Ensemble Learning untuk Klasifikasi: Tinjauan Komprehensif Metode, Aplikasi, dan Perkembangan Terkini

Abstract

Ensemble learning telah menjadi salah satu paradigma paling efektif dalam pembelajaran mesin, khususnya untuk permasalahan klasifikasi yang menuntut akurasi, ketahanan, dan kemampuan generalisasi yang tinggi. Dengan mengombinasikan beberapa pengklasifikasi dasar, metode ensemble mampu menurunkan varians, mengurangi bias, serta meningkatkan stabilitas prediksi dibandingkan pendekatan model tunggal. Dalam beberapa tahun terakhir, ensemble learning semakin mendapat perhatian seiring dengan kemajuan pada metode gradient boosting, deep learning, penanganan data tidak seimbang, serta integrasinya dalam kerangka kerja automated machine learning (AutoML). Artikel ini menyajikan tinjauan komprehensif mengenai ensemble learning untuk klasifikasi, mencakup landasan teoretis, strategi utama seperti bagging, boosting, voting, dan stacking, serta perkembangan mutakhir termasuk deep ensemble, ensemble berbasis efisiensi, dan optimasi berbasis diversitas. Selain itu, strategi evaluasi, pertimbangan praktis, serta tantangan riset terbuka juga dibahas. Artikel ini diharapkan dapat memberikan wawasan teoretis sekaligus panduan praktis bagi peneliti dan praktisi dalam merancang sistem klasifikasi berbasis ensemble learning