Pendekatan Level Data Smote Pada Algoritma Bagging C4.5 Untuk Prediksi Cacat Software

Abstract

Prediksi cacat software merupakan salah satu fase atau tahap pengujian dalam Software Development Life Cycle. Proses pengujian software dapat mengidentifikasi apakah sebuah software mengandung cacat atau tidak. Pengujian menjadi standar dalam menghasilkan software yang berkualitas. Masalah utama dalam dataset software metrics adalah imbalance class yang menjadikan data tidak seimbang karena data yang cacat (kelas minoritas) jumlahnya lebih sedikit dibandingkan dengan data yang tidak cacat (kelas mayoritas). Pendekatan level data Synthetic Minority Over-sampling Technique dan Bagging diusulkan untuk meningkatkan kinerja classifier C4.5 pada prediksi cacat software untuk  menangani  imbalance  class. Model  yang  diusulkan diterapkan  pada  12  NASA  (National Aeronautics and Space Administration) MDP (Metrics Data Program) repository sebagai software metrics  pada  prediksi cacat software. model yang diusulkan mencapai akurasi dan AUC klasifikasi yang baik. Pada Model Synthetic Minority Over-sampling Technique (SMOTE)+Bagging+C4.5. Rata-rata Akurasi dan AUC meningkat dari model sebelumnya dimana akurasi meningkat sebesar 2.77% dan AUC meningkat sebesar 0.143 dan hasil tersebut berpengaruh terhadap tingkatan level kinerja klasifikasi yang didapat yang pada awalnya berada pada level “Failure Classification” karena berada pada rata-rata nilai AUC 0.50-0.60. Setelah dilakukannya integrasi pengujian model SMOTE+Bagging+C4.5 kinerja klasifikasi meningkat pada level “Fair Classification” dengan nilai rata-rata AUC 0.741.