INTEGRASI METODE DISKRITISASI DAN GAIN RATIO PADA PREDIKSI CACAT PERANGKAT LUNAK BERBASIS NAIVE BAYES

• DEDE WINTANA
• 14002220

---

ABSTRAK

ABSTRAK

 

Nama               : Dede Wintana

Program Studi : Ilmu Komputer (S2)

Jenjang            : Strata Dua (S2)

Konsentrasi     : Software Engineering

Judul Tesis      : “Integrasi Metode Diskritisasi dan Gain Ratio pada Prediksi                                           Cacat Perangkat Lunak Berbasis Naive Bayes”

 

 

Cacat sebuah perangkat lunak dapat mengakibatkan kerugian yang cukup besar dan berpengaruh pada biaya produksi sebuah perangkat lunak, untuk menghindari terjadinya cacat sebuah perangkat lunak perlu dilakukannya prediksi cacat perangkat lunak serta fitur apa saja yang berpengaruh terhadap akurasi pada cacatnya perangkat lunak. Pada penelitian ini diusulkan metode pemilihan fitur gain ratio. Sebelumnya data dilakukan filterisasi dengan model diskritisasi selanjutnya mengurutkan rank pada setiap fitur dengan menggunkan gain ratio setelah itu dilakukan permodelan menggunakan naïve bayes, hasil dari perhitungan menggunkan seleksi fitur gain ratio diperoleh peningkatan akurasi dibanding hanya metode naïve bayes. Pada dataset CM1 dengan 2 fitur signifikan akurasi dengan akurasi sebesar 90,1606., pada dataset JM1 dengan 1 fitur yang signifikan   serta  akurasi sebesar 77, 2554,Pada dataset KC1 dengan 1 fitur yang Signifikan pada akurasi sebesar 84,9218. pada dataset KC2  2 fitur yang signifikan dengan akurasi sebesar 85,0575. dan  Pada dataset PC1 1 fitur yang signifikan dengan akurasi 92,9666.

 

Kata Kunci: Cacat, Gain Ratio, Naïve Bayes, Diskritisasi, Fitur

KATA KUNCI

Naive Bayes

---

DAFTAR PUSTAKA

REFERENSI

 

[1]      L. Zhou, R. Li, S. Zhang, and H. Wang, “Imbalanced Data Processing Model for Software Defect Prediction,” Wirel. Pers. Commun., vol. 102, no. 2, pp. 937–950, 2018, doi: 10.1007/s11277-017-5117-z.

[2]      Z. Li, X. Y. Jing, and X. Zhu, “Progress on approaches to software defect prediction,” IET Softw., vol. 12, no. 3, pp. 161–175, 2018, doi: 10.1049/iet-sen.2017.0148.

[3]      H. A. Al-Jamimi, “Toward comprehensible software defect prediction models using fuzzy logic,” Proc. IEEE Int. Conf. Softw. Eng. Serv. Sci. ICSESS, vol. 0, pp. 127–130, 2016, doi: 10.1109/ICSESS.2016.7883031.

[4]      D. Gray, D. Bowes, N. Davey, Y. Sun, and B. Christianson, “Using the support vector machine as a classification method for software defect prediction with static code metrics,” Commun. Comput. Inf. Sci., vol. 43 CCIS, pp. 223–234, 2009, doi: 10.1007/978-3-642-03969-0_21.

[5]      R. Jayanthi and L. Florence, “Software defect prediction techniques using metrics based on neural network classifier,” Cluster Comput., vol. 22, pp. 77–88, 2019, doi: 10.1007/s10586-018-1730-1.

[6]      S. A. Putri and D. Larasati, “Penerapan Feature Selection Pada Bayesian Network Untuk,” PILAR Nusa Mandiri, vol. 13, no. 2, pp. 275–280, 2017.

[7]      S. A. Putri, “Integrasi Teknik Smote Bagging Dengan Information,” vol. 2, no. 2, pp. 22–31, 2017.

[8]      Ö. F. Arar and K. Ayan, “A feature dependent Naive Bayes approach and its application to the software defect prediction problem,” Appl. Soft Comput. J., vol. 59, pp. 197–209, 2017, doi: 10.1016/j.asoc.2017.05.043.

[9]      H. Muhamad, C. A. Prasojo, N. A. Sugianto, L. Surtiningsih, and I. Cholissodin, “Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, p. 180, 2017, doi: 10.25126/jtiik.201743251.

[10]    H. B. Yadav and D. K. Yadav, “A fuzzy logic based approach for phase-wise software defects prediction using software metrics,” Inf. Softw. Technol., vol. 63, pp. 44–57, 2015, doi: 10.1016/j.infsof.2015.03.001.

[11]    M. S. Akbar and S. Rochimah, “Prediksi Cacat Perangkat Lunak Dengan Optimasi Naive Bayes Menggunakan Gain Ratio,” J. Sist. dan Inform., pp. 147–155, 2017, [Online]. Available: http://repository.its.ac.id/2527/.

[12]    S. E. D. A. Kusrini, “Algoritma K-Means untuk Diskretisasi Numerik Kontinyu Pada Klasifikasi Intrusion Detection System Menggunakan Naive Bayes,” Konf. Nas. Sist. Inform., pp. 61–66, 2017.

[13]    R. S. Wahono, C. Supriyanto, F. I. Komputer, and U. D. Nuswantoro, “Penanganan Fitur Kontinyu dengan Feature Discretization Berbasis Expectation Maximization Clustering untuk Klasifikasi Spam Email Menggunakan Algoritma ID3,” J. Intell. Syst., vol. 1, no. 2, pp. 148–155, 2015.

[14]    Z. Yao, L. Sun, T. Zhang, and J. Wang, “The cross-project defect prediction based on PSO and Feature Dependent Naive Bayes,” J. Phys. Conf. Ser., vol. 1237, no. 2, 2019, doi: 10.1088/1742-6596/1237/2/022126.

[15]    R. Purnomo, “Penerapan Greedy Forward Selection dan Bagging pada Logistic Regression,” pp. 1–11, 2014.

[16]    P. Singh and S. Verma, “An investigation of the effect of discretization on defect prediction using static measures,” ACT 2009 - Int. Conf. Adv. Comput. Control Telecommun. Technol., pp. 837–839, 2009, doi: 10.1109/ACT.2009.212.

[17]    F. P. B. Muhamad, D. O. Siahaan, and C. Fatichah, “Software Fault Prediction Using Filtering Feature Selection in Cluster-Based Classification,” IPTEK J. Proc. Ser., vol. 4, no. 1, p. 59, 2018, doi: 10.12962/j23546026.y2018i1.3508.

[18]    M. M. Mafarja and S. Mirjalili, “Hybrid Whale Optimization Algorithm with simulated annealing for feature selection,” Neurocomputing, vol. 260, pp. 302–312, 2017, doi: 10.1016/j.neucom.2017.04.053.

[19]    M. Mafarja and S. Mirjalili, “Whale optimization approaches for wrapper feature selection,” Appl. Soft Comput. J., vol. 62, pp. 441–453, 2018, doi: 10.1016/j.asoc.2017.11.006.

[20]    S. Defiyanti, “Integrasi Metode Clustering dan Klasifikasi untuk Data Numerik,” Citee, no. July, pp. 256–261, 2017.

[21]    H. EzzatIbrahim, S. M. Badr, and M. A. Shaheen, “Adaptive Layered Approach using Machine Learning Techniques with Gain Ratio for Intrusion Detection Systems,” Int. J. Comput. Appl., vol. 56, no. 7, pp. 10–16, 2012, doi: 10.5120/8901-2928.

[22]    P. P. R., V. M.L., and S. S., “Gain Ratio Based Feature Selection Method for Privacy Preservation,” ICTACT J. Soft Comput., vol. 01, no. 04, pp. 201–205, 2011, doi: 10.21917/ijsc.2011.0031.

[23]    R. Satria, “Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naive Bayes,” Integr. Bagging dan Greedy Forw. Sel. pada Prediksi Cacat Softw. dengan Menggunakan Naive Bayes, vol. 1, no. 2, pp. 101–108, 2015.

[24]    S. Khanmohammadi and C. A. Chou, “A Gaussian mixture model based discretization algorithm for associative classification of medical data,” Expert Syst. Appl., vol. 58, pp. 119–129, 2016, doi: 10.1016/j.eswa.2016.03.046.

[25]    I. G. A. Socrates, A. L. Akbar, M. S. Akbar, A. Z. Arifin, and D. Herumurti, “Optimasi Naive Bayes Dengan Pemilihan Fitur Dan Pembobotan Gain Ratio,” Lontar Komput.  J. Ilm. Teknol. Inf., vol. 7, no. 1, p. 22, 2016, doi: 10.24843/lkjiti.2016.v07.i01.p03.