktu pembelajaran dalam matkul ini, karena
membutuhkan pemahaman yang lebih Negatif
83 no coment Netral
84 tidak ada saran Netral
85 kasih yang dikit dong pak soalnya hoho Negatif
86 no coment Netral
87 dengan pelajaran plc sangat memuaskan mahasiswa. Mahasiswa
lebih kreatif Positif
88 memperbanyak praktikum terkait pelajarannya pak Negatif
89 sebaiknya lebih tepat waktu lagi hadir diruangan Negatif
90 jangan susah-susah pak! Hehe :) Netral
91 agar tidak terlalu mempersulit kami Negatif
92 lebih tepat waktu Negatif
115
No. SARAN SENTIMEN
93 seperti ini terus pak Positif
94 pak mahfud the best Positif
95 perlu diperbanyak praktikum lagi Negatif
96 dosen mengajarkan sudah lengkap dan cepat dimengerti, untuk
kedepannya kami mohon lebih banyak praktikumnya Positif
97 no coment Netral
98 seharusnya diperlukan waktu yang lebih banyak agar ilmu yang
diteransfer lebih maksimal Negatif
99 jangan cepat-cepat kalau ngejelasin Negatif
100 saat sedang menjelaskan jangan terlalu cepat Negatif
101 agar lebih sabar menghadapi mahasiswa Negatif
102 dimohon untuk lebih sabar kepada mahasiswa Negatif
103 saran saya penyampaian materi ke mahasiswa lebih jelas agar
mahasiswa mengerti Negatif
104 jangan galak2x nya pak Negatif
105 jangan mudah marah-marah pak Negatif
106 jangan terlalu serius saat mengajar Negatif
107 sebaiknya dalam mengajar/menerangkan pelajaran harus lebih
jelas lagi Negatif
108
tolong pak kalau ngajar jangan tergantung mood bapak. Gimana
mau ngerjain soal kalau lagi ga mood bapak pasti ngasih banyak
tugas
Negatif
109 apabila menyampaikan materi dengan jelas Negatif
110 pembelajaran yang sangat luar biasa Positif
111 dosen yang bersangkutan meningkatkan atau memberi
praktikum dengan jelas Positif
112 semoga lebih baik lagi Netral
113 sudah baik tapi agak galak Netral
114 agar lebih meningkatkan latihan2x soal materi Negatif
115 lebih ditingkatkan lagi mengenai cara mengajarnya lebih tegas
lagi Negatif
116 agar menjadi lebih baik lagi selanjutnya Netral
117
pak berikan gambaran terlebih dahulu mengenai proses
penyelenggaraan kerja agar kami ada gambaran dalam membuat
SOP. Terima kasih
Negatif
118 Pak basuki is the best lah!! :) Positif
119 mohon pak dalam pembuatan SOP sebaiknya diberi contoh
terlebih dahulu. Terimakasih Pak Negatif
120 no coment Netral
121 baik dalam mengajar tapi terlalu rumit dalam menerangkan Negatif
122 kapan-kapan langsung ajak mahasiswanya main ke
perusahaannya pak Netral
116
No. SARAN SENTIMEN
123 untuk volume suara bapak ini kurang keras sehingga kami
sedikit kesulitan dalam mendengarkan Negatif
124 lebih memberikan ilmu yang lebih banyak lagi ya pak supaya
kita mahasiswa bisa mendapat ilmu yang bermanfaat lagi pak Negatif
125 diharapkan saat menjelaskan lebih baik lagi dan menjelaskan
dengan jelas serta memberi contohnya Negatif
126 alangkah lebih baik jika mendengarkan pendapat mahasiswanya Negatif
127 jangan menggunakan bahasa yang sulit dipahami oleh
mahasiswa Negatif
128 saran sudah cukup baik namun kurang sabar Negatif
129 lebih jelas apabila menerangkan Negatif
130 konsep mengajar lebih ditingkatkan Negatif
131 harus tepat waktu apabila masuk perkuliahan pagi Negatif
132 dosen pada mata kuliah ini mampu memberikan pengaturan dan
wawasan baru Positif
133 orang yang mampu memberikan semangat yang luar biasa Positif
134 sebaiknya dosen datang tepat waktu (sesuai dengan jadwal) Negatif
135 semoga lebih baik lagi Netral
136 lebih jelas dalam mengajar Negatif
137 sarannya agar bapak mengajarnya lebih semangat lagi dan tidak
terlalu flat Negatif
138 bapak kalau revisi jangan terlalu serius Negatif
139 cara mengajar lebih kreatif Negatif
140 supaya kedepannya mengajar lebih efektif lagi Negatif
141 suaranya lebih diperbesar lagi Negatif
142 the best Positif
143 suaranya kalau sedang mengajar harus dilantangin ya Negatif
144 sebaiknya masuk sesuai jadwal yang sudah dibuat Negatif
145 semoga bisa mngendaliin mahasiswanya Negatif
146 lebih baik lagi mengajarnya ya pak Netral
147 perbesar suara Negatif
148 tetap semangat dalam mengajar kami Netral
149 menjelaskan materi jangan terlalu cepat Negatif
150 dimohon dosen agar menjelaskan lebih jelas lagi Negatif
151 cara mengajar di kelas lebih asyik lagi agar suasana kelas tidak
boring Negatif
152 sarannya mengajarnya buat kedepannya lebih baik lagi supaya
mudah dimengerti Negatif
153 menambah cara mengajar supaya tidak boring Negatif
154
saran saya, apabila menjelaskan agar suaranya lebih keras dan
jelas agar mahasiswa yang duduk dibelakang mendengar dengan
jelas
Negatif
117
No. SARAN SENTIMEN
155 lebih baik lagi Netral
156 tidak ada saran Netral
157 membandingkan mahasiswa dengan mahasiswa lainnya
berdasarkan materi akan membuat mahasiswa patah semangat Negatif
158
jangan suka membanding2xkan mahasiswa yang belom
mengerti dengan yang sudah mengerti. Beri semangat
mahasiswa yang belum mengerti bukan malah dikucilkan
Negatif
159 jangan pernah membandingkan kemampuan kami Negatif
160 kasih motivasi mahasiswa yang kurang bisa memahami materi Negatif
161 jangan meremehkan orang yang pernah gagal Negatif
162 seharusnya bapak lebih memperhatikan mahasiswa & mahasiswi
yang kurang bisa memahami bukan hanya yang paham saja Negatif
163 kalau mengajar khususnya bagian payrol jangan cepat-cepat Negatif
164 lebih lagi dalam memberikan wawasan pembelajaran Negatif
165 lebih pelan u/ menjelaskan Negatif
166 jangan memilih-milih Negatif
167 lebih sabar dalam mendidik pak Negatif
168 agar dosen bisa lebih mengerti dan memotivasi mahasiswa Negatif
169 jangan memilih-milih Negatif
170 beri semangat pada kami Negatif
171 jangan membeda-bedakan Negatif
172 harus lebih bisa menerima pendapat mahasiswa Negatif
173 lebih banyak praktik kegiatan yang berguna saat dilapangan Negatif
174 moodnya dikontrol pak Negatif
175 membaur dengan mahasiswanya Negatif
176 jangan cepat baper saat mengajar, kurang mengenal mahasiswa Negatif
177 harus lebih bisa memanfaatkan fasilitas penunjang kegiatan
belajar Negatif
178 lebih memahami kemampuan mahasiswa Negatif
179 ada kegiatan eksternal/kunjungan yang lebih menarik Netral
180 jangan terlalu emosi ya pak, jangan baperan juga hehe… Negatif
181 masuk perkuliahan jangan maghrib banget pak seenggaknya jam
6.30 gitu biar bisa sholat maghribnya di kos Negatif
182 agar lebih memperbanyak praktek daripada teori Negatif
183 selalu sabar menghadapi kami Negatif
184 lebih baik lagi ya pak/bu Netral
185 sudah menyampaikan pelajaran dengan baik Positif
186 lebih jelas untuk memberikan latihan soal dan lebih memahami
lagi Negatif
187 untuk bapak rodjimin sudah menyampaikan materi dengan baik Positif
188 untuk ibu muqtasidah agar lebih jelas dalam memberikan latihan Negatif
118
No. SARAN SENTIMEN
189 kurang dalam menyampaikan materi2x didepan Negatif
190
dosen kurang mampu menyampaikan materi, suara kurang jelas,
terlalu rumit dengan cara mengajar, masih terpaku banget
dengan buku, yang saya butuhkan ilmu terapan bukan ilmu
murni
Negatif
191 agar lebih baik lagi dalam menyampaikan materi di dalam kelas Negatif
192 agar dosen bersangkutan lebih jelas dalam hal menerangkan
pelajaran Negatif
193 semoga tidak pernah lesu mengajar ade-ade tingkat kami Netral
194 lebih dikuasai lagi materinya Negatif
195 lebih sabar dalam mendidik Negatif
196 ketika memberi penjelasan seharusnya bisa berkomunikasi
dengan baik dengan mahasiswa/mahasiswinya Negatif
197 lebih meningkatkan kegiatan praktek dalam pembelajaran Negatif
198 lebih banyak praktek lagi, karena praktek lebih mudah dipahami Negatif
199 lebih banyak simulasi Negatif
200 diadakan kegiatan eksternal untuk matakuliah terkait Netral
201 lebih menekankan kepada mahasiswa untuk kreatif dan inovatif Negatif
202 harus lebih datang tepat waktu Negatif
203 jangan terlalu banyak ngasih tugas ya pak Negatif
204 sebaiknya bapak menjelaskan materi tidak terlalu cepat Negatif
205 kurangi tempo pelajaran yang cepat pak dan banyak2x lah
senyum pak Negatif
206 Membuat perkuliahan menjadi lebih menarik Negatif
207 lebih baik lagi kedepannya dan semoga ilmu yang diberikan
bermanfaat Netral
208 jangan terlalu cepat menyampaikan materi ya pak Negatif
209 semoga lebih baik untuk kedepannya Netral
210 jangan terlalu misterius Negatif
211 semoga ilmu yang diberikan bermanfaat Netral
212 tingkatkan solidaritas kepada mahasiswa Negatif
213 memberi wawasan baru terhadap mahasiswa Positif
214 menjadi dosen yang lebih baik Positif
215 penggambaran agar lebih diperjelas saat penyampaian Negatif
216 lebih mengawasi siswa yang sedang praktikum Negatif
217 semoga kedepannya lebih baik Netral
218 untuk TPL mungkin lebih baik bila diperbanyak praktikum Negatif
219 saat praktikum harusnya lebih banyak bagaimana cara
pembuatan bakteri Negatif
220 praktikum dapat lebih sering dilakukan Negatif
119
No. SARAN SENTIMEN
221
sebaiknya dosen dalam mengajar di kelas agar tidak terburu-
buru sehingga materi yang disampaikan dapat dipahami dengan
baik dan jelas
Negatif
222 praktik terkait pengolahan IPAL perlu diperbanyak Negatif
223 buk, kalau ngajar jangan cepet-cepet ya :) Negatif
224 proses mengajar di semester 1 terulang lagi yaitu caranya cepat Negatif
225 menyampaikan materi jangan terlalu cepat Negatif
226 terbaik!!! Hehehe Positif
227 pada saat menjelaskan materi kuliah dipelankan. (pelan-pelan
ibu) Negatif
228 sebaiknya jangan terlalu cepat saat menjelaskan Negatif
229 tidak ada saran bu :) Netral
230 perbanyak praktek bu. Terima kasih Negatif
231 jika menjelaskan jangan terlalu cepat, Bu. :D Negatif
232 penyampaian materi sangat dimengerti dan lengkap, tambah lagi
praktikum agar lebih paham lagi Positif
233 harus jadi lebih baik lagi Netral
234 tingkatkan! Negatif
235
semoga kedepannya lebih baik dan semoga untuk selanjutnya
berikan contoh gambar yang sulit juga agar saat mengerjakan
praktek gambar dapat dipahami
Negatif
236 lebih semangat lagi dalam mengajar matakuliah gambar teknik Negatif
237 saran saya terhadap bapak, yaitu coba mengulang sekilas materi
karena ada sebagian mahasiswa/I kurang mengerti pak :) Negatif
238
kegiatan praktikum lebih banyak menggunkan benda-benda
yang terdapat di lapangan agar paham
penempatannya/pemakaiannya
Netral
239 mengajar tepat waktu sesuai jadwal kontrak kuliah Negatif
240 seharusnya tetap mengajar dengan waktu yang sesuai dengan
jadwal yang ada Negatif
241 perbanyak praktek, kasih ilmu baru ya pak Negatif
242 lebih banyak menggunakan contoh yang mudah
dipahami/contoh gambar Negatif
243 saran, semoga dalam menjelaskan materi bapak bisa lebih detail
lagi Negatif
244 contoh penerapan harus lebih jelas lagi agar lebih mudah
dipahami Negatif
245 saran saya, ketika dosen mengajar jangan terlalu cepat, sehingga
kami sulit untuk memahami Negatif
246
sebaiknya dalam proses mengajar menggunakan bahasa yang
mudah dipahami agar siswa dapat memahami pelajaran dengan
baik
Negatif
120
No. SARAN SENTIMEN
247 Pak Yudi! Lebih konsisten pada jam matakuliah Negatif
248 bapak kalau mengajar tepat waktu agar materi dapat dituntaskan Negatif
249 lebih banyak contoh soal, dan video-video untuk menunjang Netral
250 kedepannya dosen dapat disiplin dan menyampaikan secara
lengkap Negatif
251 dosen harus masuk tepat waktu!!!! Negatif
252 butuh praktek tambahan di semester IV selain PL Negatif
253 perbanyak mengajarkan studi kasus Netral
254 lebih tepat waktu datang mengajar. Negatif
255 jangan terlalu banyak jam kosong Negatif
256 sebaiknya pada saat menjelaskan diberikan keterangan yang
jelas pak. Negatif
257 seharusnya dosen mengajarkan dengan tepat waktu Negatif
258 diharapkan tepat waktu dalam mengajar Negatif
259 tidak bisa memberikan saran Netral
260 mungkin jangan terlalu banyak cerita tentang keluarga kali yah
btw saya suka sih kalau yang ngajar ibu gg bosen dan jelas Positif
261 lebih banyak memberikan materi soft skill kepada mahasiswa Netral
262 semoga ilmu yang diberikan ibu bermanfaat untuk ke depan Netral
263 lebih fokus pada materi Negatif
264 istirahat saat adzan dzuhur agar bisa sholat dzuhur Negatif
265 memberi wawasan baru Positif
266 mungkin metode cara penyampaian aja yang diperlambat Negatif
267 membuat proses perkuliahan lebih menyenangkan Netral
268 kedepannya supaya lebih baik lagi dan semoga bermanfaat apa
yang sudah diberikan ilmunya Netral
269 agar menjadi lebih baik untuk kedepannya Netral
270 agar lebih baik dari yang sebelumnya Netral
271
sejauh ini saya rasa cukup baik untuk cara mengajar ibu, tapi
lebih baik jika mengurangi bercerita dalam proses KBM.
Terimakasih
Positif
272 tingkatkan! Negatif
273 jam mulai dan selesainya matakuliah tetap disesuaikan dengan
jadwal yang ada Negatif
274 kasih soal uas, uts dan quisnya dibuat susah tapi mudah
dimengerti ya bu! Netral
275 penyampaian materi lebih dipermudah Negatif
276 harus lebih sabar lagi karena mata kuliah mtk sulit. Mahasiswa
kadang membuat kesal karna tidak mengerti Negatif
277 lebih pelan lagi dalam menjelaskan sehingga mahasiswa mudah
untuk memahami Negatif
121
No. SARAN SENTIMEN
278 saran saya, dosen mengajarkan jangan terlalu cepat sehingga
kami sulit untuk memahami Negatif
279
dalam menjelaskan materi sebaiknya jangan terlalu cepat buk.
Agar kami benar-benar memahami materi, serta contoh soalnya
sebaiknya sama dengan soal-soal yang sering ibu keluarkan di
ujian/kuis
Negatif
280 dalam penyampaian materi jangan cepat-cepat, dan untuk proses
belajarnya untuk mahasiswa lebih dikontrol lagi Negatif
281 dalam proses perkuliahan agar lebih dalam menjelaskan jangan
terlalu cepat Negatif
282 jangan terlalu terburu-buru dalam menjelaskan materi maupun
dalam penerapan konsep Negatif
283 tidak ada saran yang harus saya berikan untuk sekarang Netral
284 memberikan contoh soal harus sesuai dengan apa yang akan di
ujiankan Negatif
285
semoga ibu menjadi yang terbaik dari yang terbaik, untuk slide
langsung rumus saja bu jangan pakai teori terkadang membuat
tidak paham
Negatif
286 lebih baik dalam mengajar untuk kedepannya Netral
287 agar lebih baik lagi kedepannya Netral
288 agar mahasiswa lebih mengerti Netral
289 semoga ilmu yang diberikan bermanfaat bagi kami Netral
290 untuk ibu indriana kalau mengajar jangan terlalu cepat temponya
buk Negatif
291 tidak terpaku dalam satu cara menurut saya itu baik Netral
292 jangan terlalu cepat dalam menerangkan materi Negatif
293 memperbanyak materi tentang ilmu softskill Netral
294 lebih baik lagi kedepannya dan mengasih motivasi yang lebih
banyak kepada mahasiswa Netral
295 menyampaikan materi tidak terlalu cepat Negatif
296 lebih jelas menjelaskan materi dan tidak terlalu cepat Negatif
297 jangan terlalu cepat dalam menjelaskan materi Negatif
298 sebaiknya ibu tidak menjelaskan materi dengan terlalu cepat Negatif
299 jangan cepat-cepat bu kalau menjelaskan Negatif
300 lebih baik dalam menjawab pertanyaan mahasiswa Negatif
301 diharapkan tepat waktu dalam mengajar / masuk dengan tepat
waktu Negatif
302 tepat waktu Negatif
303 cobalah lebih tepat waktu Negatif
304 masuk kelas sesuai jadwal Negatif
305 sebaiknya, dosen masuk pada waktunya (on time) !!! Negatif
306 seharusnya bisa konsekuensi dengan waktu Negatif
122
No. SARAN SENTIMEN
307 sebaiknya datang lebih tepat waktu Negatif
308 keterlambatan pada saat perkuliahan, mungkin harus dikurangi Negatif
309 tidak ada Netral
310 tidak ada saran Netral
311 lebih spesifik dalam menerangkan materi Negatif
312 kami harap dosen datang dengan disiplin Negatif
313 matakuliah TP2 seharusnya dibahas lebih mendetail karena
untuk pengenalan sudah semester 1 dan 2 Negatif
314 sebaiknya ada waktu pengganti saat kosongnya jam pelajaran
atau adanya tugas pengganti Negatif
315 saat mengajar dosen seharusnya tepat waktu dan saat ada jam
kosong dosen wajib ada jam pengganti Negatif
316 sarannya agar bapak tidak telat lagi, karena kita bisa ketinggalan
materi Negatif
317 mengisi jam matakuliah sesuai waktu yang ditentukan Negatif
318 diharapkan tepat waktu saat ada kelas Negatif
319 sebaiknya dalam menyampaikan materi jangan terlalu terburu-
buru. Negatif
320 waktu perkuliahan tidak diperhatikan dengan baik (cepat kelar
matakuliahnya). Negatif
321 perlu jam tambahan pak Negatif
322
dalam proses mengajar diusahakan agar materi yang
disampaikan dengan jelas dan tidak pindah ke materi lain
sebelum materi yang lain selesai
Negatif
323 dosen sebaiknya konsisten dengan waktu perkuliahan Negatif
324 lebih tepat waktu datang mengajar. Negatif
325 tingkatkan pak :| Negatif
326 Banyak materi yang tertinggal, dan materi yang disampaikan
kurang spesifik Negatif
327 mudah dipahami dan cara penyampaian bagus. Positif
328 pas Positif
329 memperbanyak praktek lapangan agar semua materi cepat
dimengerti Netral
330 agar ditingkatkan lagi cara penyampaian materinya supaya
mahasiswa mudah memahami lagi. Negatif
331 saran: selalu memberikan ilmu baru yang ada Netral
332
untuk kedepan lebih baiknya matkul HPT, praktikumnya lebih
sering karena selain menambah wawasan juga dapat menambah
softskill.
Netral
333 Lebih tegas kepada mahasiswa. Negatif
123
No. SARAN SENTIMEN
334
kurangnya semangat dosen ditambah sikap yang kurang peduli
thd mahasiswa menyebabkan motivasi mahasiswa untuk belajar
rendah.
Negatif
335 1. Sudah Baik. Positif
336 Mempertahankan cara belajar mengajar di kelas. Positif
337 Jangan terlalu banya cerita yang kurang penting Negatif
338 Lebih banyak melakukan praktek lapangan dibanding teori Netral
339 Tingkatkan kualitas mengajar. Negatif
340 Ditambah lagi praktikumnya agar memberikan pengetahuan dan
wawasan baru. Netral
341 Semangat Buat pak jojon. Netral
342 Dosen lebih lagi untuk memotivasi mahasiswa. Negatif
343 Dosen yang mengajarkan mata kuliah ini sudah baik dalam
proses belajar mengajarnya semoga ke depan lebih baik lagi. Positif
344 Agar lebih banyak melakukan praktek di lapangan. Netral
345 Pak Jojon terbaik!!! Positif
346 Banyak banyak memberikan motivasi kepada mahasiswa. Negatif
347 Kadang-kadang dosen 1 dan 2 materinya beda Negatif
348 Tingkatkan lagi dalam proses mengajar Negatif
349 Semangat. Netral
350 Harus memberikan bimbingan yang jelas saat melaksanakan
praktikum. Negatif
351 Dosen mengajar tetap seperti biasanya karena mudah dipahami
materi pembelajaran. Positif
352 Tingkatkan lagi cara mengajarnya! Negatif
353 Berikanlah cara mengajar untuk siswa dengan cara unik. Agar
siswa tidak merasa bosan saat pembelajaran dimulai/berlagsung Negatif
354 Jangan terlalu cepat menjelaskan materi. Negatif
355 cara belajar yang lebih efektif lagi untuk kedepannya Netral
356
untuk pak toto dan ibu dani, contek harus berjalan biar
mahasiswa tidak kebingungan. Jangan 1 bilang A 1 bilang B,
harus serasi biar mahasiswa tidak kebingungan.
Negatif
357
Bu Dani harap lebih menguasai materi yang ingin diajarkan
kepada kami, supaya kami tidak terlalu bingung untuk
menanggapinya. Pak toto, sekali-kali masuklah ke kelas BPKS
B, kami sangat membutuhkan ilmu dari bapak.
Negatif
358 Belajar kaya gini aja pak biar cepet ngerti Positif
359 saya minta tolong pak, anak yang di suruh maju ngerjain contoh,
jangan yang itu itu aja , karena kita juga ingin bisa Negatif
360 agar lebih detail lagi dalam menjelaskan akuntansi karena tidak
semua mahasiswa berlatar ips Negatif
361 agar lebih baik lagi selanjutnya Netral
124
No. SARAN SENTIMEN
362 Buka kelas khusus akuntansi dong pak. Wkwk, saya masih
kurang paham Negatif
363 jangan terlalu cepat ya pak jelasin nya Negatif
364 Proses belajar mengajar kurang mudah di mengerti lebih
ditingkatkan kembali, terimakasih Negatif
365
jangan menjudge mahasiswa pak jika tidak bisa, sebaiknya
bapak perhatikan jangan yang bisa saja bapak perhatikan.
semangat terus mengajarnya pak
Negatif
366 saran saya, semoga bapak di semester lanjut agar lebih pelan
dalam menjelaskan Negatif
367 semoga kedepannya dapat lebih baik lagi Netral
368 lebih jelas dalam mengajar Negatif
369 kalau mengajar jangan membandingkan anak yang satu dengan
yang lain pak Negatif
370 bapak tolong ya jangan meremehkan yang tidak bisa Negatif
371 jangan selalu membandingkan mahasiswa karena,karena
mempunyai kemampuan masing - masing Negatif
372 jangan terlalu cepat menerangkan pak Negatif
373 cara pengajaran lebih baik Negatif
374 saat dosen menjelaskan masih ada beberapa materi yang kurang
jelas Negatif
375 harus lebih pahami kita siswa yang kurang paham Negatif
376 dalam menjelaskan materi harus lebih bagus lagi Negatif
377 materinya yang disampaikan yang jelas dan detail ya pak Negatif
378 suara nya diperbesar lagi, lebih sabar lagi menghadapi
mahasiswa Negatif
379 jangan bikin tegang ya pak kalo lagi ngajar di kelas Negatif
380 kurangin ngomongin orang ya pak Negatif
381 bapak jangan terlalu pilih kasih antara yang pintar dengan yang
kurang pintar Negatif
382 Harus tepat waktu masuk kuliah pagi Negatif
383 Semoga lebih baik lagi Netral
384 Pertahankan prinsip Bapak ya Positif
385 Lebih teliti lagi dalam mengajar, tidak pilih kasih, orayang ga
ngerti juga ingin ngerti pak pelajarannya bukan orang pinter aja Negatif
386 sebaiknya dalam penyampaian materi dikelas harus lebih jelas
lagi Negatif
387 Dosen favorit Positif
388 Dosen mata kuliah ini memotivasi mahasiswa Positif
389 Jika menerangkan jangan terpaku pada satu orang Negatif
390 apabila menerangkan lebih jelas Negatif
125
No. SARAN SENTIMEN
391 menyampaikan materi nya lebih diperhatikan, tidak hanya fokus
kepada yang bisa Negatif
392 sebaiknya memberikan contoh dengan jelas, tidak menggunakan
badan tetap Negatif
393 Pak, pulang nya jangan sore cape! Negatif
394 lebih memperbanyak praktek / contoh - contoh dari pada teori Netral
395 Ada simulasi dari kegiatan belajar Netral
396 pembelajaran yang interaktif dikelas, lebih menyenangkan dari
pada hanya pasif saja Negatif
397 suara dan intonasi lebih keras ya pak, ketika mengajar Negatif
398 utamakan sesuai dengan jadwal yang ada, masuk lebih tepat
waktu Negatif
399 agak bagus pak Positif
400 lebih banyak studi kasus Netral
401 ketika menjelaskan suaranya agak lebih tegas Negatif
402 sedikit penekanan keras pada mahasiswa untuk memperhatikan
perkuliahan Negatif
403 harus bisa lebih interaktif dengan mahasiswa Negatif
404 Lebih sabar dalam mendidik Negatif
405 sabar untuk mendidik Negatif
406 pembelajaran sesuai daftar Negatif
407 seharusnya menjelaskan lebih jelas lagi Negatif
408 Lebih baik lagi dalam menyampaikan materi jangan monoton Negatif
409 saat proses mengajar agar lebih tegas dengan mahasiswa Negatif
410 menyampaikan materi dengan jelas Negatif
411 saran untuk dosen lebih diperhatikan lagi praktek dalam
pembelajaran Negatif
412 jika menyampaikan harus dikuasai dulu Negatif
413 kenapa selalu memberatkan mahasiswa dengan ujian banyak
sekali hafalan, kita susah untuk menghafal Negatif
414 Teruslah Berkarya Netral
415 sesekali, manajemen audit ini melakukan praktik secara
langsung Negatif
416 agar dosen lebih baik lagi dari sebelumnya Netral
417 selalu sabar hadapi kami Negatif
418 semoga semester selanjutnya bisa lebih pelan dalam
menjelaskan materi kuliah Negatif
419 bapak baik, tapi terkadang ngeselin, tetapi suka memotivasi.
Semangat terus mengajarnya pak Positif
420 jangan galak galak bapak Negatif
421 jangan galak galak, jangan ngasih soal yang susah susah pak Negatif
126
No. SARAN SENTIMEN
422
supaya kedepannya bapak jangan terlalu banyak ngasih soal pak,
pusing saya pak, terus kalau saya nanya bapak jangan nyanyi
suara bapak tidak membuat saya menemukan jawaban, wkwkw
Negatif
423 jangan ngasih soal yang susah sampe kita menderita Negatif
424 jangan kasih tugas sulit pak Negatif
425 kurangi nyinyir dan pelit nilai Negatif
426 lebih tepat waktu dan ngajar lebih jelas Negatif
427 materinya di sampaikan pelan-pelan pak supaya jelas Negatif
428 soal quiznya jangan terlalu susah Negatif
429 saat menjelaskan terlalu cepat Negatif
430 kalau ngajar pelan-pelan pak jangan terlalu cepat Negatif
431 jangan pelit nilai Negatif
432 jangan pelit nilai ya pak Negatif
433 jangan pelit memberi nilai Negatif
434 lebih menanggapi pertanyaan mahasiswa Negatif
435 jangan bikin jantungan napa pak Negatif
436 bapak saat mengajar terlalu cepat saat menjelaskan Negatif
437 agar selalu mngontrol mahasiswanya dilab agar peristiwa yang
tidak diinginkan dan kecelakaan terjadi Negatif
438 agar lebih baik kedepannya Netral
439 semoga kedepannya semakin baik Netral
440 tetap menjadi dosen yang baik Positif
441 tingkatkan sikap solidaritas kepada mahasiswa Negatif
442 jangan sering-sering marah bu, cepet tua Negatif
443 kedepannya lebih baik dan semoga ilmu yang diberikan
bermanfaat Netral
444 sebaiknya ibu dalam menjelaskan materi jangan terlalu cepat Negatif
445 semoga ilmu bermanfaat bagi kita Netral
446 jangan terlalu buru-buru dalam menjelaskan Negatif
447 terimakasih bu Nana. Semoga kedepannya menjadi lebih baik Positif
448 cara mengajarnya asik, tapi sesuai mood Positif
449 penyampaian materi tidak terlalu cepat Negatif
450 jangan terbawa mood saat mengajar Negatif
451 lebih tepat waktu, lebih baik dalam pembelajaran, lebih dekat
dengan mahasiswa Negatif
452 tepat waktu Negatif
453 sebaiknya hadir di perkuliahan lebih tepat waktu Negatif
454 lebih rinci lagi dalam menjelaskan materi pak Negatif
455 cobalah tepat waktu dalam mengajar Negatif
456 proses pembelajaran lebih baik lagi dan jadwalnya lebih tepat
waktu Negatif
127
No. SARAN SENTIMEN
457 lebih banyak lagi memberi contoh-contoh pada pelajar dan
memberi ilmu (buku) untuk belajar Negatif
458 tepat waktu masuk kelas, memberi contoh kasus real di lapangan Negatif
459 seharusnya jenis boiler bisa langsung di praktekin agar mengerti Negatif
460 jangan cepat marah bu, dan bukan lari Negatif
461 praktek jangan lama lama Negatif
462 sabtu jangan di buat praktikum Negatif
463 pelaksanaan praktikum secara individu dan diawasi langsung
agar skill lebih baik lagi Netral
464 jika mengajar jangan terlalu serius, sering-sering atau perbanyak
bercanda saja Negatif
465 laporan jangan terlalu banyak buk, apalagi landasan teori jangan
banyak banyak susah carinya buk Negatif
466 jangan terlalu buru-buru dalam menjelaskan Negatif
467 semoga menjadi lebih baik dari yang terbaik. Semoga
kedepannya selalu diberi latihan terus menerus Netral
468 apabila ada pergantian jam kuliah di waktu praktikum agar
disesuaikan dengan jam kuliahnya Negatif
469 dosen mengajar jangan terlalu cepat, sehingga kami sulit untuk
memahami Negatif
470 dalam menjelaskan jangan terlalu cepat buk Negatif
471 lebih jelas lagi dalam menyampaikan materinya, jangan terlalu
cepat bu menjelaskannya Negatif
472 sebaiknya lebih memperhatikan kemampuan mahasiswanya Negatif
473 Ibu kalau mengajar jangan cepat-cepat ya takutnya ada anak
yang susah nangkap pelajaran. Negatif
474 dalam segi pembelajaran dosen diharapakan mampu membuat
mahasiswa lebih paham Negatif
475 lebih dibawa santai lagi mengajarnya Negatif
476 sering sering senyum dalam mengajar ya buk, heheh Negatif
477 lebih dekat lagi dengan mahasiswa agar lebih mudah dalam
pembelajaran (pendekatan) Negatif
478 dosen mengajar jangan terlalu cepat, sehingga kami sulit untuk
memahami Negatif
479 semoga ibu menjadi lebih baik, terus saat ibu menjelaskan
jangan terlalu cepat karena kadang membuat tidak paham Negatif
480 dikurangi bercerita, karena tidak semua mahasiswa dapat
menjadi pendengar yang baik Negatif
481 perbanyak praktek. Contoh komunikasi dengan bawahan atau
sebagainya Negatif
482 setiap pelajaran agar tidak banyak cerita Negatif
128
No. SARAN SENTIMEN
483 agar dalam perkuliahan tidak terlalu cepat penyampaian
materinya Negatif
484 saat menjelaskan jangan terlalu cepat susah untuk mencatatnya Negatif
485 penerapan praktek secara langsung di lakukan Negatif
486
materi yang disampaikan cukup jelas namun lebih baik tidak di
buat kelompok untuk menjelaskan materi-materi tertentu karena
akan lebih sulit dipahami jika yang menyampaikan kurang
memahami
Positif
487 lebih diperbanyak contoh dalam menyampaikan materi, agar
lebih mudah dipahami Negatif
488 lebih diperbanyak diskusi lagi mahasiswa' Negatif
489 harus lebih sabar lagi dalam mengajar karna sifat mahasiswa
semester awal masih kekanak-kanankan Negatif
490 tidak usah ada metode presentasi karena saya tidak mengerti jika
teman saya yang menjelaskan Negatif
491 Tingkatkan! Negatif
492 menyampaikan materi dengan jelas Positif
493
agar tidak mengajak mahasiswanya ke workshop di menit menit
akhir pertemuan, karena jarak waktu ke mata kuliah sangat
singkat, karena ketika masuk workshop tidak sedikit waktu yang
di butuhkan
Negatif
494 agar lebih baik kedepannya saat menyampaikan materi Negatif
495 jam buat praktek kurang Negatif
496 tingkatkan sikap solidaritas kepada mahasiswa Negatif
497 lebih jelas dalam menyampaikan materi dan lebih nyambung
lagi pada saat perkuliahan berlangsung Negatif
498
saat mengajar penggunaan bahasa dan EYD agar lebih
diperhatikan dan tidak berbelit-belit supaya mahasiswa lebih
paham.
Negatif
499 agar materi bisa di jelaskana dengan rinci dan detail Negatif
500 menggunakan bahasa yang lebih efektif dalam proses KBM Negatif
501 menyampaiakan materi lebih detail lagi Negatif
502 lebih jelas dalam menjelaskan materi dan menjelaskan harus
sesuai dengan topik yang diajarkan Negatif
503 sebaiknya bapak tidak menjelaskan materi dengan cepat Negatif
504 masuk sesuai dengan kontrak perkuliahan Negatif
505 jangan mengulang-ulang materi yang pernah di sampaikan Negatif
506 semoaga lebih baik kedepannya Netral
507 kurang memahami penjelasan dari teori Negatif
508 penampilan adalah hal yang penting Negatif
509 penjelasan berbeda dengan penjelasan dosen Toto Suryanto
pelajarannya Negatif
129
No. SARAN SENTIMEN
510 cara menyampaikan materi agar lebih dipelankan sedikit Negatif
511 semoga pembelajaran di kampus CWE menjadi baik Netral
512 Tepat waktu dalam mengajar Negatif
513 Lebih banyak lagi kasih ilmu lapangannya bu Negatif
514 Lebih meningkatkan lagi perhatian ke mahasiswa agar dapat
merata ilmu yang di ajarkan Negatif
515 di saat praktek Dosen harus dilapangan Negatif
516 semoga menjadi dosen yang lebih baik lagi supaya mahasiswa
senang belajar Netral
517 Masalah tepat waktu ! Negatif
518 Lebih menggali materi lebih dalam Negatif
519
Banyak praktik diluar dari pada didalam ruangan agar kami
dapat melihat dan mengerti apa yang dimaksud dengan
kesuburan tanah
Negatif
520 Bu,harus lebih kuasai lagi materinya Negatif
521 Materi tolong disampaikan dengan jelas ya bu! Negatif
522 banyakin praktik nya dan dikitkan laporannya Negatif
523
Tolong pendapat dosen mata kuliah ini harus disamakan, karena
terkadang dosen 1 bilang A Dosen 2 bilang B kadang tidak
pernah nyambung
Negatif
524 Berikan pada kami praktikum yang bermanfaat Negatif
525 kalau membagi tugas jangan mendadak Negatif
526
saya berkeinginan dosen yang mengajar mata kuliah ini agar
mengajar dengan jelas, dan mampu menguasai ilmunya, dan
jangan jarang masuk dan jangan membanding - bandingkan
kelas A dengan kelas B
Negatif
527
saran untuk ibu danie harus lebih paham dan menguasainya
terlebih dulu apalagi kalo saat praktikum jadi tidak buat
mahasiswa nya bingung dan membuat mahasiswa nya banyak.
Saran untuk pak Toto Suryanto bapak aturannya harus sering
masuk juga dikelas kami BPKS B sehingga ilmu kami yang
dapatkan bisa sama dengan kelas BPKS A dan juga kalo ada
penelitian atau praktikum diluar jam kuliah ikt sertakan kelas
kami juga pak biar ilmu kami nambah juga seperti kelas BPKS
A
Negatif
528 Mengajar sudah baik, tetapi masih banyak materi yang belum
disampaikan Netral
529 pembelajaran dibanyakin dilapangan karena ilmu tanah harus
langsung pada tanah dan banyakin materi Negatif
530 semoga dapat meningkatkan cara pengajaran dalam perkuliahan Negatif
531 Dosen yang paling cantik, baik, dan pengertian....! Semoga cepet
nikah bu :) wifi dan pelaratan dikampus sangat kurang Positif
130
No. SARAN SENTIMEN
532
sebaiknya dalam pembagian jam masuk antara dosen 1 dan doen
2 diatur agar lebih merata masuknya, dan mohon fasilitas untuk
menunjang praktikum lebih dilengkapi lagi dan proses pencairan
dana sebagai ganti bahan praktikum pencairannya lebih cepat
Negatif
533 lebih meguasai lagi bidang ilmu yang diajarkan / dipratekkan Negatif
534 jangan membedakan kami dengan kelas sebelah Negatif
535 semoga dapat mengertikan mahasiswa pak? Terimakasih Negatif
536 toleransi terlambat 5 menit pak kalau bisa Negatif
537 dosen yang mengajar sudah baik dan mampu menyimpaikan
materi dengan baik semoga kedepannya lebih baik lagi Positif
538
untuk mata kuliah infrastruktur untuk kedepannya alangkah
lebih baiknya kalau untuk praktek / praktikum itu ditingkatkan
karena mampu menambah daya softskill
Negatif
539 tingkatkan kualitas mengajar Negatif
540 harus lebih flexibel pada peraturan Negatif
541 pada saat perkuliahan berlangsung, dimohon menjelaskannya
dengan intonasi yang jelas supaya mudah didengar Negatif
542 agar lebih banyak praktek di lapangan Negatif
543 agar lebih ditingkatkan lagi cara mengajarnya Negatif
544
memberi izin mengikuti perkuliahan pada mahasiswa yang
terlambat cukup dikasih hukuman saja karena kalau tidak dapat
masuk berdampak buruk kedepannya
Negatif
545 dipertambah lagi praktikum nya agar memberikan pengetahuan
dan wawasan baru Negatif
546
kurangnya menerima toleransi baik menerima pendapat
mahasiswa, sehingga mahasiswa menjadi lebih pasif, dan malas
bertanya ataupun berpendapat
Negatif
547 mengutamakan praktek lapangan dibanding praktek teori Negatif
548 Dosen lebih memotivasi dan lebih menjelaskan materi Negatif
549 sebaiknya hubungan antara dosen dan mahasiswa semakin
dekat. Netral
550 sudah baik. Positif
551 kalau terlambat sedikit tidak apa - apa kalau bisa pak, kasihan ! Negatif
552 semoga menjadi dosen yang lebih baik lagi supaya mahasiswa
senang belajar Negatif
553 meningkatkan penjelasan sejelas - jelas nya untuk lebih
membantu mahasiswa untuk memahami dan disertai praktik Negatif
554 Tepat waktu Negatif
555 meningkatkan penjelasan sejelas - jelas nya untuk lebih
membantu mahasiswa untuk memahami dan disertai praktik Negatif
556 tolong kalo ngajar itu bu, jangan kaya orang presentasi kadang
saya tidak mengerti Negatif
131
No. SARAN SENTIMEN
557 cara mengajar ibu tolong diperbaiki lagi bu, dari cara ibu
menjelaskan materinya kepada kami Negatif
558 perbanyak praktek bu Negatif
559 yang tegas bu. Bocah nakal mah jangan didiemin nanti
kebiasaan, Bannyakin gambar dan contoh saat mengajar Negatif
560 penyampaian materi jangan terpadu pada laptop Negatif
561 ketika mahasiswa telat maka diberikan izin untuk masuk Negatif
562 terlalu cepat jelasin kurang interaksi dengan mahasiswa Negatif
563 semoga pembelajaran di kampus CWE menjadi makin baik Netral
564 harus lebih jelas lagi menjelaskan materi nya Negatif
565 Lebih tegas lagi dalam mengajar Negatif
566 Selalu memberikan yang terbaik kepada mahasiswa nya Netral
567 Menyampaikan materi agar lebih jelas lagi untuk kedepannya Negatif
568
cara mengajar bu ratih sudah sesuai, dan tingkatkan lagi bu,
jangan banyak membaca jelaskan dengan mahasiswa setiap apa
yang dipelajari
Netral
569 Jangan suka cemberut Negatif
570 harap sertakan contoh dalam kehidupan sehari - hari mengenai
materi orang yang diajarkan Negatif
571 Semangat ! Netral
572 tetap menjadi dosen yang baik dan tegas Positif
573 mengajar agak sedikit pelan jangan terlalu cepat agar mahasiswa
dapat memahami materi pembelajaran Negatif
574 saya harap dosen yang bersangkutan dapat lebih membuat
mahasiswanya berani dalam menyampaikan pendapat Negatif
575 terlalu cepat cara mengajar, biar sedikit yang penting kami
paham Negatif
576 seharusnya dosen memberikan motivasi kepada mahasiswanya Negatif
577 pembelajarannya tidak efektif dan banyak materinya tidak ke
langsung ke intinya Negatif
578 tidak tertarik, tidak membuka pemikiran, kurang memahami,
dan mengandalkan slide untuk mengajar Negatif
579 lebih banyak memotivasi mahasiswanya Negatif
580 agar lebih tegas jika didalam kelas agar tidak ada yang bermain -
main Negatif
581 Disarankan untuk dosen lebih tepat waktu untuk masuk
memberikan kuliah Negatif
582 agar tidak membanding - bandingkan kelas A dan kelas B, dan
menyampaikan materi dengan jelas Negatif
583 semoga bisa lebih baik lagi Netral
584 lebih dalam pada pengajaran agar lebih jelas, jangan hanya baca
slide Negatif
132
No. SARAN SENTIMEN
585 saran saya untuk lebih mengamati mahasiswa dalam
pemahaman materi Netral
586 dosen dapat lebih lagi dalam menanggapi pertanyaan mahasiswa
dan lebih mendalami ilmu yang diberikan kepada mahasiswa Negatif
587 tolong lebih jelas dalam memberikan materi beserta contoh Negatif
588 enak ngajar, memberi contoh presentasi yang baik Positif
589 ibu harus lebih tegas lagi Negatif
590 Good job Positif
591 masuk selalu tepat waktu dan pemberian materinya baik dan
bagus Negatif
592 Keep motivating ! Positif
593 Pertahankan bu, mengajar mahasiswa dengan baik Positif
594 mohon bila ada yang bertannya jawab yang sekompleks
mungkin Negatif
595 untuk kedepannya semoga materi yang diberikan kondusif Netral
596 mampu memotivasi untuk mahasiswa memperhatikan kuliah Negatif
597 semoga tetap terbaik dalam mengajar Positif
598 dapat memotivasi mahasiswa nya agar lebih baik Negatif
599 jangan pernah bosan memberi nasehat kepada kami Positif
600 tetap semangat dalam mengajarnya bu Netral
601 Buk kami minta tolong beri nilai terbaik kepada kami Netral
602 sudah bagus dalam mengajar, dan harus ditingkatkan lagi agar
semakin baik Positif
603 supaya ibu tidak menceritakan keadaan dirumah ibu Negatif
604
sebaiknya dalam pembelajaran materi lebih banyak menyertakan
materi yang meningkatkan softskill dan kemampuan dalam
berbicara
Negatif
605 semoga proses belajar mengajar di tingkatkan dan sudah sangat
bagus dalam penerapan ilmu nya Positif
606 lebih banyak memotivasi mahasiswanya Negatif
607 dosennya selalu senyum, ramah, baik, dan memberi materi
dengan jelas Positif
608 diharapkan kepada dosen jika memberikan contoh yang tidak
lepas dari materi pembelajaran Negatif
609 mampu menjelaskan / memberikan materi yang ingin kami
pahami Negatif
610 berikan yang lebih baik lagi bu buat anak didik mu Netral
611
syukut alhamdulillah sampai saat ini saya sangat bangga dengan
dosen yang mengajar dasar - dasar komunikasi, untuk saat ini
saya bisa memahami apa - apa yang diajarkan oleh ibu kepada
kami semua, dan jangan lah berubah
Positif
133
No. SARAN SENTIMEN
612 harus lebih memotivasi mahasiswa untuk memperhatikan
perkuliahan Negatif
613 lebih banyak penerapan soal dibandingkan presentasi, agar kita
semua paham tentang materi yang akan di pelajari Negatif
614 sistem pengajarannya sudah baik kalau bisa di pertahankan dan
kalau bisa lebih baik lagi Positif
615 ibu yang baik, dan memberi semangat kepada mahasiswa, wifi
kampus semoga di perbaiki ( lebih cepat ) Positif
616 Lebih baik lagi dalam memberi materi Negatif
617 Keep that it Mr.Abdullah Positif
618 untuk menjadi lebih baik kedepannnya, dan sukses selalu untuk
menjalani hidup Netral
619 Bapak menjelaskan perbanyak pakai bahasa indonesia agar anak
- anak yang kurang faham lebih mengerti Negatif
620 Mr.Abdullah is the best forever Positif
621 secara keseluruhan dosen telah menyampaikan materi dengan
cukup baik Positif
622 pertahanakan cara kerja mengajarnya Positif
623 kurangi muka cueknya buk Negatif
624 Bu Vira semangat dan makin deket dengan mahasiswanya Netral
625 sangat di pahami apa yang disampaiakn dan mudah mengerti Positif
626 jangan baper Negatif
627 mantap bu, Ibuk emang terbaik Positif
628 tetap menjadi dosen yang memotivasi mahasiswanya, karena
mahasiswanya butuh motivasi samangat kuliah Positif
629 Dosen lebih memotivasi mahasiswa Negatif
630 ditambahkan lagi praktikumnya agar memberikan pengetahuan
dan wawasan baru Netral
631 lebih banyak contoh penerapaan teori Negatif
632 mahasiswa di beri toleransi apabila telat mengikuti perkuliahan
dengan alasan yang jelas Negatif
633
untuk kedepan alangkah baiknya kalau mata kuliah untuk
praktikum khususnya, lebih diperbaiki lagi karena mampu
meningkatkan softskill
Negatif
634 praktek di lapangan ditingkatkan Negatif
635 lebih sabar saat mengajar Negatif
636 sejauh ini sudah baik, tinggal meningkatkan semangat
mahasiswa Positif
637 semoga kedepannya lebih baik lagi dan mahasiswa dapat
memperoleh ilmu yang lebih banyak lagi Netral
638 cara mengajarnya sudah bagus Positif
639 agar memberikan tugas-tugas setelah perkuliahan Netral
134
No. SARAN SENTIMEN
640 seharusnya tugas tidak terlalu banyak diberikan Negatif
641 agar selalu memberikan cara belajar yang menarik untuk
menambah semangat belajar bagi siswa Netral
642 suara agak diperkeras dalam mengajar Negatif
643 disarankan untuk banyak melatih mahasiswa aktif berbicara di
depan umum Netral
644 jangan suka bercerita panjang lebar, itu akan membuat kami
bosan Negatif
645 lebih baik lagi dalam proses belajar Netral
646 harap dalam mejelaskan materi lebih jelas Negatif
647 memberikan inti pada pembelajaran yang akan disampaikan
untuk kedepannya Negatif
648 saya harap dalam proses agar mengajar mahasiswa agar ditekan
selalu berpendapat di depan kelas. Agar terbiasa Negatif
649 mengajar tetap seperti itu saja, karena lebih mudah dipahami Positif
650 tetap menjadi dosen yang baik Positif
651 semangat Netral
652 untuk ibu ariani, sudah mengajar dengan cara yang benar, dan
mudah kami mengerti yang ibu jelaskan dalam perkuliahan Positif
653
tidak terlalu memberi nilai rendah pada mahasiswa. Sehingga
mahasiswa tidak memiliki IPK yang sangat kecil sehinggga
tidak dapat untuk bekerja di perusahaan kedepannya
Negatif
654 alangkah baiknya kalau praktikum khususnya di mata kuliah
pemupukan itu dilakukan jangan hanya materi dikelas. Negatif
655 agar lebih ditingkatkan lagi dalam memberi materi supaya
mahasiswa lebih mudah memahami Negatif
656 lebih tegas lagi dan tetap selalu tersenyum Netral
657 jangan mudah merajuk, mohon slide lebih di mengerti lagi Negatif
658 sebaiknya mengatur kedisiplinan mahasiswa lebih ditingkatkan
lagi agar terbentuk karakter saling menghargai Negatif
659 mantap buat ibuk-ibuk Positif
660 harus lebih terapan ilmunya jangan hanya teori saja Netral
661 dosen lebih jelas lagi menjelaskan materi perkuliahan dan lebih
disiplin lagi bagi mahasiswa yang terlambat Negatif
662 ditambah lagi praktikumnya agar memberikan pengetahuan dan
wawasan baru Netral
663 memberikan kesempatan untuk mengikuti pelajaran apa billa
mahasiswa terlambat masuk dengan alasan yang jelas Negatif
664 tingkatkan kesabaran Negatif
665 perkuliahan dengan bapak sudah sangat baik Positif
666 semoga untuk kedepannya lebih efektif mengajar amiiin Netral
135
No. SARAN SENTIMEN
667 saran saya bapak jangan terlalu banyak bercerita dari pada
menjelaskan Negatif
668 semoga semakin baik pak, kedepannya! Netral
669 Good Job Positif
670
agar dosen bisa lebih membuat mahasiswa untuk
memperhatikan kuliah. Tidak ngantuk selama perkuliahan
berlangsung
Negatif
671 jadilah dosen yang mengajar jangan mengajar seenaknya saja.
Waktu libur ya libur Negatif
672 tetap dengan cara seperti ini mengajarnya. Positif
673 agar dapat lebih memotivasi agar mahasiswa lebih giat belajar
dan mengikuti perkuliahan Negatif
674 kurangi berceritanya pak .... Negatif
675 semoga tetap baik dalam mengajar Positif
676 kalo kuis ada essay ya, ya pak Netral
677 lebih banyak lagi memberikan wawasan umum Negatif
678 jangan ngoceh aja pak, dan apa yang disampaikan ga jelas. Negatif
679 tetaplah menjadi dosen yang bersikap menarik dan simpatik dan
selalu memberi motivasi. Positif
680 pak yuliyanto harus selalu mengajar dengan cara sebelumnya
sehingga kami bisa menanggapi dengan cepat. Positif
681 harus tegas dalam kedisiplinan waktu kepada mahasiswa yang
terlambat Negatif
682 sebaiknya jangan terlalu banyak cerita dalam menyampaikan
materi, karena memicu timbulnya rasa ngantuk dan bosan Negatif
683 saya harap dosen dalam menerangkan materi dapat dipraktekan
secara langsung. Netral
684 diharapkan dosen bersangkutkan aktif menulis di papan tulis
sambil menjelaskan, soalnya dosen bikin ngantuk Negatif
685 bapak jangan suka bercerita di kelas, kami yang mendengarkan
aja bosan masa bapak gak bosan Negatif
686 jika lagi mengajar jangan terlalu membuat suasana kelas
menjadi lemas, yang akhirnya mahasiswa mengantuk Negatif
687 cara pembelajaran agar lebih optimal lagi untuk kedepannya Negatif
688 jika lagi menjelaskan materi jangan terlalu cepat dan terlalu
terpaku pada slide. Negatif
689 saat menjelaskan materi harus terjadi timbal balik supaya
pembelajaran efektif Negatif
690 semangat pak Netral
691 terus menjadi dosen yang baik Positif
136
No. SARAN SENTIMEN
692
kalau mengajar harus melihat waktu, jangan telat, jangan
mempersulit mahasiswa, banyak yang ngantuk, dan banyak yang
belum makan. Terimakasih!
Negatif
693 jangan terlalu sering bercerita yang tidak menyangkut sama
sekali dengan pembelajaran Negatif
694 jangan terlalu banyak bicara Negatif
695
cara mengajar membuat mahasiswa sedikit lelah, semoga
kedepannya memberi mahasiswa luang waktu untuk berfikir dan
berdiskusi
Negatif
696
jangan terlalu menominasi pembelajaran, tetapi berilah
mahasiswa untuk menjawab. Supaya bisa lebih menarik dan
tidak bikin ngantuk
Negatif
697 dosen harus mampu membuat mahasiswa tidak ngantuk, dan
bisa menarik dalam mengajar Negatif
698
agar dosen lebih dapat tegas lagi dalam waktu kepada
mahasiswa yang telambat. Dan sudah bagus dalam mengajar,
semoga dapat ditingkatkan
Negatif
699 bapak harus lebih memotivasi kami. Thanks Negatif
700 terlalu banyak slide saran, beberapa point-point saja Negatif
701 tambah lagi stand upnya pak dan berilah yang terbaik buat anak
didikmu Positif
702
proses pembelajarannya tolong diubah banyaklah memberikan
pertannyaan kepada kami, jangan sampai kami bosan dikelas
pak.
Negatif
703 dalam menyampaikan materi, sebaiknya menanyakan kepada
mahasiswa apakah yang dijelaskan mengerti atau tidak. Negatif
704 cara penyampaian sangat membosankan, dan jauh menceritakan
dari materi pembelajaran Negatif
705 diharapakan dosen pada saat menyampaikan materi memberikan
contoh ke hal yang berkaitan dengan pembelajaran Negatif
706 saran saya kiranya pada saat belajar agar tidak terlalu monoton Negatif
707 sebaiknya dalam menyampaikan materi tidak terlalu monoton
yang menyebabkan cenderung menjadi kebosanan. Negatif
708 agar tidak terlalu banyak bercerita saat mengajar !!! Dan dapat
mengurangi kebosanan mahasiswa Negatif
709 membantu mahasiswa dalam pemahaman materi dengan jelas Negatif
710 dalam belajar lebih banyak di selingi video tentang pelajaran
yang diajarkan Netral
711 lebih tegas lagi Negatif
712 semoga pembelajaran di kampus CWE semakin membaik Netral
713 semoga jadi dosen yang lebih baik lagi agar mahasiswa senang
dengan bapak Negatif
137
No. SARAN SENTIMEN
714 mengajak mahasiswa/i lebih aktif lagi dalam proses perkuliahan Negatif
715 beri kami nilai yang bagus jangan C Negatif
716 jam pelajarannya terlalu lama, membuat pusing kepala. Negatif
717 agar lebih tegas Negatif
718 Slide Matakuliah jangan banyak-banyak ya pak Negatif
719 jangan kebanyakan Slide pak Negatif
720 Slide jangan terlalu banyak pak, kami pusing mempelajari dari
mana, dipertahankan kedisiplinannya pak, motivasinya juga Negatif
721 mempertahankan gaya dalam mengajar ya bu Positif
722 dosen yang baik, belajar tepat waktu dan tidak memboros waktu Positif
723 keep motivating Positif
724 Top Positif
725 tetap pertahankan ya bu mengajar selalu baik Positif
726 sangat memotivasi untuk memperhatikan perkuliahan Positif
727 semoga lebih memotivasi kepada mahasiswanya agar lebih baik
lagi dan rajin untuk perkuliahan Netral
728 kuis kasih pilihan ganda ya bu Netral
729
kami suka dengan cara ibu mengajar kami. Tetaplah seperti ibu
yang selalu memahami memberi motivasi dan meningkatkan
soft skill kami.
Positif
730 sering sering beri motivasi Negatif
731 semoga semester depan bisa ketemu lagi Positif
732 semoga tetap baik dalam mengajar Positif
733 perbanyak bercanda buk biar ga bosan Negatif
734 mampu memotivasi mahasiswa Positif
735 Love you bu, perfect. Disiplin iya, cara mengajar bagus, sering-
sering ngasih motivasi yah bu Positif
736 banyakin lagi prakteknya Netral
737 semoga jadi dosen yang lebih baik dan membuat mahasiswa
senang belajar Netral
738 lebih ditingkatkan praktiknya dan jangan terlalu banyak tugas
kelompok Negatif
739 semester 2 setelah UTS materi terlalu banyak coba untuk di pilih
supaya mahasiswa mudah mengerti Negatif
740 kuis lebih baik lisan bu dan online Negatif
741 semoga pembelajaran di kampus CWE semakin membaik Netral
742 selalu memperhatikan mahasiswa jangan ke satu pihak saja Negatif
743 tugas kelompok dan tugas lainnya dikurangi Negatif
744 publik speaking waktunya di batasi agar semua dapat maju dan
berbicara didepan Negatif
138
No. SARAN SENTIMEN
745
untuk meningkatkan kepahaman terhadap mahasiswa diperlukan
hubungan yang baik dengan mahasiswa untuk menetapkan
suasana belajar yang baik dan nyaman
Negatif
746 Banyak banyak kasih wawasan kepada mahasiswa Negatif
747 Lebih sabar lagi dalam mendidik Negatif
748 Lebih baik lagi pak Netral
749 Jangan mengajar dengan cepat, belum tentu semua bisa
menangkap pembelajaran dengan cepat Negatif
750 Kalo menerangkan jangan terlalu cepat pak, tidak semua di
dalam kelas cara menagkap nya cepat Negatif
751 Selalu beri semangat Netral
752 Mencari cara agar kegiatan di kelas tidak bosan Negatif
753 Memberikan cerita pengalaman di tambah lagi biar seru Positif
754 Beri kami ilmu yang banyak di terapkan di kebun Negatif
755 Ngasih tugas jangan banyak banyak , supaya mahasiswa tidak
cepat tua Negatif
756 Terbaik Positif
757 Jangan suka bikin pusing ya pak Negatif
758 Bapak terlalu the best jadi tidak ada saran Positif
759 Jangan banyak banyak ngasih tugas , jika menjelaskan tapi
masih terlalu cepat Negatif
760 Lebih sabar dalam mendidik anak anak Negatif
761 Sabar dalam mengajar Negatif
762 Lebih maju lagi kedepannya dalam mengajar Netral
763 Dapat memberikan motivasi yang benar dan baik Negatif
764 Menjadi dosen yang terbaik Positif
765 Semoga dosen lebih menyayangi murid Negatif
766 Lebih baik lagi pak Negatif
767 Tetap memberikan cerita dan semangat kepada kami Positif
768 Kedepannya lebih memotivasi lagi Negatif
769 Semoga kedepannya lebih baik lagi Netral
770 Semoga ilmu yang di berikan ada bermanfaat bagi mahasiswa Netral
771 Mengenali mahasiswa Negatif
772 Lebih banyak dalam penguasaan praktek Negatif
773 Tetap menjadi dosen yang baik dan perhatian kepada mahasiswa
nya Positif
774 Memberi wawasan baru Positif
775 Agar bapak dosen hadir setiap mata jam kuliah Negatif
776 Selalu seperti awal pertemuan ya pak Positif
777 Waktunya kurang panjang Negatif
139
No. SARAN SENTIMEN
778 Terima kasih pak semoga kedepannya menajadi lebih baik Positif
779 Penjelasan materi tidak terlalu cepat Negatif
780 Rajin rajin masuk pak biar kita tambah paham Negatif
781 Sebaiknya dalam menjelaskan materi tidak terlalu cepat pak Negatif
782 Agar bapak dosen hadir setiap mata jam kuliah Negatif
783 Agar lebih di tingkatkan lagi Negatif
784 Jangan seusah susah ngasih soal pak Negatif
785 Praktek lebih di banyakan lagi ya pak hehehe Negatif
786 Semoga kedepannya lebih baik pak Netral
787 Lebih semangat lagi dalam mengajar mata kuliahnya Negatif
788 Ketika dosen mengajarkan jangan terlalu cepat Negatif
789 Tidak ada karena cara mengajar bapak sudah baik Positif
790 Kegiatan praktikum lebih di perbanyak Negatif
791 Tingkatkan Negatif
792 Perbanyak praktek Negatif
793 Lebih sering masuk dan mengisi materi serta prakteknya agar
lebih baik Negatif
794 Totok: Jgn suka marah2 Pak Danie: kuasai materinya. Negatif
140
LAMPIRAN 3
DATA TESTING
No. SARAN SENTIMEN
1 Menurut saya harus tepat waktu bila ada jam. Negatif
2 Mampu Menguasai memperhatikan perkuliahan dan ilmu
mutakhir Positif
3
Bu Dani : lebih bagus lagi dan jelas dalam memberi materi Pak
Toto : sering-sering masuk, karena sering disk komunikasi sama
bu Dani.
Negatif
4 Dosen yang selalu memberi nasehat pada kami agar kami jadi
orang yang sukses Positif
5 perhatikan lagi mahasiswanya ketika belajar maupun praktikum Negatif
6 Tetap Jadi yang terbaik..!! Positif
7 Selalu memberikan kita ilmu yang bermanfaat bagi kami kelak ya
pak, bu :) Positif
8 Tetap semangat dalam menjalankan pengajaran. Positif
9 Good Job Positif
10 semoga tetap baik dalam mengajar Positif
11 Agar dapat memotivasi mahasiswanya menjadi yang lebih baik
dan lebih baik lagi. Netral
12 Pak Toto Suryanto: Jangan pernah bosan memberi kami ilmu yang
bermanfaat untuk Bekal kami kerja Danie Indra Yama: ) Positif
13 meminta kebijakan apabila terlambat dalam mengikuti perkuliahan
dengan alasan yang dapat di terima dengan baik oleh dosen Negatif
14 lebih ditingkatkan lagi praktiknya dan memberi wawasan baru di
materi kuliah maupun praktikum Negatif
15
setiap materi perkuliahan baik di awal semsester maupun di
pertengahan semester diharapkan mahasiswa diberikan soft copy
materi yang akan di bahas, supaya pada waktu UAS, Maka
mahasiswa sudah sangat siap
Netral
16 dosen lebih sering memotivasi mahasiswa Negatif
17 diharapkan dosen dapat mengajar lebih baik lagi kedepannya Negatif
18 serlalu menjadi dosen yang bisa memotivasi mahasiswanya Positif
19
luluk setyawati adalah dosen yang mampu memberikan
pembelajaran yang menarik dengan cara unik yang dimiliki Luluk
Setyawati
Positif
20 Semangat Netral
141
No. SARAN SENTIMEN
21 Dosen di harapkan lebih tepat waktu dan mengganti jadwal di hari
yang tepat, serta tegas dalam memberikan aturan keterlambatan Negatif
22 dalam proses menjalankan materi yang disampaikan harap lebih
diperjelas kembali. Negatif
23 dosen agar masuk tepat waktu Negatif
24 lebih disiplin lagi waktu mengajar Negatif
25 lebih disiplin waktu Negatif
26 teruslah menjadi dosen yang disenangi banyak orang mam Positif
27 maaf maam luluk, semoga maam luluk mengajar kita lebih baik
lagi dan semoga kita mampu memahami materi Netral
28 jangan mengubah absensi di kelas, menjadi absensi di pengajian Negatif
29 mohon ditingkatkan kualitas pengajaran Negatif
30 tetap mempertahankan kinerja yang di lakukan Positif
31 semoga dosen tersebut bisa mengajar kami kembali Positif
32 Dosen yang mengajar mata kuliah Bahasa Inggris sangat baik
karena dapat memotivasi mahasiswa untuk lebih giat belajar lagi Positif
33 dosennya lebih bisa memanfaatkan alat bantu untuk lebih bisa
mahasiswa mengerti perkuliahannya. Negatif
34 ketepatan waktu mahasiswa yang kurang disiplin Negatif
35 setiap dosen yang masuk kuliah pagi diharapkan tepat waktu Negatif
36 apabila menyampaikan materi agar suara dan intonasi bicara lebih
jelas Negatif
37 Mr. Abdullah The Best!!! Positif
38 sebaiknya memberikan contoh penerapan konsep yang diajakan
lebih ditingkatkan lagi Negatif
39 Pak Sugiyatno terbaik Positif
40 harus tepat waktu saat mengajar Negatif
41 jika menjelaskan materi jangan monoton, harus memperhaatikan
seluruh mahasiswa atau mahasiswi Negatif
42 agar dosen bisa mengetahui bagaimana cara mengendalikan
mahasiswa pada saat belajar. Negatif
43 konsep belajar agar lebih diperjelas, materi tidak apa di persingkat
asal bermanfaat Negatif
44 apabila menerangkan suara agak di perjelas. Memberi latihan
kepada mahasiswa Negatif
45 Dalam mengajar harus melihat mahasiswa juga pak, kadang bapak
lupa kami Negatif
46 Bapak harus semakin tegas dalam proses pembelajaran Negatif
47 apa bila mengajar tolong volume suara sedikit dikeraskan karena Negatif
142
No. SARAN SENTIMEN
kadang yang di belakang tidak mendengar
48
sarannya semoga dosennya makin tepat waktu dalam masuk ke
perkuliahan, lebih mudah menjelaskan lagi agar kami memahami
dan diperbesarkan suara jika sedang menjelaskan
Negatif
49 supaya cara pengajaran lebih baik Negatif
50 dosen harus bisa mengikuti perkembangan pengetahuan Negatif
51 Semoga bapak mengajarnya penuh dengan semangat. Karena kami
dikelas merasa ngantuk Negatif
52 lebih ditingkatkan cara pengajaran Negatif
53 lebih awal datang, kalau bisa tepat waktu Negatif
54 Buat pak sugi, kalo lagi menerangkan tolong suaranya dikerasin
ya pak Negatif
55 saat mengajar suara lebih dikeraskan lagi Negatif
56 terus sukses selalu kedepannya Netral
57 adakan belajar di luar kelas, agar mahasiswa tidak bosan Negatif
58 agar lebih baik lagi ketahun tahun selanjutnya Netral
59
memberikan penilaian harus objektif > Apa adanya. Jangan hanya
berfokus pada satu murid (Subjektif) > Hanya orang ini saja.
Harus memberikan Nilai yang Real > Nyata.
Negatif
60 belajar kalo bisa jangan di dalem kelas terus, sekali-kali diluar Negatif
61 lebih menarik lagi Netral
62 kepada dosen kami harapkan tidak membanding bandingkan
antara kelas dan tidak pilihkasi Negatif
63 dalam proses belajar mengajar dosen menjelaskan pelan sedikit
jangan terlalu cepat Negatif
64 Semangat !!! Netral
65 Kalau bisa sikapnya lebih tegas lagi bu. Negatif
66 supaya lebih sering memberikan contoh, bukan hanya
pengertiannya saja Negatif
67 Dosen harus mampu dalam mengendalikan Situasi dan Kondisi di
kelas. Negatif
68 semoga kedepannya Bu Sylvi gak bosan ngajar kita, dan semakin
baik dalam mengajar Positif
69 lebih banyak lagi praktikumnya Negatif
70
tetaplah menjadi dosen yang berpenampilan menarik dan simpatik,
dikarenakan mahasiswa sangat membutuhkan sifat yang seperti
itu.
Positif
71 dalam pemberian nilai harus transparan, karena saya sangat
kecewa dengan nilai semester lalu Negatif
143
No. SARAN SENTIMEN
72 Good Job Positif
73 Semoga di semester depan Jam kuliah lebih efektif lagi Negatif
74 semoga tetap baik dalam mengajar Positif
75 tetap mempertahanka apa yang bisa diajarkan Positif
76 Diberikan waktu yang agak lama untuk pengumpulan laporan.
Pada saat praktikum waktunya harus sesuai Negatif
77 pembelajarannya harus di optimalkan lagi Negatif
78 harus lebih tegas lagi ya bu... Negatif
79 tetaplah jadi guru yang baik dan mengajar kami. Tetaplah menjadi
dosen yang baik dan disiplin Positif
80 saran saya Dosen ini memadai soal mata kuliah Negatif
81 menyampaikan materi sangat jelas. Agar dapat dipahami berikan
contoh penerapan diakhir penyampaian materi Negatif
82 sebaiknya bapak lebih mampu menguasai materi tetapi sudah
cukup bagus. Ajarkan materi tentang PMKS Negatif
83 cara penyampaian materi lebih dipermudah agar mahasiswa dapat
lebih baik memahami Negatif
84
untuk kedepannya mohon tidak berbelit-belit pada saat
menerangkan. Fokus pada materi atau pembahasan yang sedang di
bahas
Negatif
85 agar bapak dalam proses penyampaian materi tidak telalu cepat Negatif
86 ketika dosen mengajar tidak terlalu cepat, dan kami memahami Negatif
87 mungkin lebih semangat lagi dalam mengajar Negatif
88 seharusnya waktu untuk mengajar dan selesai mengajar sesuai
dengan jadwal yang ada Negatif
89 dalam menyampaikan materi lebih diperjelas lagi Negatif
90 memberikan contoh harus sesuai dengan di Modul saat belajar Negatif
91 semoga dapat menjadi lebih baik dari sebelumnya. Netral
92 kedepannya agar lebih jelas dan mudah dipahami bahasa yang
digunakan dalam perkuliahan Negatif
93 lebih meningkatkan mahasiwa/i untuk tertarik belajar dan menilai
secara objektif Negatif
94 Pertahankan Pak! Positif
95 Dosen dapat mengajarkan semua ilmunya kepada Mahasiswa
dengan waktu yang telah ditentukan dengan disiplin Negatif
96 Waktu diskusi terlalu panjang sehingga sering tidak selesai Negatif
97 Mengajar lebih banyak mata kuliah lagi pak Positif
98 Selalu memberikan motivasi yang membangun Positif
144
No. SARAN SENTIMEN
99 Pada saat mata kuliah berlangsung di harapkan dosen datang tepat
waktu Negatif
100 The Best untuk Pak Leksi Positif
101 datang terlambat atau tidak tepat waktu Negatif
102 Sudah baik dalam mengajar Positif
103 Mohon kalau ngajar materinya jangan itu itu terus di ulang ulang Negatif
104 lebih baik dalam mengajar untuk kedepannya Netral
105 mengajarnya kurang efektif dan tidak memotivasi mahasiswanya Negatif
106 lebih baik untuk kedepannya dalam memberikan materi Netral
107 Mampu memberikan lebih banyak lagi ilmu tentang Perkelapa
Sawitan Negatif
108 dapat membantu mahasiswa dalam memahami materi kuliah Negatif
109 Menjelaskan materi lebih jelas, dan tidak terlalu cepat Negatif
110 memberikan dan menjelaskan materi dengan singkat jelas. Negatif
111
sarannya agar dapat menjawab pertanyaan dari mahasiswa di
jawab secara profesional, tidak selalu mengaitkan yang tidak ada
keterkaitannya sama sekali
Negatif
112 kata-kata yang digunakan untuk mengajar sebaiknya yang mudah
dipahami dan tidak berbelit-belit Negatif
113 mengajarkan sesuai dengan Mata Kuliah Negatif
114
dosen kurang pandai merangkai kata dalam pengajaran, sehingga
harus lebih diperhatikan cara mengajar yang baik agar mahasiswa
mengerti
Negatif
115 menggunakan bahasa yang lebih efektif dalam proses
pembelajaran Negatif
116 agar lebih jelas dalam memberi materi Negatif
117 penampilan adalah hal utama Negatif
118 mungkin lebih baik lagi dalam proses perkuliahan dan ada
keterampilan terhadap materi yang dipublikasikan Negatif
119 Semoga ditingkatkan lagi prakteknya Negatif
120 Keep spirit Netral
121 lebih baik dalam pengajaran sebelum - sebelumnya Netral
122 Sebaiknya mengajar dengan alam bebas / diluar kampus Negatif
123
dalam mengajar, saya suka, tapi dalam hal memberi contoh, saya
kurang paham pak. -Harus lebih berani dan tegas lagi ya pak
kepada mahasiswanya, biar mahasiswanya disiplin
Negatif
124 menjadikan mahasiswanya berfikir kedepannya dalam tugas
maupun kelompok Negatif
145
No. SARAN SENTIMEN
125 kurang penerapan ( public speaking ) untuk mata kuliah ini.
Sebaiknya ditingkatkan Negatif
126 Tingkatkan! Negatif
127
semoga mr, dapat mengajarkan mahasiswa selanjutnya, semoga
juga membuat mahasiswa lebih lagi aktif dan tidak tidak takut
menggunakan bahasa inggris
Netral
128 Alangkah efektifnya pembelajaran jika datang dan selesainya mata
kuliah tepat waktu sesuai jadwal yang disediakan Negatif
129 sistem pembelajaran yang diberikan sangat menjadikan kita
mudah memahami Positif
130 saran saya cara dosen memberikan materi jangan terlalu cepat,
sehingga kami sulit untuk memahami Negatif
131 Lebih semangat lagi dalam mengajar meskipun mahasiswa sulit
diatur Negatif
132 semoga kedepannya lebih baik lagi, dalam mata kuliah b.inggris Netral
133 masuk kelas tepat waktu Negatif
134
saran dari saya, semua materi yang diberikan dosen telah
mendukung untuk meningkatkan pengetahuan dan wawasan baru,
tetapi sebaiknya dalam penyampaian materi jangan terlalu cepat
Negatif
135 kegiatan praktek lebih ditingkatkan Negatif
136 Kepada bapak yudi dermaan ST MT. Setiap masuk agar sesuai
dengan jadwal supaya mahasiswanya tidak menunggu Negatif
137 masuk mata kuliah tepat waktu dan lebih jelas dalam mengajar Negatif
138 kalau bisa diakhir perkuliahan slide mata kuliah dibagi Negatif
139 jadwal perkuliahan harus berjalan tepat waktu Negatif
140 sebaiknya, para dosen lebih baik lagi dalam menanggapi
pertanyaan dari mahasiswa Negatif
141 sangat bagus dalam menyampaikan materi karena cepat ditangkap
atau dimengerti oleh mahasiswa, sangat mantap Positif
142 tetap menjalin silaturahmi yang kuat dengan mahasiswanya BE Positif
143 cukup, semoga sukses selalu Positif
144
dalam penyampaian materi sebaiknya menyajikan materi
semenarik mungkin agar mahasiswa fokus menerima materi, juga
disiplin waktu mulai dan seusai pembelajaran
Negatif
145 Dalam mengajari dosen sudah cukup baik dibandingkan dosen lain
mantap Positif
146 ketika mencatat atau menjelaskan diharapkan menjelaskannya atau
menulisnya secara urut atau tidak loncat - loncat Negatif
147 harus tepat waktu displin waktu Negatif
148 marah - marah nya dikurangin pak dan disiplin waktu ! Negatif
146
No. SARAN SENTIMEN
149 jangan terlalu cepat ngajar pak bos Negatif
150 babe emang terbaik tuh Positif
151 tetap menjadi dosen yang selalu memotivasi mahasiswanya
walaupun mahasiswanya pada bandel - bandel Positif
152 harus lebih sabar Negatif
153
mempebanyak kegiatan praktek lapangan dan belajar di kebun
karena lebih meningkatkan daya ingat mahasiswa dan cepat
memahami materi
Negatif
154 lebih menjaga emosi dalam mengajar Negatif
155 memberikan konsekuensi pada mahasiswa apabila lambat masuk
kelas dengan alasan yang jelas Negatif
156 ciptakan games kuis yang menarik untuk mahasiswa Netral
157 dosen sudah mengajar dengan sangat baik dan semoga ke
depannya lebih baik lagi Positif
158 lebih di tambah lagi praktikum nya, agar memberikan pengetahuan
dan wawasan baru. Negatif
159 dosen lebih memotivasi mahasiswa Negatif
160 mengajari tanpa terlalu banyak menyalahkan kekurangan
mahasiswa Negatif
161
Lebih tegas lagi, dan materi yang disampaikan menggunakan pati
terlalu monoton jadi mahasiswa cepat jenuh, semangat terus
mengajarnya
Negatif
162 Lebih baik lagi mengajarnya pak Negatif
163 untuk melakukan kegiatan yang lebih baik lagi dalam kegiatan
mengajar Negatif
164 Semoga bapak lebih tegas lagi dalam memberikan materi kepada
mahasiswanya Negatif
165 Lebih baik lagi mengajarnya Negatif
166 saran saya, apabila sedang menjelaskan suara bapak lebih besar
agar mahasiswa mendengar Negatif
167
menurut saya bapak menyampaikan kurang jelas, sebaiknya
pengucapan bapak lebih jelas lagi agar mudah mencerna apa yang
bapak sampaikan
Negatif
168 kami berharap dosen menyampaikan dengan lengkap dan sambil
diaplikasikan Negatif
169 dosen mata kuliah yang bersangkutan seharusnya menjelaskan
lebih mendetail dan terstruktur bidang / matkul yang disampaikan Negatif
170
sebaiknya sebelum materi disampaikan / sesudah,power point /
materi telah diberikan terlebih dahulu, agar kami menguasai /
memahami materi. Terimakasih
Negatif
171 seharusnya saat pembelajaran dosen datang tepat waktu dan Negatif
147
No. SARAN SENTIMEN
apabila dosen tidak masuk wajib terdapat hari pengganti atau jam
pengganti
172 lebih bisa memperhatikan mahasiswanya Negatif
173 dosen lebih konsisten terhadap waktu dalam mengajar Negatif
174 bapak sebaiknya dalam mengajar harus tepat waktu dan disiplin
sesuai dengan waktu yang telah di tentukan Negatif
175
dalam proses mengajar di harapkan agar dosen mengajar tepat
waktu sesuai dengan jadwal agar para mahasiswa dapat menguasai
materi dengan tepat dan cepat
Negatif
176
pemberian materi perkuiahan masih umum, seharus nya lebih
spesifik lagi bahan materi yang di ajarkan kepada mahasiswa, dan
lebih tepat waktu ketika mengajar
Negatif
177
Jika ada perubahan jadwal atau tidak masuk dalam mengajar
sebaiknya diberi informasi melalui perwakilan kelas kami
sebelumnya
Negatif
178
tidak ada yang kurang dalam proses pembelajaran, hanya saja
bapak/ ibu dosen yang terlalu sibuk membuat jam belajar
berkurang, mungkin itu yang perlu diperbaiki entah mata kuliah
tambahan atau tugas tambahan agar kami paham
Negatif
179
diusahakan bapak / ibu dosen tepat waktu apabila masuk kelas,
serta dalam pengajaran setidaknya ada slide agar kami dapat
membaca dan mempelajari ulang. Dan diusahakan 16 kali
pertemuan bisa full
Negatif
180 sebaiknya pada saat ada jam ngajar, masuk dan keluar kelas tepat
waktu Negatif
181
Lebih tepat waktu pada saat memasuki jam perkuliahan, dan jika
tidak masuk segera diberitahukan kepada mahasiswanya, fasilitas
kampus juga harus diperhatikan seperti lift dll
Negatif
182
dosen yang ada di CWE dan staff jangan pernah berubah terunslah
membimbing kami menjadi lebih baik lagi dan jangan pernah
kesal akan tingkah yang kadang kurang enak semoga berkah buat
dosen semua
Positif
183 sebaiknya para dosen mampu lebih meningkatkan kualitas
pembelajaran dengan baik lagi kedepannya Negatif
184 untuk pembelajaran kedepannya lebih maju lagi, lebih memotivasi
lagi Negatif
185 mengajar bapak sangat baik, kiranya bapak tetap mengajar seperti
ini terus kepada ade - ade tingkat kami nanti Positif
186 bapak jangan plinplan maksudnya bapak hari ini bilang A besok
lagi berubah lagi pendapat bapak Negatif
187 jangan plinpan menjelaskan materinya Negatif
188 semoga bisa menjadi dosen yang kopeten Netral
148
No. SARAN SENTIMEN
189 saran saya jangan pernah meremehkan orang yang pernah gagal,
jangan membuat mahasiswa sakit hati Negatif
190 seharusnya harus lebih bisa menerima pendapat dari mahasiswa Negatif
191 selalu beri motivasi kepada mahasiswa yang kurang menguasai
pelajaran Negatif
192 untuk dosen mata kuliah manajemen perkebunan agar lebih efektif
saat memberikan penilaian saat kuis. Terimakasih Negatif
193
sebenar nya bapak sudah sangat baik dalam mengajar kami, tetapi
kami ingin bapak tidak terlalu berterus terang terhadap
kemampuan kami mungkin itu hal untuk memotivasi kami tapi ada
salah satu diantara kami tidak bisa menerimanya dengan baik atas
hal tersebut sehingga membuat nya kecewa dan dilampiaskan ke
kuliahnya
Negatif
194 jangan plin - plan untuk menyampaikan informasi, lebih
mengingat informasi yang disampaikan Negatif
195 cara pengajaran dikelas sudah baik, tetapi jangan suka plin - plan Positif
196 ketika mencatat atau menjelaskan diharapkan menjelaskannya atau
menulisnya secara urut atau tidak loncat - loncat Negatif
197 jangan terlalu membeda - bedakan anak didik / mahasiswa Negatif
198 lebih sabar dalam mendidik anak - anak pak Negatif
199 terus berikan semangat belajar kepada kami! Positif
200 semoga dosen yang bersangkutan lebih bisa lagi memotivasi minat
belajar pada mahasiswa Negatif