KOMPARASI MODEL CROSS-PROJECT DEFECT PREDICTION PADA APLIKASI BERBASIS JAVA

• KUKUH PANGGALIH
• 14207107

---

ABSTRAK

 

ABSTRAK
Nama : Kukuh Panggalih
NIM : 14207107
Program Studi : Ilmu Komputer
Fakultas : Teknologi Informasi
Jenjang : Strata Dua (S2)
Konsentrasi : Software Engineering
Judul Tesis : Komparasi Model Cross-Project Defect
Prediction Pada Aplikasi Berbasis Java
Cross-Defect Prediction adalah metode untuk memprediksi lokasi bug pada aplikasi
berbasis Java dengan menggunakan data dari proyek lain yang mirip. Namun,
masalah yang sering dihadapi dalam metode ini adalah kurangnya data negatif
yaitu, lokasi yang benar-benar bebas dari bug yang membuat data menjadi tidak
seimbang. Dalam tesis ini, membandingkan kinerja dari beberapa model CrossDefect Prediction yang dioptimalkan untuk mengatasi masalah data yang tidak
seimbang dengan menggunakan teknik resampling dan esemble method. Data yang
digunakan untuk training menggunakan data publik, sementara data yang
digunakan untuk testing menggunakan data privat pada CK OO Metric. Hasil
menunjukkan bahwa dengan menggunakan teknik ini, dapat meningkatkan kinerja
model dalam mengidentifikasi lokasi bug secara akurat. Selain itu juga
menunjukkan bahwa dengan menggunakan esemble method, dapat meningkatkan
kinerja model secara signifikan. Hasil menunjukkan bahwa metode yang
dioptimalkan untuk mengatasi masalah data yang tidak seimbang dapat
meningkatkan kinerja model Cross-Defect Prediction pada aplikasi berbasis Java.
Kata Kunci : Java, Software, Defect Prediction
 

KATA KUNCI

Komparasi Model Cross -Project Defect Prediction

---

DAFTAR PUSTAKA

 

DAFTAR REFERENSI
[1] H. Zhang and X. Zhang, “Comments on ‘Data mining static code attributes
to learn defect predictors,’” IEEE Trans. Softw. Eng., vol. 33, no. 9, pp.
635–636, 2007, doi: 10.1109/TSE.2007.70706.
[2] A. T. Misirli, A. Bener, and R. Kale, “AI-based software defect predictors:
Applications and benefits in a case study,” AI Mag., vol. 32, no. 2, pp. 57–
68, 2011, doi: 10.1609/aimag.v32i2.2348.
[3] R. F. Amir, I. A. Sobari, and R. Rousyati, “Penerapan PSO Over Sampling
Dan Adaboost Random Forest Untuk Memprediksi Cacat Software,”
Indones. J. Softw. Eng., vol. 6, no. 2, pp. 230–239, 2020, doi:
10.31294/ijse.v6i2.9258.
[4] A. Saifudin, U. Pamulang, R. S. Wahono, U. Dian, and N. Semarang,
“Pendekatan Level Data untuk Menangani Ketidakseimbangan Kelas pada
Prediksi Cacat Software,” J. Softw. Eng., vol. 1, no. 2, pp. 76–85, 2015.
[5] T. Hidayat, A. F. Habibi, and U. L. Yuhana, “Software Defect Prediction
Menggunakan Algoritma K-Nn Yang Dioptimasi Dengan Pso,” SCAN - J.
Teknol. Inf. dan Komun., vol. 15, no. 1, pp. 16–21, 2020, doi:
10.33005/scan.v15i1.1848.
[6] T. Lei, J. Xue, and W. Han, “Cross-Project Software Defect Prediction
Based on Feature Selection and Transfer Learning,” Lect. Notes Comput.
Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics),
vol. 12488 LNCS, no. November, pp. 363–371, 2020, doi: 10.1007/978-3-
030-62463-7_33.
[7] P. H. Padhila, I. Cholissodin, and P. P. Adikara, “Prediksi Harga Bitcoin
berdasarkan Data Historis Harian dan Google Trend Index menggunakan
Algoritme Extreme Learning Machine,” vol. 6, no. 7, pp. 3515–3524, 2022.
[8] K. L. Poon et al., “Transgenic zebrafish reporter lines as alternative in vivo
organ toxicity models,” Toxicol. Sci., vol. 156, no. 1, pp. 133–148, 2017,
doi: 10.1093/toxsci/kfw250.
[9] M. Motwani, M. Soto, Y. Brun, R. Just, and C. Le Goues, “Quality of
Automated Program Repair on Real-World Defects,” IEEE Trans. Softw.
Eng., vol. 48, no. 2, pp. 637–661, 2022, doi: 10.1109/TSE.2020.2998785.
[10] N. A. Aarti, G. Sikka, and R. Dhir, “Empirical validation of object-oriented
metrics on cross-projects with different severity levels,” Int. J. Comput.
Syst. Eng., vol. 5, no. 5/6, pp. 304–332, 2019, doi:
10.1504/ijcsyse.2019.103647.
[11] F. Porto, L. Minku, E. Mendes, and A. Simao, “A Systematic Study of
Cross-Project Defect Prediction With Meta-Learning”.
[12] 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/ietsen.2017.0148.
[13] G. Wang, D. Y. Bernanda, J. F. Andry, A. N. Fajar, and Sfenrianto,
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri 69
“Application Development and Testing Based on ISO 9126 Framework,” J.
Phys. Conf. Ser., vol. 1235, no. 1, 2019, doi: 10.1088/1742-
6596/1235/1/012011 .
[14] D. Radjenovi?, M. Heri?ko, R. Torkar, and A. Živkovi?, “Software fault
prediction metrics: A systematic literature review,” Inf. Softw. Technol.,
vol. 55, no. 8, pp. 1397–1418, 2013, doi: 10.1016/j.infsof.2013.02.009.
[15] R. Padilla, S. L. Netto, and E. A. B. Da Silva, “A Survey on Performance
Metrics for Object-Detection Algorithms,” Int. Conf. Syst. Signals, Image
Process., vol. 2020-July, pp. 237–242, 2020, doi:
10.1109/IWSSIP48289.2020.9145130.
[16] A. Tharwat, “Classification assessment methods,” Appl. Comput.
Informatics, vol. 17, no. 1, pp. 168–192, 2018, doi:
10.1016/j.aci.2018.08.003.
[17] T. Djatna, M. K. D. Hardhienata, and A. F. N. Masruriyah, “An
intuitionistic fuzzy diagnosis analytics for stroke disease,” J. Big Data, vol.
5, no. 1, 2018, doi: 10.1186/s40537-018-0142-7.
[18] D. Ryu and J. Baik, “Effective multi-objective naïve Bayes learning for
cross-project defect prediction,” Appl. Soft Comput. J., pp. 1–16, 2016, doi:
10.1016/j.asoc.2016.04.009.
[19] T. Lamba, Kavita, and A. K. Mishra, “Optimal Machine learning Model for
Software Defect Prediction,” Int. J. Intell. Syst. Appl., vol. 11, no. 2, pp.
36–48, 2019, doi: 10.5815/ijisa.2019.02.05.
[20] R. Malhotra and J. Jain, “Handling Imbalanced Data using Ensemble
Learning in Software Defect Prediction,” 10th Int. Conf. Cloud Comput.
Data Sci. Eng. (Confluence), pp. 300–304, 2020, doi:
10.1109/Confluence47617.2020.9058124.
[21] A. Agrawal and R. Malhotra, “Cross project defect prediction for open
source software,” Int. J. Inf. Technol., vol. 14, no. 1, pp. 587–601, 2022,
doi: 10.1007/s41870-019-00299-6.
[22] S. I. Ayon, “Neural Network based Software Defect Prediction using
Genetic Algorithm and Particle Swarm Optimization,” 1st Int. Conf. Adv.
Sci. Eng. Robot. Technol. 2019, ICASERT 2019, vol. 2019, no. Icasert, pp.
1–4, 2019, doi: 10.1109/ICASERT.2019.8934642.
[23] F. Matloob et al., “Software defect prediction using ensemble learning: A
systematic literature review,” IEEE Access, vol. 9, pp. 98754–98771, 2021,
doi: 10.1109/ACCESS.2021.3095559.
[24] H. Faris, I. Aljarah, and P. A. Castillo, “Teaching Learning-Based
Optimization With Evolutionary Binarization Schemes for Tackling
Feature Selection Problems,” vol. 9, 2021, doi:
10.1109/ACCESS.2021.3064799.
[25] A. N. Rais, “Integrasi SMOTE Dan Ensemble AdaBoost Untuk Mengatasi
Imbalance Class Pada Data Bank Direct Marketing,” J. Inform., vol. 6, no.
2, pp. 278–285, 2019, doi: 10.31311/ji.v6i2.6186.