implementasi metode naÏve bayes untuk analisis …

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

../Skripsi%20Eko%20Misprajiko%20311610515.doc#_Toc480876777













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


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.


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


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.


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


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


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.


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


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


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


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


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


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


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


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


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


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


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


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


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”


Jumlah kata “bagus” dalam kelas Positif


Jumlah kata “bagus” dalam kelas Negatif


54

Jumlah kata “bagus” dalam kelas Netral

c. Kata “pengajaran”


Jumlah kata “pengajaran” dalam kelas Positif


Jumlah kata “pengajaran” dalam kelas Negatif


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


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.


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


beserta tombol buka sekarang

Tekan Buka Sekarang Mengupdate database status

periode ke Buka


beserta tombol Tutup Sekarang

3 Skenario Setting Analisis Sentimen


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:


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:



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:



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


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:






Tekan tombol Ubah pada:






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


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:






Tekan tombol Hapus pada:






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


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:






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


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:








Menampilkan form:

a. Modal ubah data Peserta

b. Modal ubah data Jenis Kuis

68

No Versi Admin



c. Modal ubah data Soal

d. Modal ubah data Jawaban


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:










Menampilkan form:

a. Modal hapus data Peserta

b. Modal hapus data Jenis Kuis

c. Modal hapus data Soal

d. Modal hapus data Jawaban


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:





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


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


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


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


halaman siapakah anda

Menampilkan halaman kuesioner

yang tersedia


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


siapakah anda

Tekan tombol Isi Kuesioner

Lagi


perhatian


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

https://adminlte.io/

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


menghapus data prodi.

Gambar 4.12 Halaman Prodi

c. Kelas


menghapus data kelas.

88

Gambar 4.13 Halaman Kelas

d. Dosen


menghapus data dosen.

Gambar 4.14 Halaman Dosen

e. Matakuliah


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


menghapus data peserta.

Gambar 4.16 Halaman Peserta

90

b. Jenis Quis


menghapus data jenis quis.

Gambar 4.17 Halaman Jenis Quis

c. Soal


menghapus data soal.

Gambar 4.18 Halaman Soal

91

d. Jawaban


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 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 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


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


format_stopword.xlsx

Ok


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


Hasil

Pengujain

excel


format_ujisentimen.xlsx

Ok


testing.xlsx

Ok

12 Menu Master

Akademik



Ok

13 Semester Tambah Data Menampilkan modal

tambah semester

Ok

Modal tambah

semester


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


semester baru

Ok


ubah prodi

Ok

Modal ubah

prodi

Dapat mengubah data

prodi

Ok


hapus prodi

Ok

Modal hapus

prodi


prodi

Ok

15 Kelas Tambah Data Menampilkan modal

tambah kelas

Ok

Modal tambah

kelas


kelas baru

Ok


ubah kelas

Ok

Modal ubah Dapat mengubah data Ok

101

No Item

Pengujian

Detail


Hasil

Pengujain

kelas kelas baru


hapus kelas

Ok

Modal hapus

kelas


kelas

Ok

16 Dosen Tambah Data Menampilkan modal

tambah dosen

Ok

Modal tambah

dosen


dosen baru

Ok


ubah dosen

Ok

Modal ubah

dosen

Dapat mengubah data

dosen

Ok


hapus dosen

Ok

Modal hapus

dosen


dosen

Ok

17 Matakuliah Tambah Data Menampilkan modal

tambah matakuliah

Ok

Modal tambah

matakuliah


matakuliah baru

Ok


ubah matakuliah

Ok

Modal ubah

matakuliah

Dapat mengubah data

matakuliah

Ok


hapus matakuliah

Ok

Modal hapus

matakuliah


matakuliah

Ok

18 Menu Master

Kuesioner



Ok

19 Peserta Tambah Data Menampilkan modal

tambah peserta

Ok

Modal tambah

peserta


peserta baru

Ok


ubah peserta

Ok

Modal ubah Dapat mengubah data Ok

102

No Item

Pengujian

Detail


Hasil

Pengujain

peserta peserta


hapus peserta

Ok

Modal hapus

peserta


peserta

Ok

20 Jenis Quis Tambah Data Menampilkan modal

tambah jenis quis

Ok

Modal tambah

jenis quis


jenis quis baru

Ok


ubah jenis quis

Ok

Modal ubah

jenis quis

Dapat mengubah data

jenis quis

Ok


hapus jenis quis

Ok

Modal hapus

jenis quis


jenis quis

Ok

21 Soal Tambah Data Menampilkan modal

tambah soal

Ok

Modal tambah

soal


soal baru

Ok


ubah soal

Ok

Modal ubah

soal

Dapat mengubah data

soal

Ok


hapus soal

Ok

Modal hapus

soal


soal

Ok

22 Jawaban Tambah Data Menampilkan modal

tambah jawaban

Ok

Modal tambah

jawaban


jawaban baru

Ok


ubah jawaban

Ok

Modal ubah

jawaban

Dapat mengubah data

jawaban

Ok

Hapus Menampilkan modal Ok

103

No Item

Pengujian

Detail


Hasil

Pengujain

hapus jawaban

Modal hapus

jawaban


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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