PENERAPAN PENERAPAN TEKNIK PSO OVER SAMPLING DAN ADABOOST J48 UNTUK MEMPREDIKSI CACAT SOFTWARE
##plugins.themes.academic_pro.article.sidebar##
Downloads
##plugins.themes.academic_pro.article.main##
Abstract
Perangkat lunak yang bermutu ditentukan oleh jumlah cacat yang ditemukan pada saat proses pengujian. Proses perbaikan perangkat lunak setelah terdistribusi memiliki resiko yang lebih tinggi. Beberapa metode telah diujikan untuk memprediksi cacat pada perangkat lunak. Secara umum dataset software metrics telah digunakan sebagai acuan. Dataset software metrics bersifat tidak seimbang sehingga berpengaruh terhadap tingkat akurasi pemrediksi cacat perangkat lunak. Pada tahapan pra pemrosesan, digunakan metode Particle Swarm optimization (PSO) untuk mengatasi masalah polusi data serta metode Random Over Sampling (ROS) untuk menangani ketidak seimbangan kelas pada dataset. Metode yang diusulkan pada penelitian ini yaitu algoritma decision tree J48 yang dioptimalkan dengan teknik adaboost. Dataset software metrics yang digunakan pada penelitian ini bersumber pada dataset PROMISE repository. Hasil penelitian menunjukan bahwa penggunaan teknik adaboost pada algoritma decision tree J48 layak digunakan sebagai metode untuk memprediksi cacat pada perangkat lunak dengan nilai akurasi mencapai 93,507% dan nilai AUC mencapai 0,935
##plugins.themes.academic_pro.article.details##
Pemberitahuan Hak Cipta
Usulan kebijakan untuk jurnal yang menawarkan akses terbuka Syarat yang dibutuhkan penulis adalah sebagai berikut:
1. Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama secara bersamaan di bawah lisensi di bawah Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0), yang mengizinkan orang lain untuk menyalin dan mendistribusikan ulang materi ini dalam bentuk atau format apa pun termasuk menyusun, memodifikasi, dan membuat turunan materi ini untuk tujuan apa pun, termasuk tujuan komersial.
2. Penulis dapat membuat pengaturan kontrak terpisah untuk distribusi non-eksklusif dari versi dekaden publikasi jurnal (misalnya mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan mengakui publikasi aslinya di jurnal ini.
3. Penulis diizinkan dan didorong untuk memposting artikel secara online (misalnya di repositori institusional atau di situs web mereka) seperti pada Garuda, Academia, researchgate atau repository lainnya sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif dan kutipan artikel yang diterbitkan lebih awal dan lebih maju (periksa: Efek Akses Terbuka)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Faruk, Ö. (2015). Software defect prediction using cost-sensitive neural network. Elsevier, 33, 263–277. https://doi.org/10.1016/j.asoc.2015.04.045
Fitriani, & Wahono, R. S. (2015). Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naïve Bayes. Journal of Software Engineering, 1(2), 101–108.
Gray, D., Bowes, D., Davey, N., Sun, Y., & Christianson, B. (2011). The Misuse of the NASA Metrics Data Program Data Sets for Automated Software Defect Prediction. 96–103.
Herliana, A., Setiawan, V. A., & Prasetio, R. T. (2018). Penerapan Inferensi Backward Chaining Pada Sistem Pakar Diagnosa Awal Penyakit Tulang. Jurnal Informatika, 5(1), 50-60.
Khoshgoftaar, T. M. (2010). Attribute Selection and Imbalanced Data : Problems in Software Defect Prediction. https://doi.org/10.1109/ICTAI.2010.27
Prasetio, R. T., & Riana, D. (2015, November). A comparison of classification methods in vertebral column disorder with the application of genetic algorithm and bagging. In 2015 4th international conference on instrumentation, communications, information technology, and biomedical engineering (ICICI-BME) (pp. 163-168). IEEE.
Prasetio, R. T. (2014). Inventory Control Using Statistics Forecasting on Manufacture Company. Jurnal Informatika, 1(2).
Prasetio, R. T., & Pratiwi, P. (2015). PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS. Jurnal Informatika, 2(2).
Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100-106.
Prasetio, R. T., Rismayadi, A. A., & Anshori, I. F. (2018). Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang. Jurnal Informatika, 5(2), 186-194.
Prasetio, R. T., & Susanti, S. (2019). Prediksi Harapan Hidup Pasien Kanker Paru Pasca Operasi Bedah Toraks Menggunakan Boosted k-Nearest Neighbor. JURNAL RESPONSIF: Riset Sains & Informatika, 1(1), 64-69.
Riana, D. (2018). Classification of Pap Smear. International Journal of Electrical and Computer Engineering (IJECE), 8(6), 5415-5424.
Saifudin, A., & Wahono, R. S. (2015). Penerapan Teknik Ensemble untuk Menangani Ketidakseimbangan Kelas pada Prediksi Cacat Software. 1(1).
Sathyaraj, R., & Prabu, S. (2015). An Approach for Software Fault Prediction to Measure the Quality of Diferent Prediction Methodologies using Software Metrics. 8(December). https://doi.org/10.17485/ijst/2015/v8i35/73717
Wahono, R. S., Dian, U., Semarang, N., & Suryana, N. (2013). Combining Particle Swarm Optimization based Feature Selection and Bagging Technique for Software Defect Prediction Combining Particle Swarm Optimization based Feature Selection and Bagging Technique for Software Defect Prediction. (September). https://doi.org/10.14257/ijseia.2013.7.5.16
Wahono, R. S., Suryana, N., & Ahmad, S. (2014). Metaheuristic Optimization based Feature Selection for Software Defect Prediction. 9(5), 1324–1333. https://doi.org/10.4304/jsw.9.5.1324-1333
Zheng, J. (2010). Expert Systems with Applications Cost-sensitive boosting neural networks for software defect prediction. Expert Systems With Applications, 37(6), 4537–4543. https://doi.org/10.1016/j.eswa.2009.12.056