Detail Inovasi Perguruan Tinggi


Tema: Data Mining
Judul: Kajian Penerapan Algoritma C4.5, MLP dan Naive Bayes untuk prediksi Software Defect
Perguruan Tinggi: Universitas Buddhi Dharma
Jenis/sdm: dosen/0406128801

Tahun: 2017

Perusahaan atau institusi diberbagai bidang memerlukan software untuk membantu proses bisnis mereka agar dapat berjalan dengan cepat, tepat, efektif dan efisien. Tentunya software yang digunakan haruslah mempunyai standar kualitas yang baik agar tujuan dari perusahaan atau institusi tersebut dapat terpenuhi. Oleh karena itu diperlukan software-software yang tidak memiliki kesalahan / error (defect). Kesalahan biasanya disebabkan oleh kesalahan manusia. Sudah banyak peneliti lain melakukan pembuatan model untuk pengembangan software, yang nantinya akan digunakan untuk para pengembang untuk membuat software. Model yang diusulkan diusulkan diharapkan agar dapat menghasilkan software yang berkualitas yang tanpa defect. Dari beberapa penelitian sebelumnya belum ada model yang akurat untuk prediksi Software Defect karena jumlah variabel yang banyak dan beragam mengakibatkan prediksi yang kurang akurat. Model yang cukup baik untuk melakukan prediksi software defect adalah C4.5, MLP dan Naïve Bayes. Beberapa peneliti lain juga mencoba meningkatkan akurasi yang ada dengan melakukan pemilihan variable yang digunakan. Pada Penelitian ini Genetic Algorithm akan diterapkan untuk pemilihan variable pada metode C4.5, MLP dan Naïve Bayes dengan menggunakan data dari NASA Dataset. Setelah itu akan dilakukan pengujian dengan Kurva ROC dan Confusion Matrix untuk mencari model mana yang menghasilkan tingkat akurasi paling tinggi dalam prediksi software defect. Hasil akurasi yang diperoleh membuktikan bahwa Naïve Bayes memiliki tingkat akurasi yang lebih tinggi dibandingkan C4.5 dan MLP. Naïve Bayes dengan Genetic Algorithm menghasilkan persentase akurasi 88,25% dan dengan nilai AUC (Area Under Curve) sebesar 0.772. dengan demikian algoritma Naïve Bayes dioptimisasi dengan Genetic Algorithm dapat memprediksi Software Defect dengan lebih baik