Penerapan Teknik Pso Over Sampling Dan Adaboost J48 Untuk Memprediksi Cacat Software

Penerapan Teknik Pso Over Sampling Dan Adaboost J48 Untuk Memprediksi Cacat Software

• By Sugiono,; Taufik, Andi; Amir, Ricky Faizal;
• Jurnal Nasional Terakreditasi
• 236
• 198-203

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

• Katakunci Ketidakseimbangan Kelas, Adaboost, Decision Tree J48
• URL http://ejurnal.ars.ac.id/index.php/jti/article/download/249/229/
• Penerbit ,

REFERENSI

Askari, M. M., & Bardsiri, V. K. (2014). Software Defect Prediction using a High Performance Neural Network. 8(12), 177–188.

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.

Khoshgoftaar, T. M. (2010). Attribute Selection and Imbalanced Data : Problems in Software Defect Prediction. https://doi.org/10.1109/ICTAI.2010.27

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 WithApplications, 37(6), 4537–4543.https://doi.org/10.1016/j.eswa.2009.12.056