1. Bobot pada masing-masing kelompok waktu:

• Total bobot untuk responden pagi: \[ 60 \text{ responden} \times 0.55 = 33 \text{ bobot tertimbang} \]

• Total bobot untuk responden sore: \[ 40 \text{ responden} \times 1.675 = 67 \text{ bobot tertimbang} \]

2. Total bobot keseluruhan:

\[ 33 (pagi) + 67 (sore) = 100 \]

Kesimpulan

1. Data Historis Penggunaan Ojek Online

   • Misalnya: jumlah perjalanan ojek per jam dari platform (Gojek, Grab, dll).

   • Jika data menunjukkan bahwa 67% pengguna aktif di sore hari dan 33% di pagi, maka itu jadi proporsi ideal.

2. Observasi Lapangan / Studi Sebelumnya

   • Bisa berdasarkan data transportasi, pergerakan pengguna, atau laporan instansi.

3. Survei tidak selalu mencerminkan proporsi populasi sebenarnya, terutama jika waktu pengambilan sampel tidak seimbang (misalnya lebih banyak responden pagi daripada sore).

4. Oleh karena itu, diperlukan pembobotan agar hasil survei mencerminkan komposisi populasi yang sebenarnya, berdasarkan data historis.

5. Rumus bobot = Proporsi Ideal / Proporsi Aktual digunakan untuk menghitung seberapa besar pengaruh tiap kelompok responden dalam analisis akhir.

6. Dalam contoh kasus:

   • Respon pagi yang berlebihan harus dikurangi pengaruhnya (dikalikan 0.55).

   • Respon sore yang kurang representatif harus diperbesar pengaruhnya (dikalikan 1.675).

7. Dengan pembobotan, meskipun jumlah responden sore lebih sedikit, pendapat mereka akan lebih mencerminkan kenyataan populasi, karena pengguna ojek online lebih banyak di sore hari.

Bagian A: Informasi Responden

• Fakultas: Sains Data, Teknik Pengolahan Sawit, Desain Produk, PWK, Lainnya

• Angkatan: 2020 s.d. 2024

Bagian B: Pertanyaan Inti

• 20 pertanyaan skala Likert (1–5):

  1 = Sangat Tidak Puas | 2 = Tidak Puas | 3 = Cukup Puas | 4 = Puas | 5 = Sangat Puas

• 1 Pertanyaan Pilihan Ganda: Apakah layanan akademik sudah memenuhi kebutuhan?
  

• 2 Pertanyaan Terbuka: Kendala utama dan saran peningkatan layanan

Distribusi Responden:

• Fakultas terbanyak: Lainnya (33%)

• Angkatan dominan: 2024 (30%)

Analisis Frekuensi (Contoh: Pertanyaan Q1 - Kemudahan akses KRS online)

(Hasil di atas bisa diulangi untuk Q2–Q20)

Rata-rata Skor Kepuasan Keseluruhan:

• Skor rata-rata dari semua pertanyaan Q1–Q20: 3.07
  (Cukup Puas secara umum)

Pertanyaan Ya/Tidak/Tidak Tahu

• Ya: 11 responden (36.7%)

• Tidak: 9 responden (30%)

• Tidak Tahu: 10 responden (33.3%)

Sebagian besar mahasiswa masih ragu atau belum puas sepenuhnya.

Isian Kendala (Top 3 Terbanyak):

1. Lambat respon dari bagian akademik

2. Informasi beasiswa kurang jelas

3. Portal mahasiswa sulit diakses

Saran Terbanyak:

• Tingkatkan kecepatan layanan dan kejelasan informasi

• Permudah akses portal dan layanan online

• Perjelas alur proses seperti wisuda dan revisi nilai

Menghitung otomatis dan visual

# Load library
library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)

# 1. Membaca data dari file Excel (pastikan file ini ada di folder kerja)
data <- read_excel("data_dummy_kepuasan_mahasiswa.xlsx")

# 2. Tampilkan 6 baris pertama dari data
head(data)

## # A tibble: 6 × 25
##   Fakultas  Angkatan `Persepsi Umum` Kendala Saran    Q1    Q2    Q3    Q4    Q5
##   <chr>        <dbl> <chr>           <chr>   <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Perencan…     2022 Tidak           Pelaya… Perj…     4     4     1     4     1
## 2 Lainnya       2023 Tidak           Lambat… Ting…     4     4     4     1     4
## 3 Desain P…     2023 Tidak           Lambat… Sedi…     4     2     3     2     1
## 4 Lainnya       2020 Tidak           Lambat… Perc…     4     3     5     1     4
## 5 Lainnya       2022 Tidak           Lambat… Perj…     3     1     3     4     1
## 6 Teknik P…     2024 Ya              Inform… Ting…     2     5     4     5     5
## # ℹ 15 more variables: Q6 <dbl>, Q7 <dbl>, Q8 <dbl>, Q9 <dbl>, Q10 <dbl>,
## #   Q11 <dbl>, Q12 <dbl>, Q13 <dbl>, Q14 <dbl>, Q15 <dbl>, Q16 <dbl>,
## #   Q17 <dbl>, Q18 <dbl>, Q19 <dbl>, Q20 <dbl>

# 3. Ambil hanya kolom Q1–Q20 (skala Likert)
likert_data <- data %>% select(starts_with("Q"))

# 4. Hitung rata-rata skor tiap pertanyaan
avg_scores <- colMeans(likert_data)

# 5. Buat data frame untuk visualisasi rata-rata
avg_df <- data.frame(Pertanyaan = names(avg_scores), RataRata = avg_scores)

# 6. Visualisasi rata-rata skor kepuasan
ggplot(avg_df, aes(x = Pertanyaan, y = RataRata)) +
  geom_col(fill = "steelblue") +
  ylim(1, 5) +
  geom_text(aes(label = round(RataRata, 2)), vjust = -0.5, size = 5) +
  labs(title = "Rata-rata Skor Kepuasan Mahasiswa per Pertanyaan",
       y = "Skor Rata-rata", x = "Pertanyaan") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 12),
        plot.title = element_text(size = 16, face = "bold"))

# 7. Ubah data ke format long untuk distribusi jawaban
long_likert <- likert_data %>%
  pivot_longer(cols = everything(), names_to = "Pertanyaan", values_to = "Skor")

# 8. Hitung frekuensi per skor
frekuensi <- long_likert %>%
  group_by(Pertanyaan, Skor) %>%
  summarise(Jumlah = n(), .groups = "drop")

# 9. Visualisasi distribusi skor Likert per pertanyaan
ggplot(frekuensi, aes(x = factor(Skor), y = Jumlah, fill = factor(Skor))) +
  geom_col(position = "dodge") +
  facet_wrap(~ Pertanyaan, ncol = 5) +
  labs(title = "Distribusi Jawaban Responden per Pertanyaan (Skala Likert)",
       x = "Skor Kepuasan", y = "Jumlah Responden") +
  scale_fill_brewer(palette = "Blues") +
  theme_minimal() +
  theme(strip.text = element_text(size = 12),
        axis.text.x = element_text(size = 10),
        plot.title = element_text(size = 16, face = "bold"),
        legend.position = "none")

Tingkat Kepuasan Mahasiswa secara Umum

Dari grafik rata-rata skor kepuasan per pertanyaan, terlihat bahwa sebagian besar pertanyaan memiliki skor di atas 3.0, yang berarti mahasiswa umumnya merasa cukup puas hingga puas terhadap layanan akademik kampus.

Pertanyaan dengan skor rata-rata tertinggi mengindikasikan aspek layanan yang paling diapresiasi mahasiswa. Biasanya ini seperti:

• Kemudahan akses sistem KRS

• Kemudahan penggunaan portal mahasiswa

• Pelayanan tata usaha fakultas

Sementara itu, pertanyaan dengan rata-rata di bawah 3.0 (jika ada) menunjukkan area yang perlu ditingkatkan.

Contoh dari data dummy bisa saja:

• Ketersediaan layanan untuk mahasiswa berkebutuhan khusus

• Kecepatan mendapatkan feedback nilai

Distribusi Jawaban (Skala Likert)

• Pada grafik distribusi responden per skor, terlihat bahwa:

• Jawaban “Puas” dan “Cukup Puas” mendominasi di hampir semua pertanyaan.

• Jumlah responden yang memilih “Sangat Tidak Puas” atau “Tidak Puas” relatif sedikit, namun tetap muncul pada beberapa layanan tertentu.

• Variasi distribusi menunjukkan bahwa tingkat kepuasan tidak merata antar aspek layanan, sehingga perlu perhatian lebih pada aspek-aspek yang nilainya rendah.

Rekomendasi Umum

Berdasarkan pola data dan grafik: - Pertahankan layanan yang sudah mendapat skor tinggi karena menunjukkan efektivitas sistem.

• Fokus pada perbaikan layanan dengan skor rendah, seperti:

  • Mempercepat feedback nilai dari dosen

  • Meningkatkan akses informasi beasiswa dan program internasional

  • Menyediakan fasilitas inklusif bagi mahasiswa berkebutuhan khusus

• Melakukan evaluasi lanjutan dengan data asli dari mahasiswa untuk hasil lebih akurat dan terpercaya.