Pembangunan Model Prediksi Defect Pengembangan Perangkat Lunak Menggunakan Metode Ensemble Decision Tree Dan Cost Sensitive Learning

Wicaksono, Satrio Agung (2010) Pembangunan Model Prediksi Defect Pengembangan Perangkat Lunak Menggunakan Metode Ensemble Decision Tree Dan Cost Sensitive Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5108201010-Master_thesis.pdf Restricted to Repository staff only Download (46MB)

Abstract

Sebuah rencana proyek pengembangan perangkat lunak dapat dipecah menggunakan work breakdown structure (WBS). Aksi merupakan pelaksanaan dari unit terkecil WBS, yaitu langkah. Aksi dapat menimbulkan cacat pada perangkat lunak. Cacat pada perangkat lunak yang muncul karena sebuah aksi dapat dikategorikan menjadi dua, yaitu high defect jika banyaknya cacat pada perangkat lunak melebihi threshold tertentu dan low defect jika banyaknya cacat pada perangkat lunak kurang dari threshold. Aksi-aksi dengan pola tertentu pada proses pengembangan perangkat lunak memiliki risiko tinggi untuk menimbulkan high defect. Berdasarkan catatan aksi yang telah dilakukan dan cacat pada perangkat lunak yang ditimbulkan aksi tersebut pada proses pengembangan perangkat lunak yang masih berjalan, dapat diketahui pola aksi yang menyebabkan high defect. Setelah mengetahui polanya, dapat diprediksikan apakah sebuah aksi yang akan dilakukan memiliki risiko menghasilkan high defect atau tidak. Hal ini akan menjadi pertimbangan dalam upaya menghindari high defect pada proses pengembangan perangkat lunak. Penelitian ini bertujuan untuk membangun metode yang dapat memprediksi apakah sebuah aksi yang akan dilakukan pada proses pengembangan perangkat lunak akan menghasilkan high defect atau tidak berdasarkan pola aksi yang telah terjadi dan cacat pada perangkat lunak yang ditimbulkan action tersebut. Proses prediksi dibuat berdasar decision tree. Untuk meningkatkan akurasi dari prediksi, model prediksi dibangun dengan menggunakan ensemble method yang menggunakan banyak decision tree. Untuk memperkecil kerugian yang ditimbulkan oleh kesalahan prediksi high defect dianggap sebagai low defect, maka pada proses pembuatan Decision Tree digabungkan metode cost sensitive learning. Penelitian ini telah berhasil diimplementasikan dan diuji coba dengan dua dataset yang berbeda. Hasil uji coba selalu menunjukkan bahwa penggunaan ensemble Decision Tree dan cost sensitive learning memberikan accuracy dan recall yang selalu lebih baik atau sama dengan single decision tree.
====================================================================================================================================
A software development plan can be broken down using a work breakdown structure (WBS). Action is the implementation of the smallest unit in WBS, which is a step. Defects in software that appear because of an action can be grouped into two categories: high defect, if the defect in the software exceeds a certain threshold, and low defect, if the defect is less than the threshold. Actions with a specific pattern in the software development process have a high risk of causing high defects. Based on the records of actions done and defects in the software caused by the action during the development process, the pattern causing high defects can be found. After finding the pattern, it can be predicted whether an action that will be taken might cause a high defect or a low defect. This can be a consideration in the effort to avoid high defects in the software development process. This research aims to create a method that can predict if an action that is going to be taken in the development process of a software might produce a high defect or not, based on the action pattern that has happened and the defects in the software caused by the action. The prediction process is made based on the decision tree. To improve the accuracy of the prediction, the prediction model is built using an ensemble method utilizing many decision trees. To lessen the losses caused by the wrong prediction of a high defect being classified as a low defect, a cost-sensitive learning method is combined in the making of the Decision Tree. This research has been successfully implemented and tested on two different datasets. The test results always show that the use of ensemble Decision Trees and cost-sensitive learning gives better or equal accuracy and recall compared to a single decision tree.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 005.3 Wic p
Uncontrolled Keywords:	work breakdown structure, action, high defect, decision tree, ensemble method, cost sensitive learning, work breakdown structure, action, high defect, decision tree, ensemblemethod, cost sensitive learning
Subjects:	Q Science > QA Mathematics > QA76.754 Software architecture. Computer software
Divisions:	Faculty of Industrial Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	21 Sep 2026 08:23
Last Modified:	21 Sep 2026 08:23
URI:	http://repository.its.ac.id/id/eprint/144752

Actions (login required)

View Item