Dalam penelitian analisis sentimen ini  proses klasifikasi dokumen di bagi  dalam dua kelas, yaitu kelas sentimen positif dan negatif. Media sosial telah menyediakan tempat bagi pengguna web untuk mengungkapkan berbagi pemikiran, pendapat dan menyampaikan berita tentang topik yang berbeda dalam sebuah acara . Data diperoleh dari jejaring sosial Instagram berdasarkan komentar yang ada . Penelitian ini bertujuan untuk menentukan sentimen publik terhadap universitas yang disampaikan di Instagram , sehingga membantu usaha untuk melakukan riset marketing atas opini publik. Klasifikasi algoritma seperti Naive Bayes (NB) yang diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen teks. Algoritma Naive Bayes dan metodenya, akan diuji dengan dua masukan dengan menggunakan komentar tokenize and Transform Case yang positif (100 teks komentar) dan negatif (100 komentar teks),akurasi yang di dapat algoritma Naive Bayes 76.50%+/-7.76%(mikro:76.50). Hasil penelitian menunjukkan bahwa Naive Bayes (NB) mendapatkan hasil terbaik dan akurat.

Ketidakseimbangan kelas seringkali menjadi masalah di berbagai set data dunia nyata, di mana satu kelas (yaitu kelas minoritas) berisi sejumlah kecil titik data dan yang lainnya (yaitu kelas mayoritas) berisi sejumlah besar titik data. Sangat sulit untuk mengembangkan model yang efektif dengan menggunakan data mining dan algoritma machine learning tanpa mempertimbangkan preprocessing data untuk menyeimbangkan set data yang tidak seimbang. Random undersampling dan oversampling telah digunakan dalam banyak penelitian untuk memastikan bahwa kelas yang berbeda mengandung jumlah titik data yang sama. Dalam penelitian ini, kami mengusulkan kombinasi two-step clustering-based random undersampling dan bagging technique untuk meningkatkan nilai akurasi software defect prediction. Metode yang diusulkan dievaluasi menggunakan lima set data dari repositori program data metrik NASA dan area under the curve (AUC) sebagai evaluasi utama. Hasil telah menunjukkan bahwa metode yang diusulkan menghasilkan kinerja yang sangat baik untuk semua dataset (AUC> 0,9). Dalam hal SN, percobaan kedua mengungguli percobaan pertama di hampir semua dataset (3 dari 5 dataset). Sementara itu, dalam hal SP, percobaan pertama tidak mengungguli percobaan kedua di semua dataset. Secara keseluruhan percobaan kedua mengungguli dan lebih baik daripada percobaan pertama karena evaluasi utama dalam klasifikasi kelas yang tidak seimbang seperti SDP adalah AUC Oleh karena itu, dapat disimpulkan bahwa metode yang diusulkan menghasilkan kinerja yang optimal baik untuk set data skala kecil maupun besar.

Online shopping is a form of trading using electronic devices that allows consumers to buy goods or services from sellers via the internet. Other names for these activities are: e-web-shop, e-shop, e-shop, internet shop, web-shop, web-store, online shop, and virtual shop. An online store generates purchases of products or services at retailers or shopping centers, which are referred to as business-to-consumer (B2C) online shopping. n another process where a business buys from another business, it is called business-to-business (B2B). Nowadays online shopping has become more sophisticated with trading via mobile phones (m-commerce). Cellular phones have been optimized with an application to buy from online sites. In this study, we proposed a data level approach and feature selection techniques as a solution for the classification of imbalanced data. The imbalance class classification is one of the classic problems in the field of artificial intelligence, especially for classification in machine learning. Imbalanced data have been proven to reduce the performance of machine learning algorithms, where imbalance data means that the total data from each class is significantly different. The proposed method is evaluated using a dataset from the UCI repository and area under the curve (AUC) as the main evaluation. The results have shown that the proposed method produces good performance. (AUC¿ 0.8). Overall the second experiment outperformed and was better than the first and third experiments because the main evaluation in the unbalanced class classification is AUC. Therefore, it can be concluded that the proposed method produces optimal performance both for large scale data sets. Overall the second experiment outperformed and better than the first and third experiments, because the main evaluation in the unbalanced class classification was AUC.

Competition between banks can be seen from the various attempts by banks to find customers through various marketing activities in order to get as many customers as possible. In the past, business actors offered goods or services to consumers in a face-to-face manner, now by utilizing existing and sophisticated technology, they can use long-distance communication tools such as telephone and fax, as well as other electronic media. To make it easier to manage customer data, a data calcification is needed. Machine Learning Algorithms can be used to predict or classify data. One of the algorithms in Machine Learning is the Naive Bayes method. Naive Bayes is a simple probabilistic classification that calculates a set of probabilities by summing the frequency and value combinations from a given dataset. This research will predict a successful Telemarketing call in selling Bank products to customers. The Naive Bayes algorithm and the Backward Elimination feature selection can increase the accuracy value in predicting the success of telemarketing in selling bank products well, as evidenced by the accuracy value generated by Naive Bayes of 83.04%, then after being applied with the selection of the backward elimination feature it increases by 6.41. % to 89.45%. Keywords: Telemarketing, Machine Learning, Naive Bayes Abstrak: Persaingan antar bank dapat dilihat dari berbagai upaya bank dalam mencari nasabah dengan berbagai kegiatan pemasaran agar mendapat nasabah sebanyak-banyaknya. Dahulu para pelaku usaha menawarkan barang atau jasa kepada konsumen dengan cara bertatap muka langsung, sekarang dengan memanfaatkan teknologi yang ada dan canggih bisa menggunakan alat komunikasi jarak jauh seperti telepon dan fax, serta media elektronik lainnya. Untuk mempermudah mengelola data nasabah maka dibutuhkan sebuah pengkalsifikasian data. Algoritma Machine Learning dapat digunakan dalam memprediksi atau mengklasifikasikan sebuah data. Salah satu algoritma dalam Machine Learning adalah metode Naive Bayes. Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Pada penelitian ini akan memprediksi sebuah keberhasilan panggilan Telemarketing dalam menjula produk Bank kepada para nasabah. Algoritma Naive Bayes dan seleksi fitur Backward Elimination mampu meningkatkan nilai akurasi dalam memprediksi keberhasilan telemarketing dalam menjual produk bank dengan baik, dibuktikan dengan nilai akurasi yang dihasilkan naive bayes sebesar 83,04 %, kemudian setelah diterapkan dengan seleksi fitur backward elimination meningkat sebesa 6,41% menjadi 89,45%. Kata kunci: Telemarketing, Machine Learning, Naive Bayes

Penerimaan siswa baru merupakan sebuah proses yang yang berguna untuk menyaring calon siswa yang terpilih sesuai kriteria yang ditentukan oleh sekolah tersebut untuk menjadi siswa didiknya. Pada umumnya proses penerimaan siswa baru melalui tahapan pendaftaran, tes seleksi, dan pengumuman penerimaan siswa. Penelitian ini tertuju pada salah satu Sekolah Menengah Kejuruan di Kota Tegal yang selama ini masih menggunakan Microsoft Office Excel, yang memungkinkan masih banyak kekurangan data, penghitungan nilai tes secara manual yang memungkinkan terjadinya kesalahan. Maka dari itu dibutuhkan sebuah sistem informasi yang dapat membantu dalam proses penerimaan siswa baru. Rumusan masalah dari penelitian ini yaitu membangun sistem informasi penerimaan siswa baru di Sekolah Menengah Kejuruan di Kota Tegal yang dapat menyajikan informasi yang akurat serta efisien. Tujuan dari penelitian ini adalah menghasilkan suatu program sistem aplikasi. Manfaat dari pembuatan sistem informasi ini adalah memberikan kemudahan bagi Sekolah maupun siswa itu sendiri. Metode  yang digunakan adalah studi pustaka, observasi, wawancara, analisis, perancangan, uji coba dan implementasi. Hasil kesimpulannya diharapkan dapat terbangunnya sistem informasi penerimaan siswa baru yang berbasis web.