Abstrak-Layanan publik adalah semua kegiatan layanan yang dilakukan oleh penyedia layanan publik sebagai upaya untuk memenuhi kebutuhan penerima layanan sesuai dengan ketentuan dan aturan yang dibuat. Pelayanan e-KTP sebagai salah satu layanan publik yang masih belum maksimal, hali ini dibuktikan dengan data yang telah dikumpulkan. Sampel data yang diambil adalah data dari Kecamatan Batujajar Kabupaten Bandung Barat. Kecataman Batujajar menjadi tempat pengambilan data karena masih banyak data yang belum terekam sebanyak sebanyak 7974 data e-KTP. Untuk mengetahui lebih dini tingkat kepuasan mayarakat terhadap pelayanan perekaman e-KTP, salah satunya menggunakan data mining. Pada penelitian ini akan memprediksi tingkat kepuasan pelayanan perekaman e-KTP dengan mengumpulkan 17 indikator dengan menggunakan skala likert. Data kepuasan yang telah dikumpulkan akan dipisahkan antara data latih dan data uji. Hasil model data latih akan digunakan untuk melihat akurasi pada data uji, Dari hasil pengujian, ditemukan bahwa alagoritma naïve bayes memiliki akurasi sebesar 91.70%. Adapun algoritma pembanding dalam hal ini Decision Tree, yaitu sebesar 65.90%. Kata-kata kunci: Naive Bayes, Decision Tree, e-KTP,Klasifikasi. Abstract-Public services are all service activities carried out by community service providers to meet the needs of service recipients, as well as in the implementation of rules. The e-ID Card (e-KTP) service as one of the public services provided is still not maximal, it is proven by the data that has been collected. Samples of data taken are data from Batujajar District, West Bandung Regency. Batujajar District is the place for data collection because there are 7974 e-ID Card data that have not been recorded. To find out the level of community satisfaction with e-ID Card recording services, one of them uses data mining. The study will predict the level of satisfaction of e-ID Card recording services by collecting 17 indicators using a Likert scale. Satisfaction data that has been gathered will be collected between training data and test data. The results of the training data model will be used to see the accuracy of the test data. From the results of testing, the Bayes algorithmhas an accuracy of 91.70%. There is a comparison algorithm in this case, the Decision Tree, which is 65.90%.

AbstrakSpam SMS adalah pesan yang tidak berguna bagi penerima dan sering kali menjadi penyalahgunaan oleh pihak yang tidak bertanggung jawab. Menhindari penyalahgunaan itu perlu dilakukan penyaringan spam SMS, tetapi perlu algoritma penyaringan data spam SMS. Dengan menggunakan Machine Learning penyaringan itu menjadi mudah, contoh dari Machine Learning yang popular adalah SVM dan Naïve Bayes. SVM dan Naïve Bayes dapat digunakan untuk penyaringan data spam SMS, tetapi machine learning mana yang menjadi terakurat dan memiliki nilai presisi yang baik. Untuk melihat komparasi antar kedua algoritma tersebut maka dilakukan cara pengolahan data spam SMS dengan cara mengumpulkan data SMS tertebih dahulu kemudian data SMS tersebut diberi label manual lalu dilakukan proses akromin, stop words dan pembobotan. Setelah dilakukan pembobotan maka akan dilakukan proses training oleh SVM dan Naïve Bayes. Proses training dilakukan untuk mendapatkan model yang akan diuji untuk menbandingkan machine leaning pada data Spam SMS. Setelah dilakukan pengujian dengan membuat 12 model data, maka didapat SVM memiliki nilai presisi yang lebih baik dari pada Naïve Bayes yaitu 94.98%. Naïve Bayes memiliki tingkat akurasi yang baik dengan rata-rata 92.22%. Kata Kunci: SVM, naïve bayes, spam SMS, n-grams Abstract SMS spam is a message that is not useful to the recipient and often becomes abuse by irresponsible parties. Avoiding abuse is necessary spam filtering SMS, but need SMS spam data filtering algorithm. Using Machine Learning filtering becomes easy, examples from the popular Machine

Pelayanan publik adalah segala kegiatan pelayanan yang dilaksanakan oleh penyelenggara pelayanan publik sebagai upaya pemenuhan kebutuhan penerima pelayanan, maupun dalam rangka pelaksanaan ketentuan peraturan perundang -undangan. Salah satu pelayanan public yang paling sering dikeluhan adalah E-KTP menurut data sisa perekaman masih banyak yang belum melakukan perekaman data tersebut. Untuk melihat kepuasan mayarakat terhadap pelayanan public perlu dibuatnya klasifikasi keluhanan masyarakat. Keluhan dari masyarakat dikumpulkan dalam bentuk pertanyaan yang telah disebar sebelumnya. Data yang dikumpulkan akan diklasifikasi menggunakan metode Naïve Bayes ditambah dengan optimasi menggunakan Algoritma Genetik. Hasil klasifikasi akan didapat nilai akurasinya. Akurasi akan dibandingkan pengaruh optimasinya. Pengujian akurasi menunjukan Naïve Bayes ditambah optimasi menggunakan Algoritma Genetik dengan pemilihan Roulette Wheel memiliki nilai akurasi yang lebih baik dengan nilai akurasi 85,64% dibandingkan dengan pemilihan skema default dengan nilai akurasi 83.03.

Pesan singkat atau Short Message Service (SMS) merupakan fasilitas yang ada di telepon seluler. Dengan fasilitas pesan singkat ini banyak yang menyalah gunakan pesan singkat tersebut. Spam SMS adalah proses mengirimkan SMS secara terus menerus tanpa di kehendeaki oleh penerimanya baik berupa iklan, jasa maupun penipuan yang dilakukan lewat telepon seluler yang dapat merugikan pengguna. Banyak cara yang yang dilakukan untuk mencegah spam SMS ini. Salah satunya adalah dengan penyaringan spam SMS, penelitian ini bertujuan untuk menyaring spam SMS dengan menggunakan algoritma Support Vector Machine (SVM) sehingga dapat memprediksi mana spam SMS dan mana yang bukan spam SMS. Pesan SMS yang dikumpulkan di lakukan preprosessing dengan melakukan kategorisasi, akronim, tokenisasi, stop word, pemecahan isi SMS, pembobotan, pemilihan fitur, pembuatan fitur vector, melakukan pelatihan untuk menghasilkan sebuah model. Pada penilitian ini menunjukan hasil akurasi yang terbaik dihasil dari pemecahan kata 4-grams. Sehingga untuk menguraikan/ pemecah kata yang tepat akan menghasilkan akurasi yang baik.

Payment of tuition as one of the sources of funds, plays an important role in the sustainability of the operations of higher education. The problem that arises is that students are not often late to make payments in a timely manner. One of the factors causing the many cases of late payment of tuition fees due to lack of policy and decisive action on the part of the campus when students are late in making payments, besides the factors of parents and students also have an influence on the delay. The purpose of this study is to classify students who are late and timely in making SPP payments using the C4.5 algorithm. From the total sample used then divided into 4 partitions, partition 1 for 90% training data and 10% testing data, partition 2 for 80% training data and 20% testing data, and partition 3 for 70% training data and 30% testing data , and partition 4 for 60% training data and 40% testing data. The classification results of the C4.5 algorithm are evaluated and validated with cross validation and confusion matrix to determine the accuracy of the C4.5 algorithm in predicting late SPP payments. Based on the comparison of the results of evaluations and validations conducted, it shows that data partition 2 has a better level of accuracy than the other partitions, which is 75%. Keywords: Data Mining, Decision Tree (C4.5), SPP.