Perpustakaan Digital ITB

Software defect prediction (SDP) merupakan komponen penting dalam pengembangan sistem untuk menjamin kualitas dan keandalan perangkat lunak. Tantangan utama dalam bidang ini adalah ketidakseimbangan kelas dalam dataset, dimana jumlah modul non-cacat jauh melebihi modul cacat, menyebabkan model prediksi cenderung bias. Penelitian ini mengimplementasikan dan mengevaluasi kinerja metode RobROSE, teknik resampling yang lebih robust terhadap outlier, dalam meningkatkan kinerja metode Voting Ensemble VESDP. Eksperimen dilakukan menggunakan tujuh dataset dari NASA MDP, dengan membandingkan kinerja RobROSE terhadap metode resampling lainnya seperti ROSE, ROS, SMOTE, dan ADASYN. Evaluasi model dilakukan menggunakan enam metrik performa: Precision, Recall, Accuracy, F-Measure, AUC-ROC, dan AUPRC. Hasil menunjukkan RobROSE mampu meningkatkan deteksi kelas minoritas yang dibuktikan dengan meningkatnya nilai recall dan F-score secara signifikan pada seluruh dataset dibandingkan dengan metode VESDP sebelum diterapkannya RobROSE. Dibandingkan dengan metode resampling lainnya, RobROSE meningkatkan performa VESDP, terutama dalam metrik AUPRC, yang menunjukkan kemampuannya dalam mengatasi ketidakseimbangan kelas pada dataset. Kontribusi utama penelitian ini adalah memberikan wawasan baru mengenai efektivitas teknik RobROSE dalam meningkatkan metode VESDP dalam prediksi cacat perangkat lunak di level modular.