BAGGING CLASSIFICATION TREES UNTUK KLASIFIKASI TINGKAT KESEJAHTERAAN RUMAH TANGGA DI KALIMANTAN BARAT

Abstract

Metode classification and regression trees (CART) merupakan teknik pohon keputusan untuk analisis klasifikasi variabel respon kategorik maupun kontinu yang dapat diterapkan pada data jumlah besar dan variabel yang banyak. Stabilitas dan kekuatan prediksi pohon klasifikasi diperbaiki dengan metode Bootstrap Aggregating (Bagging) classification trees. Tujuan penelitian ini adalah untuk menentukan nilai ketepatan hasil pengklasifikasian tingkat kesejahteraan rumah tangga di Kalimantan Barat dengan menggunakan bagging classification trees. Data yang digunakan adalah data sekunder dari hasil Survei Sosial Ekonomi Nasional (SUSENAS) Provinsi Kalimantan Barat Tahun 2017 dengan 1400 sampel yang terdiri dari tujuh variabel bebas dan satu variabel terikat. Penelitian ini menghasilkan ketepatan klasifikasi sebesar 57,5% dengan menggunakan metode bagging classification trees. Metode bagging classification trees mampu meningkatkan ketepatan klasifikasi dari 50% pada pohon klasifikasi awal menjadi 57,5% pada bagging classification trees. Dapat disimpulkan bahwa penerapan bagging classification trees lebih baik daripada pohon klasifikasi tanpa bagging karena mampu meningkatan ketepatan klasifikasi sebesar 7,5%.  Kata Kunci: Bagging CART, Pohon Keputusan, Goodness of Split, Ketepatan Klasifikasi