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

COVER Ayu Komalasari
PUBLIC Alice Diniarti

BAB 1 Ayu Komalasari
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 2 Ayu Komalasari
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 3 Ayu Komalasari
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 4 Ayu Komalasari
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 5 Ayu Komalasari
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

PUSTAKA Ayu Komalasari
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

Defect perangkat lunak menjadi salah satu tantangan dalam proses pengambangan perangkat lunak. Hal ini dikarenakan defect pada perangkat lunak dapat menyebabkan kegagalan pada suatu perangkat lunak atau komponennya sehingga tidak sesuai dengan desain pada dokumen kebutuhan perangkat lunak. Defect dapat dideteksi dengan menguji semua komponen sistem, akan tetapi proses ini bisa jadi menjadi permasalahan sumber daya, yaitu waktu dan tenaga yang terbatas. Terlebih biaya untuk mengatasi defect pada perangkat lunak membutuhkan biaya yang besar. Metrik perangkat lunak merupakan metrik yang didapatkan dari data pengembangan perangkat lunak dalam suatu repositori. Dari data repositori ini dapat diekstrasi menjadi metrik produk perangkat lunak, metrik perubahan dan metrik profil. Metrik produk perangkat lunak merupakan metrik yang berbasis kode sumber, sedangkan metrik perubahan menyimpan data perubahan suatu kode sumber selama masa pengambangan, dan metrik profil menggambarkan data profil dari pengembang yang berkontribusi. Data metrik ini dapat dimanfaatkan untuk memprediksi kerentanan suatu kelas terhadap defect. Untuk memprediksi defect ini maka dibutuhkan model untuk memprediksi defect tersebut. Klasifikasi merupakan model yang sering dimanfaatkan untuk membangun model prediksi. Masalah utama yang dihadapi adalah hasil prediksi yang kurang akurat. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan menggunakan kombinasi metrik perangkat lunak. Untuk meningkatan hasil prediksi, dilakukan penanganan missing value sebelum dilakukan pemodelan. Dari hasil percobaan menunjukkan dengan model klasifikasi dengan kombinasi metrik menghasilkan hasil prediksi yang lebih baik dengan nilai recall tertinggi pada kombinasi tiga metrik (metrik produk perangkat lunak, metrik perubahan, metrik profil v3 (dengan penanganan missing value diganti nilai median)) pada model Logistic Regression dan model dengan nilai AUC terbaik didapatkan pada kombinasi metrik metrik perubahan dan metrik profil v3 dengan model Random Forest.