Abstract—The rapid growth of online shopping sites makes business in the virtual world very promising. Purchasing intentions is one of the keys to success in an online store. There are several data mining methods for making predictions on online purchase intentions datasets. Data can represent the characteristics or habits of each user who has visited a site whether it ends with a transaction or not. Some popular algorithms with good performance in data mining include J48 and Logistic Regression. However, in data sometimes there is a problem of class imbalance, so the ensemble technique needs to be applied. One technique that can be applied is bagging. This research examines data using bagging techniques to improve the performance of the J48 algorithm and Logistic Regression. The results of improving the performance of data mining algorithms with these techniques have an accuracy value of 89.68% for the J48 algorithm and 88.50% for the Logistic Regression algorithm. This figure shows an increase when compared with initial testing without using ensemble techniques. Increases were also experienced in Recall, F-Measure, and AUC values. Keywords—purchasing intentions; J48; Logistic Regression; Bagging; Abstrak— Pesatnya situs pembelanjaan online menjadikan bisnis di dunia virtual sangat menjanjikan. Minat pembelian menjadi salah satu kunci kesuksesan pada sebuah toko online. Terdapat beberapa metode data mining untuk melakukan prediksi pada dataset minat pembelian online. Data dapat mewakili karakteristik atau kebiasaan dari setiap user yang telah mengunjungi suatu situs baik berakhir dengan melakukan transaksi ataupun tidak. Beberapa algoritma yang populer dengan kinerja yang baik dalam data mining diantaranya J48 dan Logistic Regreession. Namun, dalam sebuah data terkadang terdapat masalah ketidakseimbangan kelas, sehingga perlu diterapkan teknik ensemble.  Salah satu teknik yang dapat diterapkan adalah teknik bagging. Penelitian kali ini mengujikan data dengan teknik bagging untuk meningkatkan kinerja algoritma J48 dan Logistic Regression. Hasil dari peningkatan kinerja algoritma data mining dengan teknik tersebut memiliki nilai akurasi 89.68% untuk algoritma J48 dan 88.50% untuk algoritma Logistic Regression. Angka tersebut menunjukan adanya peningkatan jika dibandingkan dengan pengujian awal tanpa menggunakan teknik ensemble. Peningkatan juga dialami pada nilai Recall, F-Measure, dan AUC. Keywords—Minat Pembelian, J48, Logistic Regression, Bagging

Aplikasi Parkir sepeda motor adalah suatu system informasi yang digunakan agar lebih mudah mendata parkir masuk dan keluar, lama parkir, serta mengetahui seberapa banyak ruang yang tersedia untuk parkir. Salah satu alat yang digunakan untuk mengevaluasi adalah User Experience Quetinonare atau UEQ. UEQ dapat mengukur enam perspektif pengguna, yaitu daya tarik, ketajaman, efisiensi, ketergantungan, stimulasi, kebaruan. Kuesioner dibagikan kepada 20 responden yang telah menggunakan aplikasi. Data tersebut kemudian diolah menggunakan Data Analisys Tools yang telah disediakan oleh UEQ. Hasil pengolahan data menunjukkan bahwa aspek Attractiveness bernilai 1,24, Perspicuity bernilai 1,54, Efficiency bernilai 1,33, Dependability bernilai 1,19, Stimulation bernilai 1,58 dan Novelty bernilai 0,92 . Keenam aspek tersebut memiliki nilai > 0,8 sehingga aplikasi parkir memiliki penilaian yang positif.