Klasifikasi Severity Bug Menggunakan Support Vector Machine dan Oversampling SMOTE-NC

Christian, Titus (2020) Klasifikasi Severity Bug Menggunakan Support Vector Machine dan Oversampling SMOTE-NC. Sarjana thesis, Universitas Brawijaya.

Abstract

Pengguna sebuah software dapat mengisikan bug report form dan mencantumkan bagian yang terindikasi adanya bug seperti produk, komponen, hingga severity. Kesalahan pemilihan severity bug sering terjadi dikarenakan pemilihan yang manual dan subjektif terhadap pengguna tersebut. Severity berperan sebagai indikator seberapa besar pengaruhnya terhadap fungsionalitas software, sehingga kesalahan pemilihan berakibat pada terlambatnya perbaikan yang dilakukan. Penelitian klasifikasi severity bug pernah dilakukan sebelumnya menggunakan cost-sensitive K-Nearest Neighbors menghasilkan nilai f-measure yang beragam untuk setiap severity. Hal ini dikarenakan data yang tidak seimbang untuk setiap severity. Pada penelitian ini akan menggunakan metode Support Vector Machine untuk melakukan klasifikasi serta menggunakan oversampling SMOTE untuk mengatasi permasalahan imbalance class. Data yang digunakan berasal dari Eclipse pada rentang Oktober 2001 sampai Februari 2015. Data tersebut dilakukan ekstraksi stack traces untuk memilih laporan yang memiliki lebih dari 4 baris stack traces. Kemudian dilakukan pengambilan sampel sebanyak 1000 data. Data tersebut dilakukan proses term weighting, oversampling SMOTE-NC, One Hot Encoding, penggabungan fitur, dan pelatihan classifier SVM menggunakan strategi One Versus All. Berdasarkan hasil pengujian didapatkan nilai precision, recall, dan f-measure sebesar 0,3328; 0,3244; dan 0,3234. Berdasarkan pengujian disimpulkan bahwa penggunaan kernel linear untuk klasifikasi severity belum optimal dikarenakan distribusi data yang sangat dekat untuk seluruh kelas yang digunakan.

English Abstract

Pengguna sebuah software dapat mengisikan bug report form dan mencantumkan bagian yang terindikasi adanya bug seperti produk, komponen, hingga severity. Kesalahan pemilihan severity bug sering terjadi dikarenakan pemilihan yang manual dan subjektif terhadap pengguna tersebut. Severity berperan sebagai indikator seberapa besar pengaruhnya terhadap fungsionalitas software, sehingga kesalahan pemilihan berakibat pada terlambatnya perbaikan yang dilakukan. Penelitian klasifikasi severity bug pernah dilakukan sebelumnya menggunakan cost-sensitive K-Nearest Neighbors menghasilkan nilai f-measure yang beragam untuk setiap severity. Hal ini dikarenakan data yang tidak seimbang untuk setiap severity. Pada penelitian ini akan menggunakan metode Support Vector Machine untuk melakukan klasifikasi serta menggunakan oversampling SMOTE untuk mengatasi permasalahan imbalance class. Data yang digunakan berasal dari Eclipse pada rentang Oktober 2001 sampai Februari 2015. Data tersebut dilakukan ekstraksi stack traces untuk memilih laporan yang memiliki lebih dari 4 baris stack traces. Kemudian dilakukan pengambilan sampel sebanyak 1000 data. Data tersebut dilakukan proses term weighting, oversampling SMOTE-NC, One Hot Encoding, penggabungan fitur, dan pelatihan classifier SVM menggunakan strategi One Versus All. Berdasarkan hasil pengujian didapatkan nilai precision, recall, dan f-measure sebesar 0,3328; 0,3244; dan 0,3234. Berdasarkan pengujian disimpulkan bahwa penggunaan kernel linear untuk klasifikasi severity belum optimal dikarenakan distribusi data yang sangat dekat untuk seluruh kelas yang digunakan

Item Type:	Thesis (Sarjana)
Identification Number:	0520150471
Uncontrolled Keywords:	tingkat keparahan bug, bug report, Support Vector Machine, Oversampling, SMOTE-NC.,
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Unnamed user with username nova
Date Deposited:	21 Sep 2022 01:49
Last Modified:	30 Sep 2024 06:53
URI:	http://repository.ub.ac.id/id/eprint/194464

Text Titus Christian.pdf Download (5MB)

Actions (login required)

View Item