Zahra, Nabila Athifah (2025) PREDIKSI SOFTWARE DEFECTS PADA LEVEL PACKAGE PROJECT JAVA MENGGUNAKAN METODE ENSEMBLE LEARNING. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.
![[img]](https://repository.upnjatim.ac.id/style/images/fileicons/text.png) |
Text (COVER)
21082010053.-cover.pdf Download (961kB) |
|
Text (BAB 1)
21082010053.-bab1.pdf Download (163kB) |
|
Text (BAB 2)
21082010053.-bab2.pdf Restricted to Repository staff only until 26 May 2028. Download (682kB) |
|
Text (BAB 3)
21082010053.-bab3.pdf Restricted to Repository staff only until 26 May 2028. Download (389kB) |
|
Text (BAB 4)
21082010053.-bab4.pdf Restricted to Repository staff only until 26 May 2028. Download (6MB) |
|
Text (BAB 5)
21082010053.-bab5.pdf Download (12kB) |
|
Text (DAFTAR PUSTAKA)
21082010053.-daftarpustaka.pdf Download (88kB) |
|
Text (LAMPIRAN)
21082010053.-lampiran.pdf Restricted to Repository staff only until 26 May 2028. Download (914kB) |
Abstract
Dibandingkan dengan pengujian manual dan otomatis, pengujian berbasis AI menawarkan pendekatan yang lebih cerdas dengan memungkinkan prediksi lebih awal terhadap cacat perangkat lunak serta meningkatkan efisiensi pengujian. Penelitian ini berfokus pada prediksi cacat perangkat lunak dengan menganalisis software metrics Chidamber & Kemerer menggunakan algoritma tree-based ensemble. Sebanyak 8.924 data dikumpulkan dari lima proyek Java open-source di Github. Pelabelan dilakukan menggunakan data historis bug pada pesan commit di repositori. Masalah ketidakseimbangan kelas diatasi dengan teknik undersampling pada tahap data preprocessing. Dataset akhir terdiri dari 1.314 instance (746 bersih dan 568 buggy). Model prediktif dikembangkan dalam dua tahap: base learner (level-0) menggunakan algoritma AdaBoost, Random Forest (RF), Extra Trees (ET), Gradient Boosting (GB), Histogram-based Gradient Boosting (HGB), XGBoost (XGB), dan CatBoost (CAT), serta meta-learner (level-1) yang mengoptimalkan hasil dengan teknik ensemble stacking. Model stacking mencapai skor ROC-AUC sebesar 0.8575, mengungguli semua classifier individu dan bisa membedakan modul project Java yang cacat dan tidak cacat. Peningkatan performa antara model dasar dan stacking divalidasi secara statistik melalui uji t berpasangan, dengan semua nilai p di bawah 0,05. Kontribusi stacking pada peningkatan performa terbesar terjadi pada Gradient Boosting (+0,0411, p = 0,0030). Deployment model dilakukan menggunakan kerangka kerja Robotic Process Automation (RPA) melalui UIPath, memungkinkan prediksi hanya dengan memasukkan tautan repositori. Proses prediksi hanya membututhkan waktu 2-6 menit bergantung kompleksitas proyek. Temuan ini membuktikan bahwa ensemble stacking menghasilkan model prediksi yang lebih andal dan implementasi model dapat membantu memprediksi software defects lebih awal dalam siklus hidup pengembangan perangkat lunak (SDLC).
| Item Type: | Thesis (Undergraduate) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Uncontrolled Keywords: | Software Defects, Java, Tree-Based Ensemble, Stacking, RPA Framework, UIPath | ||||||||||||
| Subjects: | T Technology > T Technology (General) T Technology > T Technology (General) > T385 Computer Graphics |
||||||||||||
| Divisions: | Faculty of Computer Science > Departemen of Information Systems | ||||||||||||
| Depositing User: | Nabila Athifah Zahra | ||||||||||||
| Date Deposited: | 26 May 2025 03:02 | ||||||||||||
| Last Modified: | 26 May 2025 03:02 | ||||||||||||
| URI: | https://repository.upnjatim.ac.id/id/eprint/36513 |
Actions (login required)
 |
View Item |