ABSTRAKSI: Dengan berkembangnya ilmu pengetahuan dan teknologi dalam ilmu kedokteran, gen yang dimiliki oleh manusia dapat direpresentasikan dalam bentuk data dengan jumlah attribute yang banyak. Data tersebut dapat dikatakan sebagai data berdimensi tinggi. Data tersebut perlu diolah untk menggali informasi yang tersimpan, banyak algoritma yang dapat mengolah data tersebut. Salah satunya ialah algoritma CS4 (Cascading and Sharing for Ensemble of Decision Trees) yang merupakan varian dari ensemble method.
Attribut selection berfungsi untuk memilih attribute terbaik berdasarkan nilai information gain. Hal yang membedakan algoritma CS4 dengan algoritma bagging dan boosting adalah penggunaan data dalam pembangunan model. Algoritma CS4 menggunakan data asli dalam setiap pembangunan model, sedangkan algoritma bagging dan boosting menggunakan data bootstrap.
Dari pengujian penggunaan algoritma CS4 yang telah dilakukan, didapatkan bahwa tingkat keakurasian sangat ditentukan oleh penentuan jumlah attribut yang digunakan pada saat pembangunan model.Kata Kunci : CS4, ensemble method, attribute selection, bagging, boostng.ABSTRACT: With the improvement of science and technology in medical, gen of human could be presented in a form of data with a large number of attribute. The data is known as high dimensional data. Data need to be processed to mining the information. Many algorithm could process the data. One of the algorithm is CS4 algorithm (Cascading and Sharing for Ensemble of Decision Trees) that is kind of ensemble method.
The function of attribute selection is to find the best attribute based on the value of information gain. The different of CS4 algorithm with bagging and boosting algorithm when construct model, CS4 algorithm use the original data but bagging and boosting algorithm use bootstrap data.
The result of implementation CS4 algorithm that has been done, the accuracy level is depend with the number of attribut that is using for constructing tree.Keyword: CS4, ensemble method, attribute selection, bagging, boostng.