Articles

Found 30 Documents
Search

Penerapan Teknik Ensemble untuk Menangani Ketidakseimbangan Kelas pada Prediksi Cacat Software

Journal of Software Engineering Vol 1, No 1 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Original Source | Check in Google Scholar | Full PDF (1101.153 KB)

Abstract

Software berkualitas tinggi adalah software yang tidak ditemukan cacat selama pemeriksaan dan pengujian. Memperbaiki software yang cacat setelah pengiriman membutuhkan biaya jauh lebih mahal dari pada selama pengembangan. Pengujian merupakan proses paling mahal dan menghabiskan waktu sampai 50% dari jadwal pengembangan software. Tetapi belum ada model prediksi cacat software yang berlaku umum. Naϊve Bayes merupakan model paling efektif dan efisien, tetapi belum dapat mengklasifikasikan dataset berbasis metrik dengan kinerja terbaik secara umum dan selalu konsisten dalam semua penelitian. Dataset software metrics secara umum bersifat tidak seimbang, hal ini dapat menurunkan kinerja model prediksi cacat software karena cenderung menghasilkan prediksi kelas mayoritas. Secara umum ketidakseimbangan kelas dapat ditangani dengan dua pendekatan, yaitu level data dan level algoritma. Pendekatan level data ditujukan untuk memperbaiki keseimbangan kelas. Sedangkan pendekatan level algoritma dilakukan dengan memperbaiki algoritma atau menggabungkan (ensemble) pengklasifikasi tunggal agar menjadi lebih baik. Algoritma ensemble yang populer adalah boosting dan bagging. AdaBoost merupakan salah satu algoritma boosting yang telah menunjukkan dapat memperbaiki kinerja pengklasifikasi. Maka pada penelitian ini diusulkan penerapan teknik ensemble menggunakan algoritma AdaBoost dan Bagging. Pengklasifikasi yang digunakan adalah Naϊve Bayes. Hasil penelitian menunjukkan bahwa teknik ensemble dengan algoritma Bagging dapat meningkatkan sensitivitas dan G-Mean secara signifikan, sedangkan AdaBoost tidak dapat meningkatkan secara signifikan. Sehingga disimpulkan bahwa Bagging lebih baik daripada AdaBoost ketika digunakan untuk meningkatkan kinerja Naϊve Bayes pada prediksi cacat software.

Pendekatan Level Data untuk Menangani Ketidakseimbangan Kelas pada Prediksi Cacat Software

Journal of Software Engineering Vol 1, No 2 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Original Source | Check in Google Scholar | Full PDF (1146.976 KB)

Abstract

Dataset software metrics secara umum bersifat tidak seimbang, hal ini dapat menurunkan kinerja model prediksi cacat software karena cenderung menghasilkan prediksi kelas mayoritas. Secara umum ketidakseimbangan kelas dapat ditangani dengan dua pendekatan, yaitu level data dan level algoritma. Pendekatan level data ditujukan untuk memperbaiki keseimbangan kelas, sedangkan pendekatan level algoritma ditujukan untuk memperbaiki algoritma atau menggabungkan (ensemble) pengklasifikasi agar lebih konduktif terhadap kelas minoritas. Pada penelitian ini diusulkan pendekatan level data dengan resampling, yaitu random oversampling (ROS), dan random undersampling (RUS), dan mensintesis menggunakan algoritma FSMOTE. Pengklasifikasi yang digunakan adalah Naϊve Bayes.  Hasil penelitian menunjukkan bahwa model FSMOTE+NB merupakan model pendekatan level data terbaik pada prediksi cacat software karena nilai sensitivitas dan G-Mean model FSMOTE+NB meningkat secara signifikan, sedangkan model ROS+NB dan RUS+NB tidak meningkat secara signifikan.

Daftar Isi Jurnal Informatika Universitas Pamulang Vol. 1 No. 2 Desember 2016

Jurnal Informatika Universitas Pamulang Vol 1, No 2 (2016): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar | Full PDF (88.074 KB)

Abstract

Cover Jurnal Informatika Universitas Pamulang Vol. 1 No. 1 September 2016

Jurnal Informatika Universitas Pamulang Vol 1, No 1 (2016): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar

Abstract

Daftar Isi Jurnal Informatika Universitas Pamulang Vol. 2 No. 1 Maret 2017

Jurnal Informatika Universitas Pamulang Vol 2, No 1 (2017): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar | Full PDF (584.336 KB)

Abstract

Cover Jurnal Informatika Universitas Pamulang Vol. 2 No. 3 September 2017

Jurnal Informatika Universitas Pamulang Vol 2, No 3 (2017): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar

Abstract

Cover Jurnal Informatika Universitas Pamulang Vol. 3 No. 2 Juni 2018

Jurnal Informatika Universitas Pamulang Vol 3, No 2 (2018): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar

Abstract

Daftar Isi Jurnal Informatika Universitas Pamulang Vol. 1 No. 1 September 2016

Jurnal Informatika Universitas Pamulang Vol 1, No 1 (2016): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar | Full PDF (167.222 KB)

Abstract

Daftar Isi Jurnal Informatika Universitas Pamulang Vol. 2 No. 2 Juni 2017

Jurnal Informatika Universitas Pamulang Vol 2, No 2 (2017): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar | Full PDF (607.037 KB)

Abstract

Daftar Isi Jurnal Informatika Universitas Pamulang Vol. 2 No. 3 September 2017

Jurnal Informatika Universitas Pamulang Vol 2, No 3 (2017): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Original Source | Check in Google Scholar | Full PDF (530.219 KB)

Abstract