Jurnal Informatika Universitas Pamulang ISSN: 2541-1004 Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615 Vol. 5, No. 3, September 2020 (247-260) 10.32493/informatika.v5i3.6609 http://openjournal.unpam.ac.id/index.php/informatika 247 Analisis Optimasi Algoritma Klasifikasi Support Vector Machine, Decision Trees, dan Neural Network Menggunakan Adaboost dan Bagging Agus Heri Yunial Teknik Informatika, Universitas Pamulang, Jl. Raya Puspitek No.46, Buaran, Serpong, Tangerang Selatan, Banten, Indonesia, 15310 e-mail: dosen02525@unpam.ac.id Submitted Date: August 26 th , 2020 Reviewed Date: September 22 nd , 2020 Revised Date: September 29 th , 2020 Accepted Date: September 30 th , 2020 Abstract The accuracy value of a classification algorithm shows whether the algorithm is good or not in classifying data which can affect the results of the classification method in data mining processing. In this study, the author will analyze the effect of optimization using the adaboost and bagging methods on the results of the classification algorithm accuracy value on support vector machines, decision trees, and neural networks. This study uses a software in data mining processing that is using the Weka application version 3.8.1. The test method used was a percentage split of 70%. In this study, the results show that adaboost optimization can increase the accuracy value of the support vector machine algorithm from 88.93% to 89.10%, decision trees from 90.24% to 90.36%, and neural network from 88.53% to 88.61%, while bagging optimization can only increase Algortima decision trees become 90.55%, and the neural network becomes 90.38%, because the accuracy value of the support vector machine algorithm is the same as the accuracy value of bagging, which is 88.93%. Keywords: Data Mining; Clasification; AdaBoost; Bagging; Support Vector Machine; Decision Trees; Neural Network Abstrak Nilai akurasi dari suatu algoritma klasifikasi menunjukan baik tidaknya algoritma tersebut dalam pengklasifikasian data yang bisa mempengaruhi hasil dari metode klasifikasi tersebut dalam pengolahan data mining. Pada penelitian ini, penulis akan melakukan analisis pengaruh dari optimasi menggunakan metode adaboost dan bagging terhadap hasil dari nilai akurasi algoritma klasifikasi pada support vector machine, decision trees, dan neural network. Penelitian ini menggunakan salah satu perangkat lunak dalam pengolahan data mining yaitu menggunakan aplikasi Weka versi 3.8.1. Metode test yang digunakan adalah percentage split sebesar 70%. Pada penelitian ini didapatkan hasil bahwa optimasi adaboost mampu meningkatkan nilai akurasi dari algoritma support vector machine dari 88.93% menjadi 89.10% , decision trees dari 90.24% menjadi 90.36%, maupun neural network dari 88.53% menjadi 88.61%, sedangkan untuk optimasi bagging hanya mampu meningkatkan algortima decision trees menjadi 90.55%, dan neural network menjadi 90.38%, karena nilai akurasi pada algoritma support vector machine sama nilainya dengan nilai akurasi dari bagging yaitu sebesar 88.93%. Kata Kunci : Data Mining, Klasifikasi, AdaBoost, Bagging, Support Vector Machine, Decision Trees, Neural Network. 1. Pendahuluan Kegiatan transaksi saat ini hampir seluruhnya, khususnya perbankan dilakukan secara digital dan terkomputerisasi yang pastinya tersimpan dalam setiap database. Dalam database tersebut banyak tumpukan data-data yang sebenarnya bisa dijadikan informasi yang bermanfaat. Sebuah data bisa menjadi informasi yang sangat berguna jika dilakukan teknik pengolahan data yang sesuai. Data mining adalah salah satu metode pengolahan data yang bisa menggali informasi