TEKNIK RESAMPLING UNTUK MENINGKATKAN NILAI AKURASI ALGORITMA RANDOM FOREST PADA DATA PREDIKSI KECACATAN PERANGKAT LUNAK

Authors

  • Sindrawati Sindrawati Fakultas Kesehatan dan Teknik, Universitas Bandung, Indonesia
  • Dodi Syaripudin Fakultas Kesehatan dan Teknik, Universitas Bandung, Indonesia
  • Abu Walad Fakultas Kesehatan dan Teknik, Universitas Bandung, Indonesia

Keywords:

Software Defect Prediction, Resample, Random Forest

Abstract

Software merupakan perantara terpenting yang dibutuhkan setiap orang untuk menunjang aktivitasnya sehari-hari. Kesalahan perangkat lunak sering kali terjadi dan menjadi kendala, sehingga perlu dilakukan pengujian perangkat lunak untuk mengurangi tingkat kesalahannya, namun proses pengujian kesalahan perangkat lunak memerlukan biaya yang tidak sedikit, untuk meminimalkan biaya pengujian, dilakukan penelitian Data mining diperlukan. untuk memprediksi kesalahan perangkat lunak. Penelitian ini menggunakan 12 kumpulan data arsip NASA yang diklasifikasikan dengan model yang digunakan dalam penelitian ini yaitu model hutan acak yang menggunakan metode resampling filter. Hasil yang diperoleh pada penelitian ini berupa nilai akurasi dan kurva AUC, nilai akurasi tertinggi terdapat pada dataset komputer 2 dengan nilai akurasi sebesar 99,06%, sehingga dapat dikatakan algoritma Random Tree Forest menggunakan teknik Resampling adalah metode yang tepat ketika digunakan untuk mengklasifikasikan kumpulan data perangkat lunak prediksi kegagalan. Arsip NASA.

Downloads

References

Bowes, D., Gray, D., Hall, T., Counsell, S., & Beecham, S. (2011). A Systematic Review of Fault Prediction Performance in Software Engineering. IEEE Transactions on Software Engineering, 38(6), 1276–1304.

Breiman, L. (2001). (impo)Random forests(book). Machine learning, 5–32. https://doi.org/10.1023/A:1010933404324

Fiandra, Y. A., Defit, S., & Yuhandri, Y. (2017). Penerapan Algoritma C4.5 untuk Klasifikasi Data Rekam Medis berdasarkan International Classification Diseases (ICD-10). Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 1(2), 82. https://doi.org/10.29207/resti.v1i2.48

Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques.

Imaduddin, A. (2014). Pengenalan Karakter Huruf Hangul Korea. 1(1), 755–763.

Jayadi, J., Raharja, A. R., Pramudianto, A., & Muchsam, Y. (2024). Application of Naïve Bayes Classifier Algorithm for Classification of Scholarship Recipients at SMA PGRI 2 Bandung. 13(2), 33–41.

Khoshgoftaar, T. M., Gao, K., Napolitano, A., & Wald, R. (2014). A comparative study of iterative and non-iterative feature selection techniques for software defect prediction. Information Systems Frontiers, 16(5), 801–822. https://doi.org/10.1007/s10796-013-9430-0

Muchsam, Y., Sucipto, B., Rismawati, R., Rusdianti, I. S., & Raharja, A. R. (2023). Forming the Character of a Physically Healthy Young Generation Through Military Education. TGO Journal of Community Development, 1(2), 90–95. https://doi.org/10.56070/jcd.2023.015

Raharja, A. R. (2024). Keamanan Jaringan. PENERBIT KBM INDONESIA.

Raharja, A. R., Setiyono, R., & Hariyanti, I. (2024). IMPLEMENTASI APLIKASI SURFACE ROUGHNESS TESTER ATAU ALAT UKUR KEKASARAN PERMUKAAN JALAN MENGGUNAKAN C# DAN ARDUINO. Media Informatika, 23(1), 1–9. https://doi.org/10.37595/mediainfo.v23i1.206

Rahayu, T., Yayat, E., & Raharja, A. R. (2024). Analysis of Storage Spaces to Support the Health Service System at Santosa Hospital Bandung Central in 2021. 19–26.

Ramalinda, D., & Raharja, A. R. (2024). DECISION SUPPORT SYSTEM FOR SELECTING RECIPIENTS OF HOME RENOVATION ASSISTANCE USING THE TOPSIS METHOD. International Journal of …, 42(1), 17–24. https://jicnusantara.com/index.php/jicn/article/view/535

Rismayadi, A. A., Wiguna, W., Muchsam, Y., Rumaisa, F., Jayadi, Pramudianto, A., & Raharja, A. R. (2024). PEMBELAJARAN C#. In Mafy Media Literasi.

Sutisna, T., Raharja, A. R., Hariyadi, E., Hafizh, V., & Putra, C. (2024). Penggunaan Computer Vision untuk Menghitung Jumlah Kendaraan dengan Menggunakan Metode SSD ( Single Shoot Detector ). Journal Of Social Science Research Volume, 4, 6060–6067. https://doi.org/10.31004/innovative.v4i2.10071

Thanathamathee, P., & Lursinsap, C. (2013). Handling imbalanced data sets with synthetic boundary data generation using bootstrap re-sampling and AdaBoost techniques. In Pattern Recognition Letters (Vol. 34, Nomor 12). Elsevier B.V. https://doi.org/10.1016/j.patrec.2013.04.019

Tiur, M., Setiatin, S., Ramalinda, D., & Raharja, A. R. (2024). Analysis of Quality Dimensions on The Level of Satisfaction of Health Services in The Covid-19 Pandemic Era ( at Cikembar Health Center in 2020 ). Journal of Student Collaboration Research, 1(1), 30–35.

Zhang, Z. Z., Chen, Q., Ke, S. F., Wu, Y. J., Qi, F., & Zhang, Y. P. (2008). Ranking potential customers based on group-ensemble. International Journal of Data Warehousing and Mining, 4(2), 79–89. https://doi.org/10.4018/jdwm.2008040109

Downloads

Published

2024-07-25

How to Cite

TEKNIK RESAMPLING UNTUK MENINGKATKAN NILAI AKURASI ALGORITMA RANDOM FOREST PADA DATA PREDIKSI KECACATAN PERANGKAT LUNAK. (2024). Jurnal Intelek Dan Cendikiawan Nusantara, 1(3), 4845-4858. https://jicnusantara.com/index.php/jicn/article/view/729

Similar Articles

1-10 of 23

You may also start an advanced similarity search for this article.