ABSTRAKSI: Perkembangan teknologi informasi yang sangat pesat menyebabkan pertumbuhan data menjadi sangat cepat. Dari sekumpulan data tersebut dapat digali nilai tambah atau pengetahuan melalui proses data mining, salah satunya melalui proses klasifikasi. Salah satu algoritma klasifikasi yaitu algoritma Averaged One-Dependence Estimator (AODE). AODE merupakan metode classifier yang berdasarkan probabilitas dan Teorema Bayesian dimana setiap atribut bergantung kepada kelas dan atribut tunggal lainnya. Algoritma AODE mengurangi kerugian dalam hasil akurasi akibat penggunaan asumsi atribut saling bebas pada Naive Bayes. Namun, algoritma AODE hanya dapat menangani data bertipe kategorikal. Pada tugas akhir ini, dilakukan implementasi klasifikasi data bertipe kontinu pada AODE dengan melakukan preprocessing diskritisasi dan perhitungan probabilitas dengan Gaussian Density Function. Pengujian akan dilakukan dengan membandingkan performansi pemrosesan atribut kontinu dengan diskritisasi dalam AODE atau menggabungkan diskritisasi dan Gaussian Density Function dalam AODE (Hybrid AODE). Parameter yang dianalisis adalah akurasi dengan f-measure dan waktu klasifikasi. AODE menunjukkan akurasi yang lebih baik pada data yang tidak distribusi normal, sedangkan Hybrid AODE menunjukkan akurasi yang lebih baik pada data yang terdistribusi normal. Waktu klasifikasi yang dibutuhkan oleh Hybrid AODE cenderung lebih rendah daripada AODE.Kata Kunci : AODE, averaged one-dependence estimator, bayes, classifier, diskritisasi, gaussian density function, hybrid AODE, klasifikasi, probabilitas.ABSTRACT: The development of information technology very rapidly causing a very rapid data growth. From the collection of such data can be extracted or added value of knowledge through data mining process, one through the classification process. One of the classification algorithm is an algorithm Averaged One-Dependence Estimator (AODE). AODE classifier is a probability-based methods and Bayesian theorem where each attribute depends on the class and other single attribute. AODE algorithm reduces the loss in accuracy results from use of the assumption of independent attributes on Naive Bayes. However, AODE algorithm can only handle discrete data type. In this thesis, carried out the implementation of continuous classification data type on AODE to perform preprocessing discretization and calculation with a Gaussian probability density function. Testing will be done by comparing the processing performance with the discretization of continuous attributes in the AODE or combining discretization and Gaussian Density Function in the AODE (Hybrid AODE). The parameters analyzed were the f-measure accuracy and classification time. AODE showed better accuracy on data that are not normally distributed, while the Hybrid AODE showed better accuracy in the data normally distributed. Classification time required by Hybrid AODE tends to be lower than the AODE.Keyword: AODE, averaged one-dependence estimator, bayes, classifier, discretization, gaussian density function, hybrid AODE, classification, probability.