digilib@itb.ac.id +62 812 2508 8800

Software defect prediction dituntut untuk tidak hanya sekedar dapat menyatakan modul mana yang diprediksi memiliki defect, namun juga harus dapat memberi rekomendasi daftar prioritas modul yang memerlukan pengujian yang lebih intensif. Dengan demikian, alokasi sumber daya pengujian perangkat lunak dapat dikelola secara efisien. Learning-to-Rank software defect prediction adalah salah satu pendekatan yang dapat memberikan rekomendasi peringkat modul yang diprediksi memiliki defect untuk keperluan pengujian perangkat lunak. Penelitian ini mengusulkan penerapan meta-heuristic chaotic gaussian particle swarm optimization untuk meningkatkan akurasi pendekatan learning-to-rank software defect prediction. Pada penelitian ini digunakan 11 datasets public benchmark sebagai data eksperimen. Hasil eksperimen menunjukkan bahwa model prediksi yang dilatih menggunakan Chaotic Gaussian Particle Swarm Optimization mendapatkan akurasi prediksi yang lebih baik pada 5 datasets, hasil yang sebanding pada 5 datasets dan lebih buruk pada 1 datasets. Dengan demikian, kesimpulan dari eksperimen ini adalah penerapan Chaotic Gaussian Particle Swarm Optimization pada pendekatan Learning-to-Rank dapat meningkatkan akurasi prediksi peringkat modul yang diprediksi memiliki defect.