BAB V SIMPULAN DAN SARAN
5.2 Saran
Berdasarkan penelitian yang telah dilakukan, adapun beberapa saran untuk penelitian selanjutnya adalah sebagai berikut.
1. Aplikasi e-complaint yang dibangun belum menggunakan sistem single sign
on sehingga proses penambahan data akun pengguna dilakukan secara
pengembangan terhadap aplikasi e-complaint sehingga penambahan data pengguna tidak perlu dilakukan secara manual dan dapat langsung terhubung dengan data akun mahasiswa yang dimiliki Divisi IT UMN. 2. Aplikasi e-complaint yang dibangun belum mendukung fitur untuk
menyematkan label tingkat prioritas aspirasi yang dapat membantu DKBM UMN mengelola prioritas pemrosesan aspirasi. Oleh karena itu, pengembangan aplikasi dapat dibuat dengan menambahkan fitur untuk menyematkan label prioritas pemrosesan aspirasi.
3. Dalam aplikasi e-complaint yang dibangun, fitur pencarian aspirasi terkait belum menerapkan pencarian secara semantik karena belum memperhitungkan makna dari kata. Fitur pencarian aspirasi terkait yang dibangun hanya dilakukan berdasarkan kemunculan kata pada aspirasi. Oleh karena itu, pengembangan aplikasi dapat dibuat dengan menerapkan pencarian semantik pada fitur pencarian aspirasi terkait menggunakan algoritma tertentu.
DAFTAR PUSTAKA
Abbas, F.M., Sani, N.F.M., Bujang, H., Supu, M.S., dan Sidi, F. 2013. E-Complaint System for Internal Customer in Royal Malaysian Police Force Using Formal Language Method. Australian Journal of Basic and Applied Science, vol. 7, no. 4, hal. 375-384.
Aelani, K. dan Falahah. 2012. Pengukuran Usability Sistem Menggunakan USE Questionnaire (Studi Kasus Aplikasi Perwalian Online STMIK “AMIKBANDUNG”). Seminar Nasional Aplikasi Teknologi Informasi. Agusta, L. 2009. Perbandingan Algoritma Stemming Porter Dengan Algoritma
Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa Indonesia.
Konferensi Nasional Sistem dan Informatika, hal. 196-201.
Angela, I. 2017. Diwawancara oleh penulis. Tangerang, Indonesia, 14 Februari. Anggono, R., Suryani, A.A., dan Kurniati, A.P. 2009. Analisis Perbandingan
Metode K-Nearest Neighbor dan Naive Bayes Classifier Dalam Klasifikasi Teks. Skripsi. Program Studi Teknik Informatika, Fakultas Teknik
Informatika. Universitas Telkom, Bandung.
Asch, V.V. 2013. Macro- and Micro-averaged Evaluation Measures.
Asian, J., Williams, H.E., dan Tahaghoghi, S.M.M. 2005. Stemming Indonesian.
Proceedings of the Twenty-eighth Australasian Conference on Computer Science, vol. 38, hal. 307-314.
Au, N., Buhalis, D., dan Law, R. 2009. Complaints on The Online Environment – The Case of Hong Kong Hotels. Information and Communication
Technologies in Tourism 2009, hal. 73-85.
Aziz, R.A., Mubarok, M.S., dan Adiwijaya. 2016. Klasifikasi Topik pada Lirik Lagu dengan Metode Multinomial Naive Bayes. Indonesia Symposium on
Computing, hal. 139-148.
Badan Pengembangan dan Pembinaan Bahasa. 2016. Kamus Besar Bahasa
Indonesia. Kementrian Pendidikan dan Kebudayaan Indonesia.
Balaban, G.P.N. 2009. Methodological Approaches to Evaluation of Information System Functionality Performances and Importance of Successfulness Factors Analysis. Management Information Systems, vol. 4, no. 2, hal. 11-17. Barreiro, P.L. dan Albandoz, J.P. 2001. Population and Sample: Sampling
Bevan, N., Kirakowski, J., dan Maissel, J. 1991. What is Usability?. Proceedings
of the 4th International Conference on Human Computer Interaction, hal.
651-655.
Bhardwaj, B.K. dan Pal, S. 2011. Data Mining: A Prediction for Performance Improvement Using Classification. International Journal of Computer
Science and Information Security, vol. 9, no. 4, hal. 136-140.
Blagus, R dan Lusa, L. 2013. SMOTE for High-Dimensional Class-Imbalanced Data. BMC Bioinformatics, vol. 14, no. 106, hal. 1-16.
Bowen, D.J., Kreuter, M., Spring, B., Cofta-Woerpel, L., Linnan, L., Weiner, D., Bakken, S., Kaplan, C.P., Squiers, L., Fabrizio, C., dan Fernandez, M. 2009. How We Design Feasibility Studies. American Journal of Preventive
Medicine, vol. 36, no. 5, hal. 452-457.
Chawla, N.V., Japkowicz, N. dan Kotcz, A. 2004. Editorial: special issue on learning from imbalanced data sets. ACM Sigkdd Explorations Newsletter, vol. 6, no. 1, hal.1-6.
Claase, M. 2012. Optimizing Feasibility Studies: Based on a Grounded Theory Type Comparison of Feasibility Design Research. Bachelor Thesis. Department of Business Administration, University of Twente, Netherlands. Costa, E., Lorena, A.C., Carvalho, A.C.P.L.F., dan Freitas, A.A. 2007. A Review of Performance Evaluation Measures for Hierarchical Classifiers. Evaluation
Methods for Machine Learning II: papers from the AAAI-2007 Workshop,
hal. 1-6.
Coussement, K. dan Van den Poel, D. 2008. Improving Customer Complaint Management by Automatic Email Classification using Linguistic Style Features as Predictors. Decision Support Systems, vol. 44, no. 4, hal. 870-882. Cyrus, A.W. 1991. Measuring The Effectiveness of Information Systems. Master of
Science. Thesis. Naval Postgraduate School, Monterey, California. Darmadi, H. 2011. Metode Penelitian Pendidikan. Alfabeta: Bandung.
Ferré, X., Juristo, N., Windl, H., dan Constantine, L. 2001. Usability Basics for Software Developers. IEEE Software, vol. 18(1), hal. 22-29.
Firdaus, A., Ernawati, dan Vatresia, A. 2014. Aplikasi Pendeteksi Kemiripan Pada Dokumen Teks Menggunakan Algoritma Nazief dan Adriani dan Metode Cosine Similarity. Jurnal Teknologi Informasi, vol. 10, no. 1.
Funilkul, S. dan Chutimaskul, W. 2009. The Framework for Sustainable eDemocracy Development. Transforming Government: People, Process, and
Ganisaputra, Y. dan Tan, R. 2013. Pembuatan Aplikasi Datamining Facebook dan Twitter Dengan Naive Bayes Classifier. Jurnal Informatika, vol. 9, no. 2, hal. 173-188.
Hamzah, A. 2012. Klasifikasi Teks dengan Naive Bayes Classifier (NBC) Untuk Pengelompokan Teks Berita dan Abstract Akademis. Prosiding Seminar
Nasional Aplikasi Sains & Teknologi (SNAST) Periode III.
Hardcastle, E. 2008. Business Information Systems. Elizabeth Hardcastle & Ventus Publishing ApS.
Harjanta, A.T.J. 2015. Preprocessing Text Untuk Meminimalisir Kata yang Tidak Berarti Dalam Proses Text Mining. Jurnal Informatika Upgris, vol. 1, no.1. Hidayatullah, A.F. dan Azhari, S.N. 2015. Analisis Sentimen dan Klasifikasi
Kategori Terhadap Tokoh Publik Pada Twitter. Seminar Nasional
Informatika (SEMNASIF), vol. 1, no. 1.
Hill, R. 1998. What Sample Size is Enough in Internet Survey Research.
Interpersonal Computing and Technology: An Electronic Journal for The 21st Century, vol. 6, no. 3-4.
Hoens, T.R. dan Chawla, N.V. 2013. Imbalanced Datasets: From Sampling to Classifier. Imbalanced Learning: Foundations, Algorithms and Applications.
Wiley, hal.43-59.
Huang, Y.M., Hung, C.M., dan Jiau, H.C. 2006. Evaluation of Neural Networks and Data Mining Methods on a Credit Assessment Task for Class Imbalance.
Nonlinear Analysis: Real World Applications, vol. 7, no. 4, hal. 720-747.
Indriani, A. 2014. Klasifikasi Data Forum Dengan Menggunakan Metode Naive Bayes Classification. Seminar Nasional Aplikasi Teknologi Informasi
(SNATI), vol. 1, no.1.
Indriyani, S. dan Mardiana, S. 2016. Pengaruh Penanganan Keluhan (Complaint Handling) Terhadap Kepercayaan dan Komitmen Mahasiswa Pada Perguruan Tinggi Swasta di Bandar Lampung. Jurnal Bisnis Darmajaya, vol. 2, no.1. International Standard Organization (ISO). 1998. Ergonomic Requirements for
Office Work with Visual Display Terminal (Vdts) – Part 11: Guidance on Usability [online]. Tersedia dalam: https://www.iso.org/obp/ui/#iso:std:iso:9241:-11:ed-1:v1:en [diakses 15 Februari 2017].
Jaffar, H., Prasetyo, A., dan Putra, S.A. 2012. Pengembangan Sistem Informasi Penanganan Komplain dengan Metode Waterfall dan Teknologi J2EE di Institut Teknologi Telkom. Industrial Engineering Conference on
Kamruzzaman, S.M., Haider, F., dan Hasan, A.R. 2010. Text Classification Using
Data Mining [online]. Tersedia dalam: https://pdfs.semanticscholar.org/7edf/fc15cde8dbf434b4f11bbae4fa27900ef 401.pdf [diakses 16 februari 2017].
Karimi, S., Yin, J., dan Baum, J. 2015. Evaluation Methods for Statistically Dependent Text. Computational Linguistics, vol. 41, no. 3, hal. 539-548. Kendall, K.E. dan Kendall, J.E. 2011. System Analysis and Design. Pearson
Education, New Jersey.
Khotimah, S. 2012. Perumusan Strategi Bagi Perguruan Tinggi Swasta (PTS) Untuk Meraih Keunggulan Bersaing (Studi Kasus Pada Universitas Merdeka Malang). Jurnal Spread, vol. 2, no.1.
Kohavi, R. 1995. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. International Joint Conference on Artificial
Intelligence (IJCAI), vol. 14, no. 2, hal. 1137-1145.
Koppel, M., Argamon, S., dan Shimoni, A.R. 2002. Automatically Categorizing Written Text by Author Gender. Literary and Linguistic Computing, vol. 7, no. 4, hal. 401-412.
Korde, V. dan Mahender, C.N. 2012. Text Classification and Classifiers: A Survey.
International Journal of Artificial Intelligence & Applications (IJAIA), vol.
3, no. 2, hal. 85.
Kurniawan, B., Effendi, S., dan Sitompul, O.S. 2012. Klasifikasi Konten Berita Dengan Metode Text Mining. Jurnal Dunia Teknologi Informasi, vol. 1, no. 1, hal. 14-19.
Lee, C.C. dan Hu, C. 2004. Analyzing Hotel Customers’ E-Complaints from an Internet Complaint Forum. Journal of Travel & Tourism Marketing, vol. 17, no. 2-3, hal. 167-181.
Liyantanto, R. 2010. Kata Dasar Bahasa Indonesia [online]. Tersedia dalam: https://liyantanto.wordpress.com/2010/12/06/kata-dasar-bahasa-indonesia/ [diakses 3 Maret 2017].
Longadge, R., Dongre, S.S., dan Malik, L. 2013. Class Imbalance Problem in Data Mining: Review. International Journal of Computer Science and Network (IJCSN), vol. 2, no. 1.
Lund, A.M. 2001. Measuring Usability with the USE Questionnaire12. Usability
Interface, vol. 8, no. 2, hal.3-6.
Manning, D.C., Raghavan, P., dan Schutze, H. 2009. Introduction to Information
McCallum, A. dan Nigam, K. 1998. A Comparison of Event Models for Naive Bayes Classification. AAAI-98 Workshop on Learning for Text
Categorization, vol. 752, hal. 41-48.
Overton, R. 2007. Feasibility Studies Made Simple. Martin Books, Australia. Polat, K. dan Güneş, S. 2007. Classification of Epileptiform EEG Using a Hybrid
System Based on Decision Tree Classifier and Fast Fourier Transform.
Applied Mathematics and Computation, vol. 187, no. 2, hal.1017-1026.
Razali, R. dan Jaafar, J. 2012. Complaint Handling Theoritical Framework. 2012
International Conference on Computer and Information Science (ICCIS), vol.
1, hal. 382-385.
Refaeilzadeh, P., Tang, L., dan Liu, H. 2009. Cross-validation. Encyclopedia of
Database Systems, hal. 532-538. Springer US.
Rennie, J.D., Shih, L., Teevan, J., dan Karger, D.R. 2003. Tackling The Poor Assumptions of Naive Bayes Text Classifiers. International Conference on
Machine Learning (ICML), vol. 3, hal. 616-623.
Ries, P. 2014. Feasibility Studies: Why and What Should They Entail? [online].
Tersedia dalam:
http://www.manuremanagement.cornell.edu/Pages/General_Docs/Events/11 .Patrick.Ries.pdf [diakses 14 Februari 2017].
Sahfitri, V. dan Ulfa, M. 2014. Analisis Usability Sistem E-Learning Menggunakan USE Questionnaire. Prosiding SNaPP: Sains dan Teknologi, vol. 4, no. 1, hal. 373-380.
Sarı, F.Ö., Alikılıç, Ö., dan Onat, F. 2013. E-complaining: analysis of lodging customers’e-complaints from a Turkish internet website. International
Conference on Information, Business and Education Technology (ICIBIT).
Sebastiani, F. 2001. Machine Learning in Automated Text Categorization. ACM
Computing Surveys (CSUR), vol. 34, no. 1, hal. 1-47.
Sharma, D. dan Jain, S. 2015. Evaluation of Stemming and Stop Word Techniques on Text Classification Problem. International Journal of Scientific Research
in Computer Science Engineering, vol. 3, no. 2, hal. 1-4.
Shimodaira, H. 2014. Text Classification Using Naive Bayes. Learning and Data
Note 7, hal.1-9. University of Edinburgh, United Kingdom.
Sokolova, M. dan Lapalme, G. 2009. A Systematic Analysis of Performance Measures for Classification Tasks. Information Processing and Management:
Subedi, B.P. 2016. Using Likert Type Data in Social Science Research: Confusion, Issues, and Challenges. International Journal of Contemporary Applied
Science, vol. 3, no. 2.
Sugiyono. 2012. Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Alfabeta: Bandung.
Summerfield, J. 2015. Mobile website vs. mobile application (Application): Which
is best for your organization? [online]. Tersedia dalam: https://www.hswsolutions.com/services/mobile-web-development/mobile-website-vs-apps/ [diakses 22 Februari 2017].
Tala, F.Z. 2003. A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia. Institute for Logic, Language and Computation, Universiteit van Amsterdam, The Netherlands.
Tan, A.H. 1999. Text mining: The state of the art and the challenges. Proceedings
of the PAKDD 1999 Workshop on Knowledge Discovery from Advanced Databases, vol. 8, hal. 65-70.
Teddlie, C. dan Yu, F. 2007. Mixed Methods Sampling: A Typology with Examples. Journal of Mixed Methods Research 2007, vol. 1, no. 1, hal. 77-100.
Thompson, A. 2003. Understanding the Proof of Business Concept. Best Entrepreneur, Perth.
Tobari. 2015. Strategi Perguruan Tinggi Swasta Menghadapi Persaingan. Jurnal
Media Wahana Ekonomika, vol. 12, no. 3, hal. 51-58.
Tsarev, D., Petrovskiy, M., dan Mashechkin, I. 2013. Supervised and Unsupervised Text Classification via Generic Summarization. International Journal of
Computer Information System and Industrial Management Applications, vol.
5, hal. 509-515.
Tyrrell, B. dan Woods, R. 2004. E-Complaint. Journal of Travel & Tourism
Marketing, vol. 17, no.1-2, hal. 183-190.
Vijayarani, S., Ilamathi, J., dan Nithya. 2015. Preprocessing Techniques for Text Mining – An Overview. International Jurnal of Computer Science &
Communication Network, vol. 5, no.1, hal. 7-16.
Witten, I.H. 2004. Text Mining. Department of Computer Science. University of Waikato, Hamilton, New Zealand.
Zaugg, A. 2006. Channelspesific Consumer Complaint Behaviour: The Case of Online Complaining [online]. Tersedia dalam:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1123962 [diakses 5 Maret 2017].
Zaugg, A.D. 2007. Online Complaint Management at Swisscom – A Case Study [online]. Tersedia dalam: http://boris.unibe.ch/58051/1/AB193.pdf [diakses pada 5 Maret 2017].
DAFTAR LAMPIRAN
1. Riwayat Hidup
2. Form Bimbingan Skripsi
3. Hasil Rekapitulasi Kuesioner Studi Fisibilitas 4. Hasil Wawancara Studi Fisibilitas
5. Tabel Aturan Pemenggalan Kata 6. Data Pelatihan
7. Confusion Matrix
8. Hasil Kuesioner Evaluasi Aplikasi terhadap Administrator 9. Hasil Rekapitulasi Kuesioner Aplikasi terhadap Administrator 10. Hasil Rekapitulasi Kuesioner Aplikasi terhadap Pengguna
LAMPIRAN 1
Riwayat Hidup
Data Pribadi
Nama : Vannia Ferdina
Tempat, Tanggal Lahir : Jakarta, 25 Agustus 1995 Jenis Kelamin : Perempuan
Agama : Katolik
Kewarganegaraan : Indonesia
Email : niaferdina@gmail.com
Latar Belakang Pendidikan
2013 - Sekarang Universitas Multimedia Nusantara, Fakultas Teknik dan Informatika, Program Studi Teknik Informatika 2010 - 2013 SMA Vianney, Jakarta
2007 - 2010 SMP Vianney, Jakarta 2001 - 2007 SD Vianney, Jakarta
Pengalaman Kerja
2016 Software Developer, PT Anabatic Technologies Tbk. (Magang)
2016 Asisten Laboratorium mata kuliah Database Lanjutan, Universitas Multimedia Nusantara
LAMPIRAN 2
LAMPIRAN 3
Hasil Rekapitulasi Kuesioner Studi Fisibilitas
1. Jenis Kelamin
2. Fakultas
4. Apakah Anda pernah menyampaikan aspirasi Anda sepitar kampus secara langsung ke bagian yang bersangkutan? (Contoh: menyampaikan keluhan Wi-Fi yang lambat langsung ke departemen IT).
5. Jika pernah, Menurut Anda, penyampaian aspirasi ke bagian yang bersangkutan memudahkan memecahkan masalah Anda.
6. Apakah Anda pernah menyampaikan aspirasi atau keluhan Anda ke DKBM?
7. Jika pernah, menurut Anda, penyampaian aspirasi atau keluhan ke DKBM memudahkan memecahkan masalah Anda.
19 42 61 21 10 0 20 40 60 80 Sangat Tidak Setuju
Tidak Setuju Netral Setuju Sangat Setuju
16 27 85 36 11 0 20 40 60 80 100 Sangat Tidak Setuju
8. Seberapa sering Anda menyampaikan aspirasi Anda ke DKBM?
9. Apakah Anda sudah merasa puas dengan cara penyampaian aspirasi mahasiswa selama ini?
10. Menurut Anda, media penyampaian aspirasi dari DKBM memudahkan memecahkan masalah Anda.
138 38 38 14 5 0 20 40 60 80 100 120 140 160
Sangat Jarang Jarang Cukup Sering Sering Sangat Sering
43 65 96 26 3 0 20 40 60 80 100 120 Sangat Tidak Puas
Tidak Puas Cukup Puas Puas Sangat Puas
24 42 103 52 12 0 20 40 60 80 100 120 Sangat Tidak Setuju
Mohon perhatikan ilustrasi e-complaint berikut ini (sumber: http://ecomplaint.feb.ub.ac.id).
Ilustrasi history aspirasi.
Ilustrasi pengecekan status pemrosesan aspirasi.
11. Jika dibangun sebuah aplikasi sejenis (seperti ilustrasi), apakah Anda tertarik untuk menggunakannya?
12. Menurut Anda, aplikasi sejenis (seperti ilustrasi) dapat meningkatkan efektivitas penyampaian aspirasi mahasiswa UMN.
3 13 60 99 58 0 20 40 60 80 100 120 Sangat Tidak Tertarik
Tidak Tertarik Cukup Tertarik Tertarik Sangat Tertarik
4 5 55 105 64 0 20 40 60 80 100 120 Sangat Tidak Setuju
LAMPIRAN 4
Hasil Wawancara Studi Fisibilitas Dengan Ika Angela 14 Februari 2017
Angela mengatakan bahwa di Universitas Multimedia Nusantara, penyampaian keluhan, yang disebut dengan aspirasi, dari mahasiswa disalurkan melalui organisasi Dewan Keluarga Besar Mahasiswa UMN. Menurut Angela, DKBM UMN akan menjembatani mahasiswa dengan pihak-pihak universitas dalam upaya penyampaian aspirasi mahasiswa.
Angela mengatakan, pada kepengurusan DKBM UMN Generasi 7, yaitu tahun 2016-2017, media yang dapat digunakan oleh mahasiswa dalam menyampaikan aspirasinya adalah melalui aplikasi chatting atau melalui komunikasi langsung dengan pengurus DKBM. Media berupa kotak aspirasi yang disediakan oleh kepengurusan DKBM UMN Generasi 6 sudah tidak disediakan lagi pada kepengurusan Generasi 7. Angela mengatakan bahwa setelah menerima aspirasi dari mahasiswa, pengurus akan menyampaikan aspirasi tersebut kepada koordinator divisi Kesejahteraan Mahasiswa DKBM UMN. Angela mengatakan bahwa anggota divisi Kesejahteraan Mahasiswa akan membuat daftar dari aspirasi yang masuk kemudian disortir untuk dimasukan ke dalam kategori aspirasi yang sesuai. Menurut Angela, setelah dimasukan ke dalam kategori masing-masing, aspirasi kemudian disaring untuk dipilih prioritas pemrosesannya dan kemudian anggota dari divisi Kesma DKBM UMN akan menyampaikan aspirasi tersebut ke pihak-pihak universitas yang berkaitan dengan aspirasi tersebut dengan mempertimbangkan bidang tugas dari masing-masing pihak. Angela mengatakan
bahwa aspirasi diserahkan kepada pihak yang terkait dalam bentuk daftar dan tidak dalam bentuk laporan. Menurut Angela, setelah mendapat jawaban dari pihak terkait, jawaban dari aspirasi yang banyak ditanyakan oleh mahasiswa akan disampaikan melalui majalah dinding UMN.
Menurut Angela, sistem penyampaian aspirasi yang berjalan saat ini masih menimbulkan beberapa masalah. Angela mengatakan bahwa mahasiswa UMN umumnya tidak menyertakan data nama, NIM, dan jurusan ketika menyampaikan aspirasi seperti yang telah disosialisasikan. Hal ini menyebabkan pengurus DKBM harus kembali mencari mahasiswa yang bersangkutan untuk menanyakan data-data tersebut. Angela juga mengatakan bahwa penyortiran aspirasi untuk dimasukan ke kategori tertentu sangat memakan waktu dan sumber daya manusia DKBM, serta sering menimbulkan kesalahan klasifikasi karena kerap terdapat perbedaan persepsi terhadap aspirasi tersebut. Angela mengatakan bahwa DKBM membagi aspirasi menjadi 5 kategori, yaitu Fasilitas, Akademik, Kegiatan, BEM, dan Lainnya. Sementara itu, klasifikasi juga tidak mungkin untuk ditentukan oleh mahasiswa sendiri karena umumnya mahasiswa tidak mengetahui dan memahami kategori-kategori aspirasi yang digunakan oleh DKBM UMN.
Angela mengatakan bahwa sistem penyampaian aspirasi yang saat ini digunakan juga dibatasi oleh keterbatasan jam kerja dari pengurus DKBM itu sendiri dan status pemrosesan aspirasi mahasiswa tidak dapat disampaikan dengan baik. Media penyampaian aspirasi belum dapat memaksimalkan pemberian respon mengenai pemrosesan aspirasi kepada mahasiswa dan hal ini menjadi salah satu penyebab rendahnya intensitas penyampaian aspirasi.
LAMPIRAN 5
Tabel Aturan Pemenggalan Awalan Kata (Firdaus dkk., 2014)
Aturan Format Kata Pemenggalan
1 berV… ber-V … | be-rV
2 berCAP… ber-CAP… (C != ‘r’ & P != ‘er’) 3 berCAerV ber-CaerV… (C != ‘r’)
4 Belajar bel-ajar
5 berC1erC2… be-C1erC2… (C1 != ‘r’ | ‘l’) 6 terV… ter-V… | te-rV…
7 terCerV… ter-CerV (C != ‘r’)
8 terCP… Ter-CP… (C!=’r’ dan P !=’er’) 9 teC1erC2… Te-C1erC2… (C1 != ‘r’) 10 me{l|r|w|y}V… me – {l|r|w|y} V… 11 mem{b|f|v}… mem-{b|f|v}…
12 Mempe mem-pe…
13 mem{rV|V}… me-m{rV|V}… | me-p{rV|V} 14 men{c|d|j|s|z}… men-{c|d|js|z}…
15 menV… me-nV… | me-tV 16 meng{g|h|q|k}… meng-{g|h|q|k}…
17 mengV… meng-V… | meng-kV…| mengV-... jika V=’e’
18 menyV… meny-sV….
19 mempA… mem-pA… (A != ‘e’) 20 pe{w|y}V… pe-{w|y}V…
21 perV… per-V… | pe-rV…
22 perCAP… per-CAP… (C != ‘r’ dan P != ‘er’) 23 perCAerV… per-CAerV… (C != ‘r’)
24 pem{b|f|V}… pem-{b|f|V}…
25 pem{rV|V}… pe-m{rV|V}… | pe-p{rV|V}… 26 pen{c|d|j|z}… pen-{c|d|j|z}…
27 penV… pe-nV… | pe-tV…
28 pengC… peng-C…
29 pengV… peng-V… | peng-kV… | pengV-... jika V=’e’
30 penyV… peny-sV…
31 pelV… pe-lV… kecuali “pelajar” yang menghasilkan “ajar”
32 peCerV… Per-erV … (C!= {r|w|y|l|m|n})
33 peCP Pe-CP… (C!={r|w|y|l|m|n}dan P!= ‘er’) 34 terC1erC2... ter-C1erC2... (C1!= ‘r’)
35 peC1erC2... pe-C1erC2... (C1!={r|w|y|l|m|n}) Keterangan simbol huruf:
C: huruf konsonan, V: huruf vokal, A: huruf vokal atau konsonan, P: fragmen kata, misalnya “er”
LAMPIRAN 6
DAFTAR DATA ASPIRASI UNTUK DATA PELATIHAN
No Aspirasi Kategori
1. Kesempatan SP sangat terbatas karena perubahan kurikulum Akademik
2. Dosen masih ada yang tidak input nilai UTS sampai 2 minggu setelah UTS berakhir. Kadang masih ada yang baru input setelah UAS. Mahasiswa berhak tau atas nilai UTS nya dong.
Akademik
3. Kok ada sih dosen yang mengajar tembok, sudah begitu tidak keluar di my umn. Soskom kelas A Akademik 4. Ya ditegur saja dosen-dosen yang suka malas menginput nilai, karena kalau kita yang protes sama dosen
suka tidak digubris, mungkin kalau sama dkbm bisa lebih di perhatikan karena kalian kan wakil kami
Akademik
5. Ada dosen yang cara mengajarnya kurang jelas, nilai kadang telat muncul di myumn Akademik 6. Fasilitas kampus seperti FH dan switcher pernah ada kejadian di pakai pihak luar sehingga kegiatan
akademik terhambat. Mohon tindak lanjuti
Akademik
7. Input absen dosen seharusnya seminggu sekali dan terkontrol karena jika ada masalah absensi mahasiswa punya waktu mengurus
Akademik
8. Tapping dijalankan, absen jangan diputihkan kalau 3 minggu lebih sedikit dong Akademik 9. Dosen suka seenaknya kp, tapi kalau tidak datang KP karena keperluan lain, ditulis absen Akademik
10. Regulasi kelas pengganti diperjelas, jangan sampai merugikan mahasiswa Akademik
11. Sosialisasi perubahan kurikulum masih kurang. Beberapa angkatan 2012 ada yang masih salah hitung SKKM nya
Akademik
12. KP di absen dong Akademik
13. Dosen lama sekali dalam memeriksa dan memberi nilai ujian untuk mahasiswa. Ketidakadilan dimana jika dosen datang terlambat tidak permasalahkan. Ada beberapa dosen PR yang cara mengajarnya kurang bagus sekali
Akademik
14. Nilai tepat waktu dong Akademik
15. Nilai selalu telat, sehabis UTS ataupun UAS. Ipk juga munculnya lama. Akademik
16. Ada dosen yang mengajarnya kurang enak tapi menuntut mahasiswa nya dapat nilai bagus. Bahkan memberi tugas ditengah masa UTS.
Akademik
17. Dosen mengajarnya ada yang tidak jelas Akademik
18. Student service ada untuk kenyamanan mahasiswa tetapi pegawainya tidak ramah Akademik
19. Hentikan skkm Akademik
20. Pelayanan nilai selalu terlambat, tidak jelas syarat lulus SKS Akademik
21. Dosen jangan hanya memihak ke anak-anak yang pintar ya, yang kurang juga diperhatikan. Lalu dosen jangan suka seenaknya datang ke kelas telat supaya belajar lebih efektif
Akademik
22. Nilai hasil ujian sudah beberapa bulan belum keluar Akademik
23. My UMN sering down dan lebih susah dosen tidak sesuai dengan RKPS, mata kuliah akademik writing untuk semester 6 kurang penting karena tidak selaras dengan mpk 2, jadi membuat mahasiswa bingung. Saya merasa rugi membayar mata kuliah tersebut.
Akademik
24. Dosen UMN semakin lama kualitasnya semakin buruk. Dapat dilihat dari beberapa dosen baru yang mengajar seperti pak dede, yang mengampu pelajaran akademik
Akademik
25. Nilai UTS / UAS lama keluar Akademik
26. Nilai UTS / UAS jangan terlalu lama Akademik
27. Mengapa sks peminatan ada penambahan 2 sks? Padahal saya tidak mendapatkan informasi tentang penambahan 2 sks tersebut.
Akademik
28. Penghapusan skripsi menjadi mata kuliah yang tidak menentukan kelulusan, tetapi membantu mahasiswa dalam menggerakkan penelitian yang baik. Tidak ada ancaman extend atau membayar uang kuliah lagi, tetapi memberikan tantangan lain seperti mendapatkan beasiswa S2 jika penelitiannya berhasil dan memberikan kontribusi baru, diskon biaya kuliah, atau kesempatan lainnya yang menarik minat mahasiswa untuk serius mengerjakan skripsi. Terima kasih.
Akademik
29. Pada prodi TI angkatan 2013 yang menjadi angkatan transisi, perubaha kurikulum di rasa merugikan