PERBANDINGAN HASIL AKURASI METODE PENENTUAN LABEL TEKNIK BAGGING UNTUK KASUS KLASIFIKASI DATA TIDAK SEIMBANG (Oleh: Sentia Lestari; Pembimbing: M. Reza Faisal, S.T., M.T., PhD dan Dwi Kartini, S.Kom., M.Kom; 2021; 95 halaman) 

Data tidak seimbang merupakan suatu keadaan distribusi kelas data tidak seimbang, jumlah kelas data yang satu lebih sedikit atau lebih banyak dibanding dengan jumlah kelas data lainnya. metode Bagging terdiri dari dua tahapan utama dalam analisis, yaitu bootstrap yang tidak lain adalah pengambilan contoh dari data contoh yang dimiliki dan aggregating yaitu menggabungkan banyak nilai dugaan menjadi satu nilai dugaan. Pada penelitian ini menggunakan metode 3 metode Teknik Bagging yaitu Mayority Vote, Minority Vote, dan Mean. Dan Algoritme Klasifikasi Support Vector Machine, Decision Tree, dan CART untuk perbandingan Teknik bagging pada klasifikasi data tidak seimbang. Data yang diambil dari dataset UCI Machine Learning. Dari penelitian yang dilakukan, diketahui pada metode Bagging Mayority Vote memiliki nilai AUC paling tinggi pada algoritme CART untuk dataset Vertebral Coloumn 2C yaitu 0,847, sedangkan pada metode Bagging Minority Vote memiliki nilai AUC paling tinggi pada algoritme CART pada dataset Liver Disorder yaitu 0,475, lalu metode Bagging Mean memiliki nilai AUC paling tinggi pada algoritme SVM pada dataset Liver Disorder yaitu Nilai AUC sebesar 0,542 dan nilai rata-rata AUC paling tinggi terdapat pada algoritme SVM menggunakan Bagging Mayority Vote yaitu 0,702.

Kata Kunci : Bagging, Decision Tree, Support Vector Machine, CART, Data tidak seimbang