PENERAPAN TEKNIK BAGGING UNTUK MENINGKATKAN AKURASI KLASIFIKASI PADA ALGORITMA NAIVE BAYES DALAM MENENTUKAN BLOGGER PROFESIONAL

Abstract

Blog memang banyak diminati baik dari kalangan remaja hingga dewasa maupun orang tua. Blogger memiliki latar belakang yang sama yaitu suka menulis dengan memanfaatkan internet. Satu hal yang membuat blog akan disukai pengunjung yaitu blog yang konsisten. Sebagai blogger yang bertanggung jawab, menulis atau mengisi blog haruslah konsisten. Konsisten dalam pengertian waktu dan tema.
Konsisten waktu artinya blogger harus menulis rutin misalnya setiap hari, seminggu sekali atau dua kali, sebulan sekali, dan lainnya. Sebenarnya bebas tetapi jika rutin atau terjadwal maka akan jadi bloger professional . data mining dapat dimanfaatkan untuk mengklasifisikan bloger professional. Ada beberapa model data mining salah satunya klasifikasi. Di bidang klasifikasi, ada banyak cabang yang berkembang yaitu pohon keputusan (decision tree).Metode yang digunakan untuk mengolah data yang sifatnya besar
untuk menemukan pola yang terdapat didalamnya diantaranya adalah Algoritma Naïve Bayes Classification (NBC) yang merupakan algoritma dari metode teorema bayes. 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). Akurasi sangat penting dalam pengklasifikasian. Ensemble
method adalah metode yang digunakan untuk meningkatkan akurasi algoritma klasifikasi dengan membangun beberapa classifier dari data training. Dari hasil penelitian, dengan menerapkan teknik bagging untuk klasifikasi berbasis ensemble pada algoritma naïve bayes dapat meningkatkan akurasi sebesar 3,00 %. Dengan akurasi awal 77,00%, setelah diterapkan teknik bagging menjadi 80,00%.