Akbar, Muhammad Sonhaji (2017) Prediksi Cacat Perangkat Lunak Dengan Optimasi Naive Bayes Menggunakan Gain Ratio. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
THESIS - 5115201010 - PERPUS.pdf - Published Version Download (1MB) | Preview |
Abstract
Kesalahan prediksi cacat perangkat lunak merupakan hal yang sangat penting karena data yang salah prediksi dapat menimbulkan pengaruh terhadap perangkat lunak itu sendiri. Kurang optimalnya metode prediksi yang digunakan. Masih terdapat kesalahan dalam memprediksi cacat perangkat lunak. Dapat memperlambat proses prediksi cacat perangkat lunak. Bagaimana mengoptimasi metode prediksi dalam cacat perangkat lunak. Metode yang cocok digunakan dalam menangani kesalahan prediksi dalam cacat perangkat lunak. Tujuan dan keuntungan optimasi untuk meningkatkan keakuratan prediksi kerusakan/cacat sebuah perangkat lunak.
Penelitian ini mengusulkan metode Naïve Bayes untuk meningkatkan meningkatkan akurasi prediksi cacat perangkat lunak dengan menggunakan Gain Ratio. Menurut Zaidi, Serquedes dan Carman, pembobotan atribut pada Naïve Bayes (NB) dapat mengurangi dampak kegagalan prediksi. Salah satu metode yang dapat digunakan untuk pembobotan Naïve Bayes yaitu Gain Ratio. Gain Ratio digunakan untuk memilih atribut terbaik diantara seluruh atribut pada metode prediksi. Penggunaan Gain Ratio diharapkan dapat meningkatkan performa prediksi. Atribut dari Gain Ratio sendiri merupakan hasil bagi dari Information Gain dan Split Information. Hasil pengujian dari penelitian ini yaitu meningkatkan akurasi prediksi cacat perangkat lunak menggunakan metode optimasi Naive Bayes Gain Ratio (NBGR). Hasil precision, recall, f-measure dan akurasi dari metode NBGR berturut-turut yaitu 84,48%, 84,86%, 83,54% dan 84,89. Seluruh hasil akurasi NBGR lebih baik daripada metode NB.
==================================================================================================================
Software defects prediction errors is very important because incorrect data predictions
can be impacting on the software itself. Less optimal prediction methods used. Still there are
errors in predicting software defects. Can slow down the process of software defects prediction.
How to optimize prediction methods in software defects. The method suitable for use in dealing
with the prediction error in the software defects. Interest and profit optimization to improve the
accuracy of prediction of the damage / defect software.
This study proposes a method to improve the Naïve Bayes improve the accuracy of
prediction of software defects by using Gain Ratio. According to Zaidi, Serquedes and Carman,
weighting attributes on Naïve Bayes (NB) can reduce the impact of failure prediction. One
method that can be used for weighting Naïve Bayes ie Gain Ratio. Gain Ratio is used to select
the best among all the attributes attribute on the method of prediction. Use of Gain Ratio is
expected to improve the performance of the prediction. Attributes of Gain Ratio itself is the
quotient of Information Gain and Information Split. The test results of this research is to
improve the prediction accuracy of software defects using optimization methods Naive Bayes
Gain Ratio (NBGR). Results of precision, recall, F-measure and accuracy of the method NBGR
respectively, are 83.48%, 84.86%, 83.54% and 84.89. All proceeds NBGR accuracy better than
NB method.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Prediksi, Cacat Perangkat Lunak, Naïve Bayes, Gain Ratio. |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis |
| Depositing User: | - MUHAMMAD SONHAJI AKBAR |
| Date Deposited: | 30 Mar 2017 02:04 |
| Last Modified: | 05 Mar 2019 08:40 |
| URI: | http://repository.its.ac.id/id/eprint/2527 |
Actions (login required)
 |
View Item |