IMPLEMENTASI LSSVM DALAM KLASIFIKASI DATA PREDIKSI CACAT PERANGKAT LUNAK DENGAN FEATURE SELECTION

Finnatia Husin, Thingkilia (2022) IMPLEMENTASI LSSVM DALAM KLASIFIKASI DATA PREDIKSI CACAT PERANGKAT LUNAK DENGAN FEATURE SELECTION. Diploma thesis, Universitas Multi Data Palembang.

Text Thingkilia Finnatia Husin 1822250026.pdf Download (1MB)

Abstract

Biaya pengembangan industri TI secara global terus meningkat setiap tahun yang sekitar 35% pengeluaran digunakan untuk biaya testing dalam jaminan kualitas dan pengujian. Prediksi cacat perangkat lunak merupakan upaya pendekatan yang dilakukan untuk meningkatkan kualitas, efisiensi, dan efektivitas waktu serta biaya dalam pengujian perangkat lunak dengan berfokus pada modul cacat. Dengan teknologi prediksi cacat perangkat lunak dapat memprediksi modul cacat secara cepat dengan metode machine learning sehingga mempermudah dalam alokasi sumber daya yang terbatas. Dataset prediksi cacat perangkat lunak secara alami memiliki masalah ketidakseimbangan kelas dengan modul yang cacat / defect sangat sedikit dibandingkan dengan modul yang tidak cacat. Pada penelitian ini dilakukan klasifikasi data prediksi cacat perangkat lunak / software defect prediction dengan implementasi algoritma LSSVM disertai ReliefF (K=10) feature selection dan menerapkan metode SMOTE untuk mengatasi masalah imbalance class pada dataset. Dataset yang digunakan berupa dataset prediksi cacat perangkat lunak proyek NASA MDP Promise yang bersifat public, yaitu CM1, KC1, KC2, dan PC1. Pembagian dataset menjadi data training dan testing menggunakan Fold Cross Validation dengan 10 fold. Hasil akurasi rata – rata tertinggi dicapai classifier pada dataset PC1, yaitu sebesar 93,87%, sedangkan nilai Area Under the ROC Curve (AUC) tertinggi dicapai oleh classifier untuk dataset KC2, yaitu sebesar 78,35%.

Actions (login required)

View Item