Bagging, juga dikenal sebagai agregasi bootstrap, adalah teknik ansambel pembelajaran mesin yang menggabungkan banyak pembelajar untuk mengurangi varians dan meningkatkan generalisasi. Umumnya diterapkan untuk meningkatkan kinerja teknik pembelajaran yang diawasi. Dalam bagging, subsampel dari seluruh kumpulan data dibuat, dengan penggantian, dan setiap model dilatih pada subsampel yang berbeda. Keluaran dari beberapa model kemudian digabungkan untuk membentuk prediksi akhir.
Ide di balik bagging adalah untuk mengurangi varians model prediksi. Varians mengacu pada sejauh mana keluaran model prediksi akan berbeda, mengingat kumpulan data yang berbeda. Varians yang tinggi dapat menyebabkan overfitting, yang berarti model terlalu sensitif terhadap perubahan kecil pada kumpulan data masukan. Bagging berfungsi untuk mengurangi varians dengan mengambil banyak sampel dari data dan melatih beberapa model pada sampel tersebut. Model tersebut memperhitungkan ketidakpastian yang melekat dalam prediksi, dan titik data yang memiliki pengaruh lebih besar dirata-ratakan di seluruh model. Hal ini mengurangi varians dan mencegah masalah karena fitur yang tidak dapat digeneralisasikan.
Bagging umumnya digunakan dalam kombinasi dengan algoritma berbasis pohon keputusan, dan juga dapat diterapkan pada bentuk pembelajaran mesin lainnya. Hal ini paling efektif jika terdapat banyak contoh pelatihan dan hanya sedikit contoh pelatihan yang diperlukan untuk pengambilan keputusan yang efektif. Bagging juga dapat digunakan untuk mengurangi efek overfitting, dengan mengurangi jumlah parameter dalam suatu algoritma.
Bagging telah terbukti menjadi teknik yang sangat ampuh untuk meningkatkan akurasi dan performa generalisasi model pembelajaran mesin. Meskipun tidak selalu diperlukan, ini adalah cara yang hemat biaya untuk mendapatkan hasil maksimal dari kumpulan data.
Sumber:
Birhanu, N.; Doshi, V.; Mishra, B. (2017). Pengantar Teknik Ensemble. Jurnal Big Data, 4(4). doi:10.1186/s40537-017-0075-z.
Suganthi, R.; Krishnaveni, G. (2016). Bagging: Metode Ensemble yang ampuh untuk Meningkatkan Akurasi Algoritma Klasifikasi. Jurnal Internasional Aplikasi Komputer, 135(4). Diperoleh dari https://pdfs.semanticscholar.org/e7de/ebda0f0d6f145d82a7e8cef6864b1e00e2b4.pdf.
