Ketepatan Klasifikasi Bagging CART Pada Klasifikasi Ketidaktepatan Waktu Kelulusan Mahasiswa STIKOM Bali

Abstract

CART (Classification and Regression Tree) merupakan salah satu metode klasifikasi yang populer digunakan di berbagai bidang. Metode CART mampu menghadapi berbagai kondisi data, akan tetapi CART mempunyai kelemahan pohon klasifikasi yaitu kurang stabil pada perubahan data learning yang akan menyebabkan perubahan besar pada hasil prediksi pohon klasifikasi. Untuk memperbaiki prediksi dari pohon klasifikasi CART dari kelemahan tersebut dikembangkan metode Bagging (bootstrap aggregating). Penelitian ini bertujuan untuk meningkatkan kestabilan dan akurasi prediktif. Sedangkan kasus yang digunakan dalam penelitian ini adalah klasifikasi ketidaktepatan waktu kelulusan mahasiswa STIKOM Bali. Hasil klasifikasi dengan bagging CART mampu meningkatkan akurasi klasifikasi sebesar 4,38%.