Metode Praproses untuk Peningkatan Akurasi Prediksi Waktu Perbaikan Bug Berdasarkan Laporan Bug

Ridwan, Mochammad Arief (2018) Metode Praproses untuk Peningkatan Akurasi Prediksi Waktu Perbaikan Bug Berdasarkan Laporan Bug. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5116201051-Master_Thesis.pdf]
Preview
Text
5116201051-Master_Thesis.pdf - Accepted Version

Download (1MB) | Preview

Abstract

Pengembang perangkat lunak harus memiliki rencana dalam pengaturan biaya pengembangan perangkat lunak. Perbaikan perangkat lunak dalam fase pemeliharaan sistem dapat disebabkan oleh bug. Bug adalah kerusakan yang terjadi pada perangkat lunak yang tidak sesuai dengan kebutuhan perangkat lunak. Bug perangkat lunak dapat memiliki waktu yang cepat atau lama dalam perbaikan yang bergantung dari tingkat kesulitannya. Pengembang dapat dibantu oleh rekomendasi model prediksi dan memberikan bahan pertimbangan waktu perbaikan bug.
Beberapa penelitian yang telah dilakukan tentang prediksi waktu perbaikan bug menggunakan berbagai algoritma klasifikasi yang sudah ada dengan dataset yang bersifat bebas dan dapat diakses atau diunduh dari situs perangkat lunak. Klasifikasi dari penelitian yang sudah ada menggunakan banyak dataset dengan rentang waktu yang amat bervariasi, hal tersebut dapat menyebabkan turunnya akurasi dari model prediksi yang dibangun.
Dalam penelitian ini penulis berpendapat bahwa dataset awal sebaiknya dilakukan praproses terlebih dahulu dengan metode yang diusulkan untuk dapat meningkatkan akurasi dari prediksi. Model praproses yang diusulkan adalah partisi dataset berdasarkan rentang waktu tiap data.
Hasil dari tiap kelompok data dirata-rata sehingga dapat diperoleh akurasi akhir untuk dibandingkan dengan akurasi tanpa menggunakan praproses dataset. Dengan menggunakan model praproses yang diusulkan, terbukti mampu meningkatkan akurasi dari beberapa pengujian dengan dataset yang digunakan. Peningkatan akurasi tertinggi sebesar 21,24% sedangkan terendah 1,36%.
========================================================================================================
Software developers should have a plan in setting up software development costs. Software repairs in the system maintenance phase can be caused by bugs. Bugs are malfunctions that occur in software that does not meet the needs of the software. The software bug can have a fast or long time in the repair depending on the difficulty level. Developers can be assisted by predictive model recommendations and provide time-out considerations for bug fixes.
Some research has been done on the predicted time of bug fixes using various existing classification algorithms with free datasets that can be accessed or downloaded from the software site. The classification of existing research uses multiple datasets with varying time ranges, which can lead to a decrease in the accuracy of the predicted model built.
In this study the authors argue that the initial dataset should be pre-processed first with the proposed method to be able to improve the accuracy of the prediction. The proposed pre-processing model is the dataset partition based on the time range of each data.
The results of each data group are averaged so that final accuracy can be obtained for comparison with accuracy without using dataset preprocess. Using the proposed pre-process model proved to improve the accuracy of some tests with the dataset used. The highest accuracy increase was 21.24% while the lowest was 1.36%.

Item Type: Thesis (Masters)
Additional Information: RTIf 005.16 Rid m-1 3100018075455
Uncontrolled Keywords: Bug; Prediction; Fixing time; Partition
Subjects: H Social Sciences > HA Statistics > HA31.7 Estimation
Q Science > QA Mathematics > QA76.76.S64 Software maintenance.
T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis
Depositing User: Ridwan Mochammad Arief
Date Deposited: 04 Jul 2018 07:46
Last Modified: 02 Oct 2020 00:03
URI: http://repository.its.ac.id/id/eprint/51964

Actions (login required)

View Item View Item