PENERAPAN PENERAPAN TEKNIK PSO OVER SAMPLING DAN ADABOOST J48 UNTUK MEMPREDIKSI CACAT SOFTWARE

Jurnal Responsif : Riset Sains dan Informatika Pub Date : 2020-08-31 DOI:10.51977/jti.v2i2.249

Sugiono, A. Taufik, Ricky Faizal Amir

{"title":"PENERAPAN PENERAPAN TEKNIK PSO OVER SAMPLING DAN ADABOOST J48 UNTUK MEMPREDIKSI CACAT SOFTWARE","authors":"Sugiono, A. Taufik, Ricky Faizal Amir","doi":"10.51977/jti.v2i2.249","DOIUrl":null,"url":null,"abstract":" \nPerangkat lunak yang bermutu ditentukan oleh jumlah cacat yang ditemukan pada saat proses pengujian. Proses perbaikan perangkat lunak setelah terdistribusi memiliki resiko yang lebih tinggi. Beberapa metode telah diujikan untuk memprediksi cacat pada perangkat lunak. Secara umum dataset software metrics telah digunakan sebagai acuan. Dataset software metrics bersifat tidak seimbang sehingga berpengaruh terhadap tingkat akurasi pemrediksi cacat perangkat lunak. Pada tahapan pra pemrosesan, digunakan metode Particle Swarm optimization (PSO) untuk mengatasi masalah polusi data serta metode Random Over Sampling (ROS) untuk menangani ketidak seimbangan kelas pada dataset. Metode yang diusulkan pada penelitian ini yaitu algoritma decision tree J48 yang dioptimalkan dengan teknik adaboost. Dataset software metrics yang digunakan pada penelitian ini bersumber pada dataset PROMISE repository. Hasil penelitian menunjukan bahwa penggunaan teknik adaboost pada algoritma decision tree J48 layak digunakan sebagai metode untuk memprediksi cacat pada perangkat lunak dengan nilai akurasi mencapai 93,507% dan nilai AUC mencapai 0,935","PeriodicalId":348225,"journal":{"name":"Jurnal Responsif : Riset Sains dan Informatika","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2020-08-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Responsif : Riset Sains dan Informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.51977/jti.v2i2.249","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 1

Abstract

Perangkat lunak yang bermutu ditentukan oleh jumlah cacat yang ditemukan pada saat proses pengujian. Proses perbaikan perangkat lunak setelah terdistribusi memiliki resiko yang lebih tinggi. Beberapa metode telah diujikan untuk memprediksi cacat pada perangkat lunak. Secara umum dataset software metrics telah digunakan sebagai acuan. Dataset software metrics bersifat tidak seimbang sehingga berpengaruh terhadap tingkat akurasi pemrediksi cacat perangkat lunak. Pada tahapan pra pemrosesan, digunakan metode Particle Swarm optimization (PSO) untuk mengatasi masalah polusi data serta metode Random Over Sampling (ROS) untuk menangani ketidak seimbangan kelas pada dataset. Metode yang diusulkan pada penelitian ini yaitu algoritma decision tree J48 yang dioptimalkan dengan teknik adaboost. Dataset software metrics yang digunakan pada penelitian ini bersumber pada dataset PROMISE repository. Hasil penelitian menunjukan bahwa penggunaan teknik adaboost pada algoritma decision tree J48 layak digunakan sebagai metode untuk memprediksi cacat pada perangkat lunak dengan nilai akurasi mencapai 93,507% dan nilai AUC mencapai 0,935

查看原文本刊更多论文

高质量的软件是由在测试过程中发现的缺陷数量决定的。分布式软件修复过程的风险更高。一些方法已经测试了软件中的缺陷。一般来说，测量软件中也有数据集。测量软件的数据集是不平衡的，因此影响了软件预测缺陷的准确性水平。在处理前阶段，使用PSO分子式优化方法来处理数据污染问题，以及用于处理数据集中不平衡类的方法。这项研究的建议方法是使用adaboost技术优化的树J48 decision算法。本研究中使用的图形软件数据库来源于多个承诺存储数据。研究结果表明，在tree J48算法中使用adaboost技术可以作为一种方法来预测软件上的缺陷，精度值为93.507%，AUC值为0.935

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Jurnal Responsif : Riset Sains dan Informatika

自引率

0.00%

发文量