Pengembalian produk oleh konsumen kepada penjual bukan hal yang dapat dihindari. Aktivitas ini tidak terlihat merugikan pada awalnya, namun pengelolaan informasi dari pengembalian produk dapat memberikan informasi yang bermanfaat bagi penjual untuk digunakan dalam proses evaluasi. Salah satu cara pengelolaan informasi ini adalah dengan melakukan klasifikasi dari jenis produk yang dikembalikan oleh konsumen dan alasan-alasan yang menjadikan produk tersebut dikembalikan. Pada penelitian ini produk retur dimasukkan dalam tiga klasifikasi yaitu kuat, sedang, dan lemah. Hasil klasifikasi tersebut dapat menjadi evaluasi pada proses produksi hingga pengemasan dan pengiriman produk. Algoritma pohon keputusan C4.5 dipilih dalam penelitian ini karena algoritma ini dapat menangani multi-class, memiliki performa yang baik dalam klasifikasi, dan model klasifikasi yang dihasilkannya mudah dipahami. Pembagian data latih dan data uji dilakukan dengan menggunakan metode cross-validation 10 folds karena jumlah data yang terbatas. Model klasifikasi yang dihasilkan pada penelitian ini memiliki performa akurasi sebesar 95,6%, precision sebesar 0,943, dan recall sebesar 0,956. PENDAHULUANSalah satu tantangan bagi para pelaku bisnis di bidang manufaktur adalah adanya pengembalian produk yang dilakukan oleh konsumen. Pengembalian produk terjadi karena konsumen tidak merasa puas terhadap produk yang telah dibeli. Ketidakpuasan ini muncul dikarenakan berbagai alasan misalnya produk yang dibeli cacat, tidak sesuai harapan, dan alasan lainnya. Barang yang telah dikembalikan tersebut dapat digantikan dengan produk yang baru (exchange), pengembalian uang (refund), dan diberikannya jasa tambahan [1]. Pengembalian produk merupakan salah satu aktivitas yang bernilai tambah rendah bagi

At this time, social networking is becoming a very popular communication tool among Indonesians ranging from children to adults. One of them is Twitter, which has quite a lot of users. This social network is used by users to write their opinions on a matter. One of the topics discussed in the Twitter social network is the Trans-Jakarta bus. In this study, the opinions of Trans-Jakarta bus users listed on Twitter are only limited to positive and negative opinions. An application designed to predict positive or negative opinions using the Naïve Bayes algorithm. The Naïve Bayes algorithm was chosen because it only requires a small amount of training data to estimate averages and variable variations. The developed application can make it easier for decision-makers towards Trans-Jakarta to find out public opinion on Trans-Jakarta bus services. The resulting system accuracy is 73% because the amount of training data used is only 62.5% of the total data of 50 data. While the test data that has been used are only 30 data. The proportions of the training and testing data affect the level of accuracy, so if you want a higher level of accuracy you can reproduce the training data used.