HYBRID SMOTE-BAGGING-FORWARD SELECTION UNTUK PENANGANAN KETIDAKSEIMBANGAN CLASS DAN KETIDAKRELEVANAN ATRIBUT PADA PREDIKSI BUG SOFTWARE DENGAN ALGORITMA C4.5 - Dalam bentuk buku karya ilmiah
ABDUSSALAM FAQIH HASAN

Informasi Umum

Kode

24.04.1210

Klasifikasi

518.1 - Algorithms

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Tugas Akhir

Dilihat

2 kali

Informasi Lainnya

Abstraksi

<p>Melakukan perbaikan <em>bug</em> software setelah merilis software akan membutuhkan biaya yang jauh lebih mahal apabila dibandingkan dengan perbaikan ketika pengembangan software. Waktu juga menjadi salah satu faktor yang menjadi permasalahan pada penyelesaian <em>bug </em>pada software. Proses pengujian software membutuhkan waktu yang cukup lama. Penemuan <em>bug</em> software secara manual software <em>review</em> dan software <em>testing</em> hanya dapat mendeteksi 35% hingga 60% dari semua <em>bug </em>yang ada. Sehingga dapat disimpulkan bahwa cara manual software <em>review</em> dan software <em>testing</em> merupakan cara yang tidak efektif serta tidak efisien. Berdasarkan penelitian yang sudah dilakukan, permasalahan pada model prediksi <em>bug </em>software yaitu adanya ketidakseimbangan kelas pada dataset yang digunakan serta ketidakrelevanan atribut. Untuk menangani ketidakseimbangan kelas dibagi menjadi dua pendekatan, yaitu pendekatan level algoritma dan pendekatan level data. Pendekatan level algoritma digunakan untuk membuat pengklasifikasi agar lebih mudah menangani terhadap kelas minoritas. Algoritma yang popular digunakan yaitu boosting dan juga bagging. Sedangkan pendekatan level data digunakan untuk dapat memperbaiki ketidakseimbangan kelas dengan melakukan data sampling dengan algoritma oversampling ataupun undersampling. Algoritma oversampling yang sudah banyak digunakan yaitu algoritma SMOTE (<em>Syntethic Minority Over-sampling Technique</em>). Pada penelitian ini digunakan <em>feature selection Wrapper</em> yaitu <em>forward selection</em> untuk dapat menangami ketidakrelevanan atribut. Sedangkan model klasifikasi yang digunakan adalah algoritma C4.5. Dataset yang digunakan yaitu dataset NASA MDP (<em>Metrics Data Program</em>) repository. Pada penelitian ini akan dikembangkan sebuah metode yaitu Hybrid SMOTE-Bagging-Forward Selection untuk dapat menangani ketidakseimbangan kelas serta ketidakrelevanan atribut pada prediksi <em>bug </em>software dengan algoritma C4.5. Hasil penelitian menunjukkan bahwa pendekatan level algoritma terbaik adalah Bagging. Pendekatan level data terbaik adalah SMOTE. Ketika kedua pendekatan ini digabungkan, model yang menggabungkan SMOTE, Bagging, Forward Selection, dengan C4.5 mendapatkan akurasi yang tinggi dalam pengklasifikasian kelas minoritas.</p>

<p>Kata Kunci:</p>

<p>Prediksi <em>Bug</em> Software, Algoritma C4.5, Ketidakseimbangan Kelas, Pendekatan Level Data, Pendekatan Level Algoritma.</p>

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook