Purnomo, Rakhmat Penerapan Greedy Forward Selection dan Bagging pada Logistic Regression untuk Prediksi Cacat Perangkat Lunak. Jurnal Karya Ilmiah, 17 (2). pp. 1-13. ISSN 1410-9794
|
Text
RakhmatPurnomo-Penerapan GFS dan Bagging berbasis LR pada SDP-2017-repo.pdf Download (689kB) | Preview |
Abstract
Cacat perangkat lunak merupakan kesalahan atau kegagalan pada perangkat lunak. Pemeriksaan cacat perangkat lunak secara manual hanya dapat menghasilkan 60% dari total cacat yang ada. Metode prediksi cacat menggunakan probabilitas dapat menemukan sampai 71% lebih baik dari metode yang digunakan oleh industri. Salah satu metode terbaik untuk prediksi cacat perangkat lunak adalah Logistic Regression. Logistic Regression merupakan pengklasifikasi linier yang telah terbukti menghasilkan klasifikasi yang powerfull dengan statistik probabilitas dan menangani masalah klasifikasi multi kelas. Kelemahan utama algoritma Logistic Regression adalah ketidakseimbangan kelas pada dataset berdimensi tinggi. Dataset sofware metric yang digunakan adalah dataset NASA MDP. Dataset ini umumnya bersifat tidak seimbang dan mengalami masalah pada redundant data. Penelitian ini mengusulkan metode greedy forward selection untuk mengatasi masalah redundant data dan metode bagging untuk mengatasi ketidakseimbangan kelas. Algoritma yang digunakan adalah Logistic Regression. Hasil percobaan pada penelitian ini mendapatkan nilai akurasi tertinggi sebesar 0,990 pada dataset PC2, naik 0,19% dibandingkan dengan metode logistic regression tanpa GFS dan bagging. Sedangkan nilai AUC tertinggi sebesar 0,995 pada PC2, naik 7,94% dibandingkan dengan metode logistic regression tanpa GFS dan bagging.
| Item Type: | Article |
|---|---|
| Subjects: | Teknologi dan Ilmu Terapan > Teknik Informatika |
| Divisions: | Jurnal Karya Ilmiah |
| Depositing User: | Rakhmat Purnomo Purnomo |
| Date Deposited: | 03 Jan 2018 08:12 |
| Last Modified: | 29 Aug 2018 02:02 |
| URI: | http://repository.ubharajaya.ac.id/id/eprint/707 |
Actions (login required)
 |
View Item |
Downloads
Downloads per month over past year