<![CDATA[Ada beberapa model data mining salah satunya fungsinya sebagai klasifikasi. Di bidang klasifikasi, ada banyak cabang yang berkembang yaitu pohon keputusan (decision tree). Salah satu decision tree yang populer adalah C4.5. tetapi algoritma ini kurang maksimal dalam menangani kesimbangan kelas. Masalah ketidakseimbangan kelas telah dilaporkan sangat menghambat kinerja algoritma klasifikasi dan telah menarik banyak perhatian dari para peneliti dari berbagai bidang. Oleh karena itu telah diusulkan untuk memecahkan masalah ini maka diperlukan sebuah algoritma ensemble yaitu bagging untuk meningkatkan Akurasi. Dalam riset ini, data yang digunakan adalah Blogger dataset yang diambil dari UCI repository of machine learning. Pada dataset ini atributnya terdiri : Pendidikan (degree), tingkah politik(caprice), topik, media local turnover (LMT) dan ruang lokal, politik dan sosial (LPSS). Dari hasil penelitian, dengan menerapkan teknik bagging untuk klasifikasi berbasis ensemble pada algoritma C4.5 dapat meningkatkan akurasi sebesar 9 %. Dengan akurasi awal 68 %, setelah diterapkan teknik bagging menjadi 77 %.]]>
Copyrights © 2020
