Article Details

PREDIKSI DEFECT PERANGKAT LUNAK MENGGUNAKAN SMOTE DAN ARTIFICIAL NEURAL NETWORK

Oleh   Wisnu Arya Dipa [23518035]
Kontributor / Dosen Pembimbing : Dr. techn. Wikan Danar Sunindyo, S.T., M.Sc.;
Jenis Koleksi : S2 - Tesis
Penerbit : STEI - Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : software engineering, software defect prediction, imbalance data, SMOTE, artificial neural network.
Sumber :
Staf Input/Edit : Alice Diniarti  
File : 1 file
Tanggal Input : 2021-09-27 19:31:56

Software Defect Prediction (SDP) adalah proses mengidentifikasi defect perangkat lunak berada pada tahap awal pengujian dari SDLC. SDP dapat menghemat waktu pengujian perangkat lunak pada proses pengembangan. Terdapat beberapa masalah pada proses pengembangan SDP untuk menjadi lebih efektif, salah satu masalahnya adalah meningkatkan nilai akurasi pada proses prediksi. Mayoritas dataset yang ditujukan untuk SDP mempunyai sifat imbalance data pada kelas defect, dalam kata lain dataset tersebut akan menimbulkan bias dalam proses prediksi. Penelitian ini mengajukan syntethic minority oversampling technique (SMOTE) dan Artificial Nerual Network untuk menangani masalah tersebut. SMOTE disini digunakan untuk menangani imbalance dataset dan Artificial Neural Network digunakan untuk menangani pembentukan model prediksi karena dapat menjadi metode yang efektif karena kemampuanya dalam memodelkan hubungan antar fitur dengan baik. Hasil penelitian menunjukan bahwa metode usulan SMOTE dan Artificial Neural Network dan Association Rules Mining dapat meningkatkan kinerja prediksi pada kasus prediksi defect perangkat lunak dibandingkan dengan hanya menggunakan metode Artificial Neural Network saja. Evaluasi pada skenario penelitian menunjukan parameter precision, recall, F-measure dan accuracy mengalami peningkatan sebesar 2.2%, 18.4%, 22.4% dan 8.8% pada perbandingan ANN dengan ANN+ARM+SMOTE. Sedangkan pada perbandingan ANN+ARM dengan ANN+ARM+SMOTE juga terjadi peningkatan sebesar 32.2%, 70.24%, 7% dan 63.38%. Untuk perbandingan terakhir menampilkan hasil yang cukup berbeda dengan kedua perbandingan sebelumnya yaitu metode usulan mendapatkan nilai kinerja yang lebih kecil dengan metode pembanding pada perbandingan ANN+SMOTE dengan ANN+ARM+SMOTE, jarak kinerja dari kedua metode tersebut adalah 17.2%, 7.8%, 1%, 15.6%. Alasan kenapa metode usulan sedikit lebih buruk di dikarenakan penggunaan fitur seleksi berbasis Association Rule Mining tidak membantu meningkatkan kinerja akurasi pada proses prediksi