Pemilihan Atribut Untuk Penentuan Tingkat Severity Berdasarkan Hasil Klasifikasi Support Vector Machine

Sari, Ghaluh Indah Permata (2011) Pemilihan Atribut Untuk Penentuan Tingkat Severity Berdasarkan Hasil Klasifikasi Support Vector Machine. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5109201054-Master_Thesis.pdf Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Selama ini, penentuan tipe severity pada laporan bug masih ditetapkan sendiri oleh pengguna berdasarkan persepsi dan estimasinya. Sebaga akibatnya, penetapan masukan untuk tiap atribut, sering kali menjadi sesuatu yang sulit, terutama bagi pengguna yang baru terlibat dalam proyek perangkat lunak. Pada penelitian Severis, klasifikasi dilakukan menggunakan metode rule learning, dimana data set dari sistem pelacakan bug komersial dengan jumlah yang kecil serta 1 buah atribut saja, yaitu comment. Namun, jika digunakan pada sistem pelacakan bug open source seperti bugzilla tidak tepat karena jumlah atribut yang lebih besar dan data yang sangat besar pula. Dalam penelitian ini diidentifikasi model klasifikasi tipe severity yang baru pada Bugzilla dengan menggunakan metode Infogain. Sedangkan untuk proses klasfikasi diusulkan metode Support Vector Machine (SVM), karena metoda ini sangat baik untuk data set yang sangat besar. Dalam penelitian ini dilibatkan 7 buah atribut bug serta data set sebesar 17.746 bug. Hasil penelitian merekomendasikan empat buah atribut bug yang efektif untuk mengklasifikasi tipe severity dengan nilai infogain minimal 0,33, yaitu component, ga contact, summary, product. Dari kombinasi keempat atribut tersebut dihasilkan prosentase akurasi untuk klasifikasi severity sebesar 99,83%.
======================================================================================================================================
Currently. the severity type determination of a bug report is still done by users according to their own perception and estimation. This could result in a difficulties of the attribute value estimation, especially for a newly involved user in a software development project. In Severis, a classification is performed using rule learning method, where the data set is taken from a commercial bug tracking system with small amount of records and using just 1 attribute, which is comment attribute. It can be concluded that this method is not suitable to be used in an open source bug tracking system like Bugzilla with massive data records and numerous amount of attributes. In this research, a new model of severity type classification using Infogain method for Bugzilla is proposed. As for the classsification process, we use Support Vector Machine, because this method is suitable in handling a massive data records. In this research, 7 bug attributes and 17.746 record of bug reports are involved. From the result of the experiment, we recommend four attributes which can be used effectively in classifying the severity types with a minimal value of infogain 0,33 which is component, qa_contact, summary and product. The combination of those 4 attributes resulting in 99,83% accuracy of severity types classification.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 006.3 Sar p 2011 3100012045566 (WEEDING)
Uncontrolled Keywords:	Bug tracking system, Classification of severity, TF-IDF infogain, Multiclass SVM
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Industrial Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Anis Wulandari
Date Deposited:	14 Sep 2026 04:33
Last Modified:	14 Sep 2026 04:33
URI:	http://repository.its.ac.id/id/eprint/144462

Actions (login required)

View Item