Prediksi Cacat Perangkat Lunak Sumber Terbuka dengan Gradient Boosting

• ANGGA ARDIANSYAH
• 14207054

---

ABSTRAK

ABSTRAK

Nama              : Angga Ardiansyah

NIM                 : 14207054

Program Studi : Ilmu Komputer

Fakultas          : Teknologi Informasi

Jenjang           : Strata Dua (S2)

Konsentrasi     : Software Engineering

Judul          : “Prediksi Cacat Perangkat Lunak Sumber Terbuka dengan Gradient Boosting” Penelitian ini mengulas penggunaan algoritma Gradient Boosting untuk memprediksi cacat perangkat lunak dalam proyek sumber terbuka. Metode ini mengandalkan data historis dari proyek-proyek tersebut, termasuk riwayat pengembangan dan riwayat cacat yang teridentifikasi, untuk melatih model prediksi. Hasil penelitian menunjukkan bahwa Gradient Boosting dapat memprediksi cacat perangkat lunak dengan akurasi yang tinggi, memungkinkan pengembang untuk mengidentifikasi potensi masalah sebelum mereka menjadi signifikan. Penelitian ini mendukung upaya meningkatkan kualitas dan keamanan perangkat lunak sumber terbuka, serta meningkatkan efisiensi pengembangan. Kesimpulannya, prediksi cacat perangkat lunak dengan Light Gradient Boosting memiliki potensi besar dalam meningkatkan kualitas perangkat lunak sumber terbuka. Hasil studi pada model tertinggi dengan nilai akurasi sebesar 0.7944, AUC = 0.8853, Recall = 0.8498, Prec = 0.7652, F1-score = 0.8053. Pembelajaran memanfaatkan database Github yaitu dataset baseline GHPR.

KATA KUNCI

Prediksi,Sumber Terbuka,Light Gradient Boosting

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] C. L. Prabha and N. Shivakumar, “Software Defect Prediction Using Machine Learning Techniques,” Proc. 4th Int. Conf. Trends Electron. Informatics, ICOEI 2020, pp. 728–733, 2020, doi: 10.1109/ICOEI48184.2020.9142909.

[2] I. H. Laradji, M. Alshayeb, and L. Ghouti, “Software defect prediction using ensemble learning on selected features,” Inf. Softw. Technol., vol. 58, pp. 388–402, 2015, doi: 10.1016/j.infsof.2014.07.005.

[3] T. Shi, L. Xiao, and K. Wu, “Reinforcement learning based test case prioritization for enhancing the security of software,” Proc. - 2020 IEEE 7th Int. Conf. Data Sci. Adv. Anal. DSAA 2020, pp. 663–672, 2020, doi: 10.1109/DSAA49011.2020.00076.

[4] M. K. Thota, F. H. Shajin, and R. P., “International Journal of Applied Science and Engineering Survey on software defect prediction techniques,” Int. J. Appl. Sci. Eng., vol. 17, no. 4, pp. 331–344, 2009.

[5] J. Xu, F. Wang, and J. Ai, “Defect Prediction with Semantics and Context Features of Codes Based on Graph Representation Learning,” IEEE Trans. Reliab., vol. 70, no. 2, pp. 613–625, 2021, doi: 10.1109/TR.2020.3040191.

[6] A. Fauzi, “Komparasi Algoritma Dengan Pendekatan Random Undersampling Untuk Menangani Ketidakseimbangan Kelas Pada Prediksi Cacat Software,” Maret, vol. 15, no. 1, p. 27, 2019, [Online]. Available: www.nusamandiri.ac.id.

[7] 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.

[8] N. Li, M. Shepperd, and Y. Guo, “A systematic review of unsupervised learning techniques for software defect prediction,” Inf. Softw. Technol., vol. 122, no. February 2019, p. 106287, 2020, doi: 10.1016/j.infsof.2020.106287.

[9] M. A. Kabir and X. Luo, “Unsupervised Learning for Network Flow Based Anomaly Detection in the Era of Deep Learning,” Proc. - 2020 IEEE 6th Int. 35 Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri Conf. Big Data Comput. Serv. Appl. BigDataService 2020, pp. 165–168, 2020, doi: 10.1109/BigDataService49289.2020.00032.

[10] P. Perangkat and L. Untuk, “Pengujian perangkat lunak untuk machine learning,” vol. 1, no. 2, pp. 409–413, 2023.

[11] F. Alzamzami, M. Hoda, and A. El Saddik, “Light Gradient Boosting Machine for General Sentiment Classification on Short Texts: A Comparative Evaluation,” IEEE Access, vol. 8, pp. 101840–101858, 2020, doi: 10.1109/ACCESS.2020.2997330.

[12] S. E. Suryana, B. Warsito, and S. Suparti, “Penerapan Gradient Boosting Dengan Hyperopt Untuk Memprediksi Keberhasilan Telemarketing Bank,” J. Gaussian, vol. 10, no. 4, pp. 617–623, 2021, doi: 10.14710/j.gauss.v10i4.31335.

[13] S. K. Mathanker, P. R. Weckler, T. J. Bowser, N. Wang, and N. O. Maness, “AdaBoost classifiers for pecan defect classification,” Comput. Electron. Agric., vol. 77, no. 1, pp. 60–68, 2011, doi: 10.1016/j.compag.2011.03.008.

[14] K. Arai, J. Shimazoe, and M. Oda, “Method for Hyperparameter Tuning of Image Classification with PyCaret,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 9, pp. 276–282, 2023, doi: 10.14569/IJACSA.2023.0140930.

[15] H. Aljamaan and A. Alazba, “Software defect prediction using tree-based ensembles,” PROMISE 2020 - Proc. 16th ACM Int. Conf. Predict. Model. Data Anal. Softw. Eng. Co-located with ESEC/FSE 2020, pp. 1–10, 2020, doi: 10.1145/3416508.3417114.

[16] P. Sokkhey and T. Okazaki, “Hybrid machine learning algorithms for predicting academic performance,” Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 1, pp. 32–41, 2020, doi: 10.14569/ijacsa.2020.0110104.

[17] M. Assim, Q. Obeidat, and M. Hammad, “Software Defects Prediction using Machine Learning Algorithms,” 2020 Int. Conf. Data Anal. Bus. Ind. W. Towar. a Sustain. Econ. ICDABI 2020, 2020, doi: 10.1109/ICDABI51230.2020.9325677.

[18] Emma Andini, M. R. Faisal, Rudy Herteno, R. A. Nugroho, Friska Abadi, and Muliadi, “Peningkatan Kinerja Prediksi Cacat Software Dengan Hyperparameter Tuning Pada Algoritma Klasifikasi Deep Forest,” J. 36 Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri Mnemon., vol. 5, no. 2, pp. 119–127, 2022, doi: 10.36040/mnemonic.v5i2.4793.

[19] N. A. A. Khleel and K. Nehéz, “A new approach to software defect prediction based on convolutional neural network and bidirectional long short-term memory,” Prod. Syst. Inf. Eng., vol. 10, no. 3, pp. 1–15, 2022, doi: 10.32968/psaie.2022.3.1.