BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Perkembangan teknologi informasi menyebabkan data yang dihasilkan semakin besar, beragam, dan kompleks sehingga diperlukan metode pemodelan prediktif yang akurat dan andal. Salah satu pendekatan yang banyak digunakan adalah supervised learning, yaitu pemodelan yang mempelajari hubungan antara variabel prediktor dan variabel respons dari data latih. Pohon keputusan (decision tree) sering dipilih karena mudah diterapkan dan hasilnya transparan, tetapi model ini cenderung mengalami overfitting dan tidak stabil, terutama pada data berukuran kecil atau tidak seimbang. Kondisi tersebut mendorong penggunaan teknik ensemble yang menggabungkan banyak model agar kinerja prediksi menjadi lebih andal dan lebih stabil (Zuriati dkk., 2025).

Salah satu metode ensemble yang paling dikenal adalah Bootstrap Aggregating atau Bagging. Metode ini membangun sejumlah model pada sampel bootstrap, yaitu sampel acak dengan pengembalian yang diambil dari data latih, kemudian menggabungkan hasil prediksinya. Pada kasus klasifikasi, hasil prediksi digabungkan melalui voting mayoritas, sedangkan pada kasus regresi hasil prediksi digabungkan dengan menghitung rata-rata. Penerapan Bagging pada algoritma decision tree terbukti mampu meningkatkan kinerja klasifikasi yang diukur dengan balanced accuracy, geometric mean, dan AUC (Pristyanto & Zein, 2023).

Metode Bagging dapat diterapkan pada permasalahan regresi maupun klasifikasi dengan menggabungkan prediksi dari sejumlah model yang dibangun menggunakan sampel bootstrap. Penggabungan tersebut bertujuan meningkatkan kestabilan model dan mengurangi varians prediksi. Penerapan Bagging CART dapat meningkatkan kinerja klasifikasi melalui penggabungan sejumlah pohon keputusan (Innassuraiya dkk., 2022).

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, adapun rumusan masalah sebagai berikut:

Bagaimana konsep dasar dan prinsip kerja metode Bagging.
Bagaimana mengimplementasikan metode Bagging Regression Tree menggunakan R.
Bagaimana mengevaluasi performa Bagging.

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah, tujuan yang dapat disimpulkan adalah sebagai berikut:

Mahasiswa mampu memahami konsep dasar dan prinsip kerja metode Bagging.
Mahasiswa mampu mengimplementasikan metode Bagging Regression Tree menggunakan R.
Mahasiswa mampu mengevaluasi kinerja model Bagging Regression Tree.

1.4 Manfaat Penelitian

Manfaat yang diperoleh melalui penelitian ini, yaitu:

Bagi penulis:
1. Menambah pengetahuan dan pemahaman mengenai metode Bagging sebagai salah satu metode ensemble.
2. Mampu mengaplikasikan R untuk melakukan Bagging Regression Tree.
Bagi pembaca:
1. Menambah ilmu pengetahuan dan pemahaman yang berkaitan dengan Bagging menggunakan R.
2. Rujukan penelitian selanjutnya.

1.5 Batasan Masalah

Adapun batasan masalah pada penelitian ini dengan menggunakan dataset Hitters dari package ISLR untuk memprediksi Salary menggunakan Decision Tree (Regression Tree). Lakukan pengecekan dan penanganan missing value menggunakan na.omit(), kemudian bagi data menjadi training dan testing. Selanjutnya, bangun dan visualisasikan tree, analisis variable importance, lakukan prediksi dan evaluasi menggunakan MSE, tentukan CP terbaik, lakukan pruning, dan evaluasi kembali model menggunakan MSE.

1.6 Sistematika Penulisan

Adapun sistematika penulisan dari praktikum ini adalah:

BAB I PENDAHULUAN

Bab ini memuat latar belakang, rumusan masalah, tujuan dan manfaat, batasan masalah dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini merupakan bab yang memuat pengertian dan teori yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.

BAB III METODE PENELITIAN

Bab ini merupakan bab yang memuat jenis dan sumber data, variabel penelitian, analisis data dan diagram alir yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.

BAB IV HASIL DAN PEMBAHASAN

Bab ini merupakan bab yang memuat hasil dan pembahasan yang telah dilakukan pada program kemudian diinterpretasikan yang diperlukan untuk rancangan penelitian pada bab-bab berikutnya.

BAB V KESIMPULAN DAN SARAN

Bab ini merupakan bab yang memuat kesimpulan dan saran.

DAFTAR PUSTAKA

LAMPIRAN

BAB II TINJAUAN PUSTAKA

2.1 Bootstrap Aggregating (Bagging)

Bootstrap merupakan teknik resampling yang dilakukan dengan mengambil sampel secara acak dengan pengembalian dari data asli. Sampel bootstrap umumnya memiliki ukuran yang sama dengan data asli, sehingga suatu pengamatan dapat terpilih lebih dari satu kali, sedangkan pengamatan lainnya mungkin tidak terpilih (Pradani dkk., 2021).

Bootstrap aggregation atau Bagging merupakan salah satu metode ensemble yang bertujuan meningkatkan stabilitas dan akurasi model serta mengurangi overfitting. Metode ini dapat diterapkan pada berbagai algoritma, dengan menggabungkan hasil prediksi beberapa model melalui rata-rata atau rata-rata tertimbang (weighted average) pada kasus regresi, serta voting pada kasus klasifikasi Langkah-langkah dalam bagging secara adalah sebagai berikut (Fransaiska, 2026).

Membuat sampel dari data pelatihan (training data); jumlah sampel harus dalam jumlah yang sesuai (tidak terlalu banyak maupun terlalu sedikit).
Melatih model pada masing-masing sampel.
Membuat classifier dari setiap model dan menyimpan hasilnya.
Berdasarkan jenis ensemble yang digunakan baik itu voting tertimbang (weighted vote), voting mayoritas (majority vote), atau cara khusus lainnya, hasil tersebut digabungkan untuk memprediksi data uji (test data).

Karakteristik penting dari Bagging adalah penggunaan teknik bootstrap aggregating untuk meningkatkan ketepatan klasifikasi model. Penerapan metode ini dilakukan dengan membandingkan model regresi logistik biner tanpa Bagging dan model yang menggunakan Bagging (Putri dkk., 2021). Sebagai pembanding, pada Bagging Classification Tree variabel respons berupa kategori dan prediksi akhir ditentukan melalui voting mayoritas. Perbedaan keduanya dirangkum pada Tabel 1 berikut (Fransiska, 2026).

Tabel 1. Perbedaan Bagging Classification dan Bagging Regression

Aspek	Bagging Classification Tree	Bagging Regression Tree
Variabel respons	Kategorik	Numerik atau kontinu
Agregasi	Voting mayoritas atau rata-rata probabilitas	Rata-rata nilai prediksi
Metrik evaluasi	Accuracy, precision, recall, F1, ROC-AUC	MSE, RMSE, MAE, \(R^2\)

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

Penelitian ini merupakan penelitian terapan dengan pendekatan kuantitatif. Data yang digunakan adalah data simulasi yang dibangkitkan menggunakan fungsi mlbench.friedman1() dari package mlbench pada program R dengan jumlah pengamatan sebanyak 200. Data tersebut digunakan untuk memprediksi variabel respons y menggunakan metode Bagging Regression Tree.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini terdiri atas variabel respons dan variabel prediktor. Variabel respons adalah y, berupa variabel numerik kontinu yang dibangkitkan melalui simulasi, sedangkan variabel prediktor terdiri atas x.1 hingga x.10, yang masing-masing dibangkitkan dari distribusi seragam pada interval (0,1).

3.3 Langkah-langkah Analisis

Berikut merupakan algoritma pengolahan data:

Mulai.
Input data.
Membentuk model bagginng regression tree.
Melihat struktur pohon.
Prediksi dan evaluassi.
Menarik kesimpulan.
Selesai.

3.4 Diagram Alir Penelitian

Berikut adalah diagram alir yang digunakan dalam analisis Bagging Regression Tree.

Gambar 3.1 Diagram Alir Penelitian

BAB IV HASIL DAN PEMBAHASAN

4.1 Persiapan dan Preprocessing Data

# 1. Library
library(ipred)
library(mlbench)
library(rpart)

4.1.1 Pembangkitan dan Deskripsi Data

# 2. Membangkitkan Data Simulasi Friedman1
set.seed(123)
learn <- as.data.frame(mlbench.friedman1(200))
# Melihat Struktur Data
str(learn)

## 'data.frame':    200 obs. of  11 variables:
##  $ x.1 : num  0.288 0.788 0.409 0.883 0.94 ...
##  $ x.2 : num  0.239 0.962 0.601 0.515 0.403 ...
##  $ x.3 : num  0.986 0.137 0.905 0.576 0.395 ...
##  $ x.4 : num  0.237 0.686 0.226 0.318 0.174 ...
##  $ x.5 : num  0.471 0.366 0.121 0.047 0.263 ...
##  $ x.6 : num  0.274 0.594 0.16 0.853 0.848 ...
##  $ x.7 : num  0.859 0.887 0.489 0.718 0.487 ...
##  $ x.8 : num  0.2332 0.2307 0.0617 0.4971 0.2441 ...
##  $ x.9 : num  0.639 0.125 0.255 0.821 0.804 ...
##  $ x.10: num  0.155 0.846 0.214 0.67 0.618 ...
##  $ y   : num  10.6 17.2 13.1 13.3 10 ...

# Melihat Dimensi Data
dim(learn)

## [1] 200  11

Interpretasi: Data Friedman1 terdiri atas 200 observasi dan 11 variabel, yaitu 10 variabel prediktor dan 1 variabel respons. Seluruh variabel bertipe numerik.

4.1.2 Pemeriksaan Missing Value

# 3. Memeriksa Missing Value
colSums(is.na(learn))

##  x.1  x.2  x.3  x.4  x.5  x.6  x.7  x.8  x.9 x.10    y 
##    0    0    0    0    0    0    0    0    0    0    0

Interpretasi: Tidak terdapat missing value pada seluruh variabel karena data dibangkitkan secara simulasi, sehingga seluruh 200 observasi dapat digunakan tanpa penanganan tambahan.

4.1.3 Statistik Deskriptif

# 4. Ringkasan Statistik Dataset
summary(learn)

##       x.1                 x.2                x.3                 x.4          
##  Min.   :0.0006248   Min.   :0.006301   Min.   :0.0004654   Min.   :0.001192  
##  1st Qu.:0.2721181   1st Qu.:0.235623   1st Qu.:0.2736035   1st Qu.:0.246362  
##  Median :0.4820961   Median :0.469024   Median :0.5061597   Median :0.492065  
##  Mean   :0.5063919   Mean   :0.489122   Mean   :0.5022216   Mean   :0.493561  
##  3rd Qu.:0.7333708   3rd Qu.:0.741910   3rd Qu.:0.7570153   3rd Qu.:0.755200  
##  Max.   :0.9942698   Max.   :0.999405   Max.   :0.9966172   Max.   :0.994936  
##       x.5                x.6                x.7                x.8         
##  Min.   :0.003896   Min.   :0.002479   Min.   :0.001156   Min.   :0.01152  
##  1st Qu.:0.261924   1st Qu.:0.263275   1st Qu.:0.234549   1st Qu.:0.27500  
##  Median :0.518644   Median :0.478715   Median :0.487690   Median :0.49757  
##  Mean   :0.495092   Mean   :0.486666   Mean   :0.473317   Mean   :0.51007  
##  3rd Qu.:0.734548   3rd Qu.:0.719703   3rd Qu.:0.715833   3rd Qu.:0.75497  
##  Max.   :0.991745   Max.   :0.992616   Max.   :0.998883   Max.   :0.99952  
##       x.9                x.10                y        
##  Min.   :0.005364   Min.   :0.004609   Min.   : 4.39  
##  1st Qu.:0.272996   1st Qu.:0.249906   1st Qu.:10.73  
##  Median :0.556871   Median :0.497349   Median :14.56  
##  Mean   :0.528512   Mean   :0.492717   Mean   :14.60  
##  3rd Qu.:0.798814   3rd Qu.:0.729677   3rd Qu.:18.09  
##  Max.   :0.996372   Max.   :0.994995   Max.   :27.72

Interpretasi: Setiap variabel prediktor memiliki nilai minimum mendekati 0 dan maksimum mendekati 1 dengan rata-rata sekitar 0,5, sesuai dengan distribusi seragam pada interval (0,1). Variabel respons y memiliki nilai minimum 4,39, kuartil pertama 10,73, median 14,56, rata-rata 14,60, kuartil ketiga 18,09, dan maksimum 27,72. Rata-rata dan median y yang berdekatan menunjukkan sebaran respons yang relatif simetris.

4.2 Pembentukan Model Bagging Regression Tree

# 5. Pembentukan Model Bagging Regression
set.seed(123)
mod2 <- bagging(y ~ ., data = learn, coob = TRUE)
print(mod2)

## 
## Bagging regression trees with 25 bootstrap replications 
## 
## Call: bagging.data.frame(formula = y ~ ., data = learn, coob = TRUE)
## 
## Out-of-bag estimate of root mean squared error:  2.7366

summary(mod2)

##        Length Class      Mode   
## y      200    -none-     numeric
## X       10    data.frame list   
## mtrees  25    -none-     list   
## OOB      1    -none-     logical
## comb     1    -none-     logical
## err      1    -none-     numeric
## call     4    -none-     call

Interpretasi: Model yang terbentuk adalah bagging regression trees dengan 25 replikasi bootstrap, artinya prediksi akhir merupakan rata-rata dari 25 pohon regresi. Estimasi out-of-bag dari root mean squared error sebesar 2,7366. Hasil summary() menunjukkan bahwa objek model menyimpan 25 pohon pada elemen mtrees.

4.3 Pohon Regresi Pertama

# 6. Melihat Pohon Regresi ke-1 dan Struktur Pohon
print(mod2$mtrees[[1]]$btree)

## n= 200 
## 
## node), split, n, deviance, yval
##       * denotes terminal node
## 
##  1) root 200 4025.49800 14.029480  
##    2) x.4< 0.6502426 138 2160.39900 12.313130  
##      4) x.2< 0.3684006 66  456.23160  9.859159  
##        8) x.5< 0.7123567 49  196.75530  8.894625  
##         16) x.8>=0.3836868 34  130.62010  8.338864  
##           32) x.8< 0.4076226 9    1.81360  5.965380 *
##           33) x.8>=0.4076226 25   59.85333  9.193318 *
##         17) x.8< 0.3836868 15   31.83001 10.154350 *
##        9) x.5>=0.7123567 17   82.49546 12.639290 *
##      5) x.2>=0.3684006 72  942.38620 14.562610  
##       10) x.1< 0.1965217 14  119.80740 10.439980 *
##       11) x.1>=0.1965217 58  527.19940 15.557730  
##         22) x.4< 0.2353809 25   90.50841 13.424500 *
##         23) x.4>=0.2353809 33  236.73760 17.173810  
##           46) x.3>=0.3257424 14   68.04943 15.266000 *
##           47) x.3< 0.3257424 19   80.18524 18.579560 *
##    3) x.4>=0.6502426 62  553.71570 17.849750  
##      6) x.2< 0.4236687 27  175.72330 15.827980  
##       12) x.5< 0.4993253 11   72.59888 13.988350 *
##       13) x.5>=0.4993253 16   40.30417 17.092730 *
##      7) x.2>=0.4236687 35  182.49160 19.409390  
##       14) x.1< 0.3971814 13   18.24531 17.376150 *
##       15) x.1>=0.3971814 22   78.74578 20.610860 *

# Visualisasi Pohon Regresi ke-1
plot(mod2$mtrees[[1]]$btree, uniform = TRUE, margin = 0.1)
text(mod2$mtrees[[1]]$btree, use.n = TRUE, cex = 0.7)

Interpretasi: Pohon pertama dilatih pada 200 pengamatan dengan rata-rata y pada simpul akar sebesar 14,03. Pemisahan pertama menggunakan x.4 < 0,6503 yang membagi data menjadi 138 pengamatan (rata-rata 12,31) dan 62 pengamatan (rata-rata 17,85), sehingga pengamatan dengan x.4 lebih besar cenderung memiliki y lebih tinggi. Pemisahan selanjutnya menggunakan variabel x.2, x.5, x.8, x.1, dan x.3 hingga terbentuk 12 simpul akhir. Nilai prediksi terendah sebesar 5,97 (9 pengamatan) dan tertinggi sebesar 20,61 (22 pengamatan). Variabel x.4 yang menjadi pemisah awal sesuai dengan rumus data yang memuat 10x_4 sebagai komponen linear dengan koefisien besar, sedangkan munculnya x.8 merupakan akibat sampel bootstrap karena variabel tersebut sebenarnya hanya noise. Hal ini menunjukkan bahwa pohon tunggal bersifat sensitif terhadap sampel data, dan hal tersebut yang diatasi dengan merata-ratakan banyak pohon.

4.4 Prediksi

# 7. Hasil Prediksi
pred <- predict(mod2, newdata = learn)
hasil <- data.frame(Aktual = learn$y, Prediksi = pred)
head(hasil, 10)

##       Aktual  Prediksi
## 1  10.594975  9.667302
## 2  17.165302 17.703382
## 3  13.112492 13.359338
## 4  13.303440 14.777714
## 5  10.004662 11.232180
## 6  15.204950 18.347786
## 7  10.687788  9.797199
## 8  23.748416 19.067135
## 9  11.168910 11.062871
## 10  9.731385  9.342596

Interpretasi: Sepuluh pengamatan pertama menunjukkan bahwa nilai prediksi umumnya dekat dengan nilai aktual, misalnya pengamatan ke-1 dengan nilai aktual 10,59 diprediksi 9,67 dan pengamatan ke-3 dengan nilai aktual 13,11 diprediksi 13,36. Selisih terbesar pada sepuluh pengamatan tersebut terjadi pada pengamatan ke-8 (aktual 23,75; prediksi 19,07), yaitu model cenderung memprediksi terlalu rendah pada nilai y yang ekstrem.

4.5 Evaluasi Model

# 8. Evaluasi Model
actual <- learn$y
MSE  <- mean((actual - pred)^2)
RMSE <- sqrt(MSE)
R2   <- 1 - sum((actual - pred)^2) / sum((actual - mean(actual))^2)
MAE  <- mean(abs(actual - pred))

hasil.evaluasi <- data.frame(
  Ukuran = c("MSE", "RMSE", "R-Square", "MAE", "RMSE OOB"),
  Nilai  = c(MSE, RMSE, R2, MAE, mod2$err))
hasil.evaluasi

##     Ukuran     Nilai
## 1      MSE 3.5189955
## 2     RMSE 1.8758986
## 3 R-Square 0.8426725
## 4      MAE 1.4445536
## 5 RMSE OOB 2.7366164

Interpretasi: Model Bagging Regression Tree menghasilkan MSE sebesar 3,519, RMSE sebesar 1,876, dan MAE sebesar 1,445, sehingga rata-rata kesalahan prediksi sekitar 1,4 sampai 1,9 satuan pada rentang y antara 4,39 sampai 27,72. Nilai \(R^2\) sebesar 0,8427 menunjukkan bahwa model mampu menjelaskan sekitar 84,27% variasi y. Namun, nilai tersebut dihitung pada data yang sama dengan data pelatihan sehingga cenderung optimistis. Estimasi RMSE out-of-bag sebesar 2,7366 (MSE OOB sekitar 7,49) lebih besar daripada RMSE pada data latih sebesar 1,876, dan jika diubah menjadi proporsi variasi yang dijelaskan (1 − MSE OOB / ragam y) diperoleh sekitar 0,665. Dengan demikian, kinerja yang lebih realistis pada data baru berada di sekitar nilai OOB tersebut, bukan pada nilai \(R^2\) 0,8427.

4.5.1 Visualisasi Nilai Aktual dan Prediksi

# 9. Plot Nilai Aktual dan Prediksi
plot(actual, type = "l", lwd = 2,
     xlab = "Observasi", ylab = "Nilai Y",
     main = "Perbandingan Nilai Aktual dan Prediksi", col = "red")
lines(pred, lwd = 2, lty = 2, col = "blue")
legend("topright", legend = c("Aktual", "Prediksi"),
       lty = c(1, 2), lwd = c(2, 2), col = c("red", "blue"))

Interpretasi: Garis prediksi (biru putus-putus) mengikuti pola garis aktual (merah) dengan cukup baik. Korelasi antara nilai aktual dan prediksi sebesar 0,928, dan selisih (residual) berkisar antara −5,76 sampai 5,04 dengan rata-rata mendekati nol (0,016). Prediksi terlihat lebih halus dibandingkan nilai aktual karena merupakan rata-rata dari 25 pohon, sehingga puncak dan lembah yang ekstrem pada data aktual tidak sepenuhnya tertangkap.

4.6 Perbandingan dengan Pohon Regresi Tunggal

# 10. Pembanding: Satu Pohon Regresi (rpart)
tree.tunggal <- rpart(y ~ ., data = learn)
pred.tunggal <- predict(tree.tunggal, newdata = learn)

MSE.tunggal <- mean((actual - pred.tunggal)^2)
R2.tunggal  <- 1 - sum((actual - pred.tunggal)^2) / sum((actual - mean(actual))^2)

data.frame(
  Model = c("Pohon Regresi Tunggal", "Bagging Regression Tree"),
  MSE   = c(MSE.tunggal, MSE),
  R2    = c(R2.tunggal, R2))

##                     Model      MSE        R2
## 1   Pohon Regresi Tunggal 5.414326 0.7579359
## 2 Bagging Regression Tree 3.518996 0.8426725

Interpretasi: Pohon regresi tunggal menghasilkan MSE sebesar 5,414 dan \(R^2\) sebesar 0,7579, sedangkan Bagging menghasilkan MSE 3,519 dan \(R^2\) 0,8427. Bagging menurunkan MSE sekitar 35% pada data yang sama. Perlu diperhatikan bahwa perbandingan ini dilakukan pada data latih sehingga hanya sebagai gambaran awal; perbandingan yang lebih adil memerlukan data uji terpisah atau estimasi OOB untuk kedua model.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Bagging (Bootstrap Aggregating) merupakan metode ensemble yang membangun banyak model pada sampel bootstrap yang diambil secara acak dengan pengembalian, kemudian menggabungkan prediksinya. Pada kasus regresi, prediksi digabungkan dengan merata-ratakan prediksi seluruh pohon sehingga variance model berkurang dan stabilitas prediksi meningkat, tetapi bias tidak banyak berubah.

Model Bagging Regression Tree pada data simulasi Friedman1 berhasil dibangun di R menggunakan fungsi bagging() pada package ipred dengan 25 replikasi bootstrap dan estimasi out-of-bag. Pohon regresi pertama menggunakan x.4 sebagai pemisah awal dan membentuk 12 simpul akhir, yang menunjukkan bahwa struktur satu pohon bergantung pada sampel data sehingga perlu digabungkan dengan pohon lain.

Evaluasi model menghasilkan MSE sebesar 3,519, RMSE sebesar 1,876, MAE sebesar 1,445, dan \(R^2\) sebesar 0,8427 pada data latih, sedangkan estimasi RMSE out-of-bag sebesar 2,7366 yang lebih realistis untuk data baru. Bagging juga menghasilkan MSE yang lebih kecil dibandingkan pohon regresi tunggal (3,519 dibandingkan 5,414), sehingga Bagging memberikan hasil prediksi yang lebih baik.

5.2 Saran

Penelitian selanjutnya disarankan untuk memperbaiki penulisan kode dan sintaks program agar terhindar dari kesalahan (error). Setiap tahapan analisis perlu diperiksa untuk memastikan proses berjalan sesuai prosedur. Selain itu, ketelitian dalam menjalankan dan mengevaluasi program perlu ditingkatkan agar hasil analisis lebih akurat.

DAFTAR PUSTAKA

Fransiska, H. (2026). Machine learning and modern prediction. Laboratorium Matematika dan Ilmu Pengetahuan Alam, Universitas Bengkulu
Fitri, E. (2023). Analisis perbandingan metode regresi linier, random forest regression dan gradient boosted trees regression method untuk prediksi harga rumah. Journal of Applied Computer Science and Technology (JACOST), 4(1), 58–64. https://doi.org/10.52158/jacost.v4i1.491
Metode Bagging dapat diterapkan pada permasalahan regresi maupun klasifikasi dengan menggabungkan prediksi dari sejumlah model yang dibangun menggunakan sampel bootstrap. Penggabungan tersebut bertujuan meningkatkan kestabilan model dan mengurangi varians prediksi. Penerapan Bagging CART dapat meningkatkan kinerja klasifikasi melalui penggabungan sejumlah pohon keputusan (Innassuraiya dkk., 2022).
Jatmiko, Y. A., Padmadisastra, S., & Chadidjah, A. (2019). Analisis perbandingan kinerja CART konvensional, bagging dan random forest pada klasifikasi objek: Hasil dari dua simulasi. Media Statistika, 12(1), 1–12. https://doi.org/10.14710/medstat.12.1.1-12
Pradani, W., Setiawan, A., & Parhusip, H. (2021). Analisis Regresi Non Linear pada Data Pasien COVID-19 Menggunakan Metode Bootsrap. BAREKENG: Jurnal Ilmu Matematika dan Terapan, 15(3), 453–466.
Pristyanto, Y., & Zein, A. A. (2023). Model balanced bagging berbasis decision tree pada dataset imbalanced class. Jurnal Sisfokom (Sistem Informasi dan Komputer), 12(1), 9–15. https://doi.org/10.32736/sisfokom.v12i1.1399
Putri, D. L. W., Mariani, S., & Sunarmi. (2021). Peningkatan Ketepatan Klasifikasi Model Regresi Logistik Biner dengan Metode Bagging (Bootstrap Aggregating). Indonesian Journal of Mathematics and Natural Sciences, 44(2), 61–72.
Sartono, B., & Syafitri, U. D. (2010). Metode pohon gabungan: Solusi pilihan untuk mengatasi kelemahan pohon regresi dan klasifikasi tunggal. Forum Statistika dan Komputasi, 15(1). https://journal.ipb.ac.id/statistika/article/view/4895
Zuriati, Meilantika, D., Arpan, A., Permata, R., Sriyanto, & Mas’ud, M. Z. (2025). Enhancing chronic kidney disease classification using decision tree and bootstrap aggregating: UCI dataset study with improved accuracy and AUC-ROC. Jurnal Teknik Informatika (JUTIF), 6(5), 3111–3123. https://doi.org/10.52436/1.jutif.2025.6.5.5271

LAPORAN PRAKTIKUM PERTEMUAN 3

PUTRI DAMAYANTI

2026-10-23

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

1.4 Manfaat Penelitian

1.5 Batasan Masalah

1.6 Sistematika Penulisan

BAB II TINJAUAN PUSTAKA

2.1 Bootstrap Aggregating (Bagging)

BAB III METODE PENELITIAN

3.1 Jenis dan Sumber Data

3.2 Variabel Penelitian

3.3 Langkah-langkah Analisis

3.4 Diagram Alir Penelitian

BAB IV HASIL DAN PEMBAHASAN

4.1 Persiapan dan Preprocessing Data

4.1.1 Pembangkitan dan Deskripsi Data

4.1.2 Pemeriksaan Missing Value

4.1.3 Statistik Deskriptif

4.2 Pembentukan Model Bagging Regression Tree

4.3 Pohon Regresi Pertama

4.4 Prediksi

4.5 Evaluasi Model

4.5.1 Visualisasi Nilai Aktual dan Prediksi

4.6 Perbandingan dengan Pohon Regresi Tunggal

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

5.2 Saran

DAFTAR PUSTAKA