Bagging, atau Bootstrap Aggregating, adalah teknik ensemble learning yang digunakan dalam machine learning untuk meningkatkan akurasi dan stabilitas model. Proses ini melibatkan pembuatan banyak subset data dari dataset asli menggunakan sampling dengan penggantian (bootstrap). Setiap subset data kemudian digunakan untuk melatih model individual (misalnya, decision tree). Prediksi dari setiap model individual kemudian digabungkan (misalnya, dengan averaging atau voting) untuk menghasilkan prediksi akhir. Tujuan utama bagging adalah mengurangi variance dan mencegah overfitting, sehingga menghasilkan model yang lebih general dan robust.