Untuk meminimalisir jumlah penyewa teras untuk UMKM di depan toko Indomaret yang terlambat (out standing) setiap tahunnya dan untuk mengoptimalkan penyewa yang lancar setiap tahunnya. Salah satu cara yang bisa dilakukan manajemen PT. Indomarco Prismatama untuk membantu menentukan prediksi kelancaran pembayaran sewa teras UMKM adalah dengan melakukan pengolahan data histori dari penyewa dengan memanfaatkan teknik data mining menggunakan algoritma naïve bayes. Naïve Bayes merupakan salah satu algoritma data Mining yang berfungsi memprediksi banyaknya penyewa yang terlambat pembayaran. Metode yang digunakan adalah CRISP-DM, melalui proses business understanding, data understanding, data preparation, modeling, evaluation dan deployment. Algoritma yang digunakan untuk meprediksi probabilitas adalah algoritma Naïve Bayes. Data yang digunakan berjumlah 504 data, dengan atribut yang sudah di klasifikasikan berdasarkan kelas yang dibutuhkan Area Manager, Kota, Jenis Kelamin Penyewa, Rata-rata Umur Penyewa, dan Status Pembayaran. Terdapat beberapa Probabilitas yang akan mengitung ke akuratan prediksinya, dan setelah di uji dengan menggunakan algoritma naïve bayes, maka diperoleh hasil persentasi Accuracy 81.81%, Precision 66.66%, Recall 100% dan AUC 0.800 Untuk keakuratan prediksi.

Transaksi e-commerce di Indonesia semakin meningkat, hal tersebut memberikan peluang pada produsen untuk memasarkan produk dan memudahkan konsumen untuk berbagi aktivitas, salah satunya memberikan ulasan produk. Ulasan produk berperan penting untuk membangun kepercayaan konsumen ketika menentukan keputusan dalam pembelian produk. Dengan meningkatnya jumlah ulasan, membuat calon konsumen kesulitan untuk menarik kesimpulan yang tepat. Oleh karena itu, diperlukan analisis sentimen untuk membantu calon konsumen untuk menarik kesimpulan. Analisis sentimen bertujuan untuk menyimpulkan, mengindentifikasi sentimen pada data dan mengklasifikasikan polaritas. Algoritma Support Vector Machine (SVM) banyak diusulkan oleh banyak peneliti untuk digunakan dalam analisis sentimen. Support Vector Machine (SVM) dipilih karena mampu mengidentifikasi hyperplane terpisah yang dapat memaksimalkan margin antara 2 kelas yang berbeda. Akan tetapi, Support Vector Machine memiliki kekurangan pada pemilihan parameter atau fitur, maka diterapkan seleksi fitur Particle Swarm Optimization untuk meningkatkan hasil akurasi. Hasil penerapan Support Vector Machine (SVM) memiliki nilai akurasi sebesar 83,33% dengan nilai AUC sebesar 0.910 yang merupakan kategori excellent classification. Sedangkan, Optimasi algoritma Support Vector Machine menggunakan Particle Swarm Optimization (PSO) memiliki nilai akurasi sebesari 88.89% dengan nilai AUC sebesar 0.946 yang merupakan kategori excellent classification. Berdasarkan hal tersebut, terbukti bahwa penerapan Particle Swarm Optimization (PSO) dapat meningkatkan kinerja algoritma Support Vector Machine (SVM).

SPMI (Sistem Penjamin Mutu Internal) merupakan acuan bagi perguruan tinggi dalam menilai mutu kinerja dan penyelenggaraan pendidikan tinggi secara internal. SPMI penting untuk diperhatikan oleh perguruan tinggi agar mampu berkompetisi secara positif dengan perguruan tinggi lain di dalam maupun di luar negeri agar mampu meningkatkan pengelolaan dan penyelenggaraan pendidikan tinggi perguruan tinggi tersebut. Untuk dapat menilai ketercapaian masing-masing standar SPMI, DIKTI menyediakan aplikasi pemetaan perguruan tinggi untuk dapat melihat info grafik kinerja penyelenggaraan pendidikan tinggi di seluruh perguruan tinggi di Indonesia. Akan tetapi, dalam pelaksanaannya masih terdapat perguruan tinggi yang belum mengisi dan melengkapi dokumen-dokumen SPMI, sehingga hasil pemetaan yang dilakukan belum sepenuhnya mencerminkan kinerja perguruan tinggi secara faktual. Permasalahan yang sering dihadapi oleh perguruan tinggi dalam melaksanakan penilaian mutu internal adalah tidak terorganisirnya berkas dan dokumen administrasi SPMI. Hal tersebut dapat terjadi karena pengelola kampus tidak memiliki referensi yang cukup tentang bagaimana penyelenggaraan dan dokumentasi administrasi SPMI yang baik. Berdasarkan analisis permasalahan tersebut, dalam menunjang aktivitas pengelolaan dan penyelenggaraan perguruan tinggi, diperlukan adanya kolaborasi dan kerjasama diantara perguruan tinggi, yang difaslitatori oleh pemerintah dalam hal ini diwakili oleh LLDIKTI. Adanya aplikasi Sistem Penjaminan Mutu (SIMANTU) diharapkan dapat mengingatkan dan membantu LLDIKTI dan PT untuk mempersiapkan proses pendataan dalam kegiatan reakreditasi, melalui layanan portal informasi, pangkalan data (resource sharing), riwayat kegiatan, dan bilik konsultasi secara online.

Bantuan Langsung Tunai (BLT) merupakan suatu program dari pemerintah yang bertujuan untuk meningkatkan perekonomian rakyat yang kurang mampu. Sistem penunjang keputusan (SPK) dapat digunakan untuk membantu menyelesaikan permasalahan atau mengambil keputusan yang bersifat semi terstruktur atau terstruktur. Metode yang digunakan adalah Simple Additive Weighting (SAW). Kecamatan Cimahi Utara merupakan suatu instansi pemerintahan yang dimana memiliki andil dalam pengambilan keputusan calon penerima BLT. Staff Kecamatan Cimahi Utara harus mempertimbangkan warga mana yang layak untuk mendapatkan BLT dengan persetujuan Kepala Kecamatan. Persetujuan tersebut memerlukan waktu yang lama karena harus melihat syarat dan ketentuan sebagai penerima. Kegiatan pengambilan keputusan di Kecamatan Cimahi Utara dilakukan dengan proses manual. Untuk membantu mengatasi masalah tersebut maka diperlukannya metode penyelesaian dalam ketepatan dan kecepatan dalam pengambilan keputusan kelayakan pemberian pinjaman. Untuk mengatasi hal tersebut perlu dikembangkan sistem yang baru yaitu sistem penunjang keputusan dengan metode Simple Additive Weighting (SAW), Sehingga dapat membantu Kepala Kecamatan dalam pengambilan keputusan. Setelah sistem diimplementasikan untuk digunakan sebagai sistem penunjang keputusan kelayakan pemberian BLT pada Kecamatan Cimahi Utara dengan metode Simple Additive Weighting (SAW). Sehingga mempermudah manajemen dalam menentukan kelayakan penerima BLT agar lebih cepat dan akurat. Kemudian sistem ini menghasilkan nilai dan keputusan untuk menentukan kelayakan penerima BLT. Berdasarkan nilai total tertinggi dari kriteria yang sudah ditetapkan.