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 Dasar

24.04.1210
518.1
Karya Ilmiah - Skripsi (S1) - Reference

Melakukan perbaikan bug 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 bug pada software. Proses pengujian software membutuhkan waktu yang cukup lama. Penemuan bug software secara manual software review dan software testing hanya dapat mendeteksi 35% hingga 60% dari semua bug yang ada. Sehingga dapat disimpulkan bahwa cara manual software review dan software testing merupakan cara yang tidak efektif serta tidak efisien. Berdasarkan penelitian yang sudah dilakukan, permasalahan pada model prediksi bug 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 (Syntethic Minority Over-sampling Technique). Pada penelitian ini digunakan feature selection Wrapper yaitu forward selection untuk dapat menangami ketidakrelevanan atribut. Sedangkan model klasifikasi yang digunakan adalah algoritma C4.5. Dataset yang digunakan yaitu dataset NASA MDP (Metrics Data Program) repository. Pada penelitian ini akan dikembangkan sebuah metode yaitu Hybrid SMOTE-Bagging-Forward Selection untuk dapat menangani ketidakseimbangan kelas serta ketidakrelevanan atribut pada prediksi bug 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.

Kata Kunci:

Prediksi Bug Software, Algoritma C4.5, Ketidakseimbangan Kelas, Pendekatan Level Data, Pendekatan Level Algoritma.

Subjek

TUGAS AKHIR
 

Katalog

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
 
 
Indonesia

Sirkulasi

Rp. 0
Rp. 0
Tidak

Pengarang

ABDUSSALAM FAQIH HASAN
Perorangan
Suyanto
 

Penerbit

Universitas Telkom, S1 Informatika
Bandung
2024

Koleksi

Kompetensi

 

Download / Flippingbook

 

Ulasan

Belum ada ulasan yang diberikan
anda harus sign-in untuk memberikan ulasan ke katalog ini