Penulis:
Ginabila;Ahmad Fauzi
Abstrak:
Pengujian saat ini merupakan proses yang menjadi standar dalam menghasilkan software berkulitas. Dalam prediksi cacat software, kesalahan prediksi merupakan hal yang sangat buruk. Set data yang salah dan tidak sesuai mengakibatkan kurang akuratnya hasil prediksi dan akan berpengaruh terhadap software itu sendiri. Penelitian ini bertujuan untuk mengatasi masalah ketidakseimbangan kelas terhadap set data prediksi cacat software, melalui pendekatan level data Random Undersampling (RUS) dengan mengambil beberapa algoritma yaitu Naive Bayes (NB), J48 dan Random Forest (RF) yang bertujuan untuk membandingkan mana tingkat akurasi yang paling tinggi sehingga didapatkan hasil yang maksimal dalam proses memprediksi cacat software. Dari hasil penelitian ini dapat ditemukan bahwa untuk mengatasi ketidakseimbangan kelas dengan menggunakan pendekatan level data
Random Undersampling untuk memprediksi kecacatan pada software, tingkat akurasi yang paling tinggi didapatkan oleh algoritma Random Forest dengan tingkat akurasi sebesar 71,932%.
Metode / Algoritma:
Naive Bayes; Random Forest;
Cocok untuk Fakultas:
Teknik Informatika, Sistem Informasi
