Cross Software Defect Prediction dengan Ensemble Machine Learning

• SUGIYANTO
• 14207110

---

ABSTRAK

ABSTRAK

Nama              : Sugiyanto

NIM                 : 14207110

Program Studi : Ilmu Komputer

Fakultas          : Teknologi Informasi

Jenjang           : Strata Dua (S2)

Konsentrasi     : Software Engineering

Judul Thesis   : “Cross Software Defect Prediction dengan Ensemble Machine Learning”

Kualitas perangkat lunak bergantung pada kode sumber program yang ditulis dalam teks editor. Kode sumber program ini ditulis dengan memakai bahasapemrograman serta disesuaikan dengan sintak serta prosedur yang ada didalamnya. Ensemble machine learning merupakan teknik yang populer untuk meningkatkan akurasi dan stabilitas prediksi dengan menggabungkan hasil dari beberapa model base. Penelitian ini untuk meningkatkan prediksi cacat perangkat lunak melalui pendekatan ensemble machine learning yang melibatkan kombinasi model klasifikasi. Penelitian ini mengadopsi metode ensemble, khususnya teknik boosting, bagging, dan stacking, untuk membangun model yang dapat mengatasi tantangan dalam memprediksi cacat perangkat lunak secara lintas perangkat lunak. Dalam sebuah penelitian Gradient Boosting dan KNeighbors Classifier (KNN) mencapai skor akurasi tertinggi (0,78) dan F1-score (0,89)

KATA KUNCI

Software Defect Prediction,Confusion matrix,Cross project

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

[1] A. Pamuji, “Analisa Studi Empirik Pengukuran Kualitas Perangkat Lunak Bebas Cacat,” J. Inform. J. Pengemb. IT, vol. 03, no. 01, pp. 130–135, 2018.

[2] Fitriyani and R. S. Wahono, “90139-ID-integrasi-bagging-dan-greedy-forwardsel,” J. Softw. Eng., vol. 1, no. 2, 2015.

[3] S. A. Putri, “Prediksi Cacat Software Dengan Teknik Sampel Dan Seleksi Fitur Pada Bayesian Network,” J. Kaji. Ilm., vol. 19, no. 1, p. 17, 2019, doi: 10.31599/jki.v19i1.314.

[4] M. R. Fahdia and R. E. Indrajit, “Linear Regression Dengan Pembobotan Atribut Dengan Metode Pso Untuk Software Defect Prediction,” Pros. Semnastek, no. November, pp. 1–2, 2017, [Online]. Available: https://jurnal.umj.ac.id/index.php/semnastek/article/view/2020%0Ahttps://jurnal.umj.ac.id/index.php/semnastek/article/download/2020/1662

[5] N. F. Kasmizar et al., “PERBANDINGAN SOURCE-SELECTION METODE KNN-TDS DAN MEDIAN Z-SCORE PADA MULTI- SOURCE CROSSPROJECT DEFECT PREDICTION MENGGUNAKAN NEURAL NETWORK PERBANDINGAN SOURCE-SELECTION METODE KNN-TDS DAN MEDIAN Z-SCORE PADA MULTI- SOURCE CROSS-PROJECT DEFECT PREDICTIO,” 2023.

[6] G. Canfora, A. De Lucia, M. Di Penta, R. Oliveto, A. Panichella, and S. Panichella, “Multi-objective cross-project defect prediction,” Proc. - IEEE 6th Int. Conf. Softw. Testing, Verif. Validation, ICST 2013, pp. 252–261, 2013, doi: 10.1109/ICST.2013.38.

[7] A. Panichella, R. Oliveto, and A. De Lucia, “Cross-project defect prediction models: L’Union fait la force,” 2014 Softw. Evol. Week - IEEE Conf. Softw. Maintenance, Reengineering, Reverse Eng. CSMR-WCRE 2014 - Proc., pp. 164– 173, 2014, doi: 10.1109/CSMR-WCRE.2014.6747166.

[8] R. Rizqia, Penerapan seleksi fitur untuk prediksi cacat perangkat lunak menggunakan algoritma optimasi multi tujuan nsga ii. 2022. [Online]. Available: https://repository.uinjkt.ac.id/dspace/handle/123456789/65204%0Ahttps://repository.uinjkt.ac.id/dspace/bitstream/123456789/65204/1/RAFKAH RIZQIA-FST.pdf

[9] A. Hammouri, M. Hammad, M. Alnabhan, and F. Alsarayrah, “Software Bug Prediction using machine learning approach,” Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 2, pp. 78–83, 2018, doi: 10.14569/IJACSA.2018.090212.

[10] S. Pal and A. Sillitti, “Cross-Project Defect Prediction: A Literature Review,” IEEE Access, vol. 10, no. November, pp. 118697–118717, 2022, doi: 10.1109/ACCESS.2022.3221184.

[11] Y. Zhao, Y. Zhu, Q. Yu, and X. Chen, “Cross-project defect prediction method based on manifold feature transformation,” Futur. Internet, vol. 13, no. 8, pp. 1– 17, 2021, doi: 10.3390/fi13080216.

[12] N. Giarsyani, “Komparasi Algoritma Machine Learning dan Deep Learning untuk Named Entity Recognition?: Studi Kasus Data Kebencanaan,” Indones. J. Appl. Informatics, vol. 4, no. 2, p. 138, 2020, doi: 10.20961/ijai.v4i2.41317.

[13] M. Batta, “Machine Learning Algorithms - A Review,” Int. J. Sci. Res., vol. 18, no. 8, pp. 381–386, 2018, doi: 10.21275/ART20203995.

[14] I. I. Ridho, G. Mahalisa, D. R. Sari, and I. Fikri, “Metode Neural Network Untuk Penentuan Akurasi Prediksi Harga Rumah,” Technol. J. Ilm., vol. 13, no. 1, p. 56, 2022, doi: 10.31602/tji.v13i1.6252.

[15] A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 388, 2022, doi: 10.30865/jurikom.v9i2.4066.

[16] W. Yustanti, “Nihru Nafi’ Dzikrulloh1, Indriati2, Budi Darma Setiawan3 2017,” J. Mat. Stat. dan komputasi, vol. 9, no. 1, pp. 57–68, 2012.

[17] M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.

[18] H. W. Herwanto, T. Widiyaningtyas, and P. Indriana, “Application of Linear Regression Algorithm for Predicting Rice Crop Yield,” Natl. J. Electr. Eng. Inf. Technol., vol. 8, no. 4, p. 364, 2019.

[19] A. C. Darmawan and L. Iswari, “Pengembanga Aplikasi Berbasis Web dengan Python Flask untuk Klasifikasi Data Menggunakan Metode Decision Tree C4.5,” J. Pendiidikan Konseling, vol. 4, no. 5, pp. 5351–5362, 2022.

[20] M. Bansal, A. Goyal, and A. Choudhary, “A comparative analysis of K-Nearest Neighbor, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning,” Decis. Anal. J., vol. 3, no. May, p. 100071, 2022, doi: 10.1016/j.dajour.2022.100071.

[21] K. L. Kohsasih and Z. Situmorang, “Analisis Perbandingan Algoritma C4.5 dan Naïve Bayes Dalam Memprediksi Penyakit Cerebrovascular,” J. Inform., vol. 9, no. 1, pp. 13–17, 2022, doi: 10.31294/inf.v9i1.11931.

[22] A. R. Lubis, M. K. M. Nasution, O. S. Sitompul, and E. M. Zamzami, “The feature extraction for classifying words on social media with the Naïve Bayes algorithm,” IAES Int. J. Artif. Intell., vol. 11, no. 3, pp. 1041–1048, 2022, doi: 10.11591/ijai.v11.i3.pp1041-1048.

[23] M. Yarmolenko and B. Howlin, “Extreme Gradient Boosting algorithm classification for predicting lifespan-extending chemical compounds,” pp. 1–24, 2022.

[24] I. G. T. Isa and B. Junedi, “Hyperparameter Tuning Epoch dalam MeningkatkanAkurasi Data Latih dan Data Validasi pada Citra Pengendara,” Pros. Sains Nas.dan Teknol., vol. 12, no. 1, p. 231, 2022, doi: 10.36499/psnst.v12i1.6697.

[25] W. Nugraha and A. Sasongko, “Hyperparameter Tuning pada Algoritma Klasifikasi dengan Grid Search,” Sist. J. Sist. Inf., vol. 11, no. 2, pp. 391–401,2022.

[26] R. Parlika, D. C. M. Wijaya, H. Khariono, and R. A. Fernanda, “Studi literatur perbandingan antara metode LOC, COCOMO, FPA dalam ranah software metric,” J. Pendidik. Inform. dan Sains, vol. 9, no. 1, p. 66, 2020, doi: 10.31571/saintek.v9i1.1697.