Perbaikan Prediksi Kesalahan Perangkat Lunak Menggunakan Seleksi Fitur Dan Cluster-Based Classification

Muhamad, Fachrul Pralienka Bani (2017) Perbaikan Prediksi Kesalahan Perangkat Lunak Menggunakan Seleksi Fitur Dan Cluster-Based Classification. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5115201044-Master_Thesis.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Nilai balance pada hasil prediksi kesalahan perangkat lunak perlu menjadi perhatian, karena pada umumnya persebaran label kelas true dan false pada dataset kesalahan perangkat lunak cenderung tidak seimbang. Nilai balance diperoleh dari hasil tarik-ulur (trade-off) antara nilai probability detection (pd) dan probability false alarm (pf). Peneliti sebelumnya telah mengusulkan metode untuk memprediksi kesalahan perangkat lunak, yaitu cluster-based classification (CBC) yang diintegrasikan dengan entropy-based discretization (EBD) di tujuh dataset NASA public MDP. Hasil penelitian sebelumnya menunjukkan nilai rata-rata balance adalah 67,65% dengan 83,3% pd dan 40,3% pf.

Penelitian ini mengusulkan perbaikan nilai balance dari hasil prediksi kesalahan perangkat lunak pada metode CBC, dengan mengintegrasikan metode seleksi fitur. Adapun metode seleksi fitur yang akan diintegrasikan dengan CBC
yaitu gain ratio (GR), information gain (IG), one-r (OR), relief-f (RFF), dan symmetric uncertainty (SU). Hal ini didasarkan pada penelitian sebelumnya, dimana model prediksi dengan fitur yang redundan dan tidak relevan pada dataset kesalahan perangkat lunak dapat menurunkan nilai pd dan meningkatkan nilai pf, sehingga nilai balance cenderung menurun. Berdasarkan hasil penelitian dengan menggunakan tujuh dataset NASA public MDP, ditunjukkan bahwa CBC yang dikombinasikan dengan metode seleksi fitur IG dapat menghasilkan nilai rata-rata balance paling tinggi jika dibandingkan dengan rata-rata nilai balance di metode seleksi fitur lainnya, yaitu 63,73%. Jika dibandingkan dengan metode CBC pada penelitian sebelumnya di lima dataset yang sama, maka usulan kombinasi metode CBC dengan seleksi fitur IG dapat menghasilkan nilai rata-rata balance 0,52% yang lebih rendah, yaitu 63,91% pada
usulan metode dan 64,43% pada penelitian sebelumnya. Namun, metode yang diusulkan dapat menghasilkan nilai balance yang lebih baik pada 3 dari 5 dataset, yaitu CM1 (69,05%), MW1 (62,90%), dan PC4 (72,70%).

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Cluster-based classification, Entropy-based discretization, Kesalahan perangkat lunak, NASA public MDP, Seleksi Fitur.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Muhamad Fachrul Pralienka Bani
Date Deposited:	12 Dec 2017 03:47
Last Modified:	20 Aug 2025 01:53
URI:	http://repository.its.ac.id/id/eprint/47177

Actions (login required)

View Item