NAIVE BAYES CLASSIFICATION UNTUK PREDIKSI CACAT PERANGKAT LUNAK

Edwin Hari Agus Prastyo
Suhartono Suhartono
M Faisal
Muhammad Ainul Yaqin
Reza Augusta Jannatul Firdaus


DOI: https://doi.org/10.29100/jipi.v9i2.5508

Abstract


Cacat perangkat lunak atau bug merupakan bagian yang tak terhindarkan dari pengembangan perangkat lunak dan dapat memiliki dampak signifikan terhadap keandalan dan kinerja aplikasi perangkat lunak. Penelitian ini bertujuan untuk meningkatkan prediksi dan pemantauan cacat perangkat lunak dalam konteks pengembangan perangkat lunak. Kestabilan sistem dan pencegahan cacat perangkat lunak menjadi hal yang sangat krusial dalam industri perangkat lunak. Untuk mencapai tujuan tersebut, berbagai tindakan proaktif seperti pengujian perangkat lunak yang ketat, pemeliharaan rutin, dan pemantauan sistem secara berkelanjutan perlu diterapkan. Masalah utama yang menjadi fokus dalam penelitian ini adalah kurangnya prediksi yang efisien terkait dengan cacat perangkat lunak selama proses pengembangan. Dalam penelitian ini, metode Naive Bayes Classification dimanfaatkan untuk mengatasi tantangan tersebut. Hasil uji coba yang dilakukan terhadap seluruh dataset menunjukkan bahwa metode Naive Bayes mampu menghasilkan klasifikasi dengan tingkat akurasi yang sangat tinggi, mencapai nilai 0,98%. Hasil ini mengindikasikan bahwa metode ini berpotensi menjadi alat yang sangat efektif dalam memprediksi cacat perangkat lunak dan mencegahnya selama proses pengembangan perangkat lunak. Selain itu, melalui analisis regresi linear, model ini memiliki nilai "Intercept" (intersepsi) sebesar -0.09359968647139849 dan koefisien "Coef" sebesar 0.00761893. "Intercept" mencerminkan titik awal atau baseline dalam prediksi model ini, sementara koefisien "Coef" mengindikasikan sejauh mana perubahan dalam variabel independen berpengaruh terhadap prediksi variabel dependen. Hasil penelitian ini memiliki dampak yang signifikan dalam konteks implementasi metode Naive Bayes untuk analisis prediksi cacat perangkat lunak, terutama dalam penggunaan bahasa pemrograman Python dengan bantuan Google Colab. Implementasi metode ini dapat membantu dalam memitigasi risiko dan meningkatkan kualitas perangkat lunak selama proses pengembangan

Keywords


analisis data; cacat perangkat lunak; naive bayes; prediksi; python

Full Text:

PDF

Article Metrics :

References


S. A. Putri, “Prediksi Cacat Software Dengan Teknik Sampel Dan Seleksi Fitur Pada Bayesian Network,” Jur. Kajian Il., vol. 19, no. 1, p. 17, Jan. 2019, doi: 10.31599/jki.v19i1.314.

N. Ichsan, H. Fatah, E. Ermawati, I. Indriyanti, and T. Wahyuni, “Integrasi Distribution Based Balance dan Teknik Ensemble Bagging Naive Bayes Untuk Prediksi Cacat Software,” MJI, vol. 14, no. 2, p. 79, Dec. 2022, doi: 10.35194/mji.v14i2.2623.

N. Hidayati, J. Suntoro, and G. G. Setiaji, “Perbandingan Algoritma Klasifikasi untuk Prediksi Cacat Software dengan Pendekatan CRISP-DM,” JSI, vol. 7, no. 2, pp. 117–126, Nov. 2021, doi: 10.34128/jsi.v7i2.313.

A. Muzaki and A. Witanti, “SENTIMENT ANALYSIS OF THE COMMUNITY IN THE TWITTER TO THE 2020 ELECTION IN PANDEMIC COVID-19 BY METHOD NAIVE BAYES CLASSIFIER,” J. Tek. Inform. (JUTIF), vol. 2, no. 2, pp. 101–107, Mar. 2021, doi: 10.20884/1.jutif.2021.2.2.51.

E.- Mutiara, “ALGORITMA KLASIFIKASI NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PENYAKIT TUBERCULOSIS (TB),” SWABUMI, vol. 8, no. 1, pp. 46–58, Mar. 2020, doi: 10.31294/swabumi.v8i1.7668.

R. Yuliza, “Sistem Pakar Akurasi dalam Mengidentifikasi Penyakit Gingivitis pada Gigi Manusia dengan Metode Naive Bayes,” jsisfotek, Aug. 2022, doi: 10.37034/jsisfotek.v5i1.157.

K. R. Diska and K. Budayawan, “Sistem Informasi Prediksi Kelulusan Menggunakan Metode Naive Bayes Classifer (Studi Kasus: Prodi Pendidikan Teknik Informatika),” jptam, vol. 7, no. 1, pp. 936–943, Feb. 2023, doi: 10.31004/jptam.v7i1.5375.

D. K. Nurilahi, R. Munadi, S. Syahrial, and A. Bahri, “Penerapan Metode Naïve Bayes pada Honeypot Dionaea dalam Mendeteksi Serangan Port Scanning,” ELKOMIKA, vol. 10, no. 2, p. 309, Apr. 2022, doi: 10.26760/elkomika.v10i2.309.

I. N. Yulita, R. Rosadi, S. Purwani, and R. M. Awangga, “A COMBINATION DEEP BELIEF NETWORKS AND SHALLOW CLASSIFIER FOR SLEEP STAGE CLASSIFICATION,” kursor, p. 197, Oct. 2017, doi: 10.28961/kursor.v8i4.97.

W. McKinney, Python for data analysis: data wrangling with pandas, NumPy, and IPython, Second edition. Sebastopol, California: O’Reilly Media, Inc, 2018.

Y. Tohma, K. Tokunaga, S. Nagase, and Y. Murata, “Structural approach to the estimation of the number of residual software faults based on the hyper-geometric distribution,” IIEEE Trans. Software Eng., vol. 15, no. 3, pp. 345–355, Mar. 1989, doi: 10.1109/32.21762.

M. D’Ambros, M. Lanza, and R. Robbes, “An extensive comparison of bug prediction approaches,” in 2010 7th IEEE Working Conference on Mining Software Repositories (MSR 2010), Cape Town, South Africa: IEEE, May 2010, pp. 31–41. doi: 10.1109/MSR.2010.5463279.

Universitas Sriwijaya, A. Hardoni, and D. P. Rini, “Integrasi Pendekatan Level Data Pada Logistic Regression Untuk Prediksi Cacat Perangkat Lu-nak,” JIKO, vol. 3, no. 2, pp. 101–106, Aug. 2020, doi: 10.33387/jiko.v3i2.1734.

A. Hardoni, “Integrasi SMOTE pada Naive Bayes dan Logistic Regression Berbasis Particle Swarm Optimization untuk Prediksi Cacat Perangkat Lunak,” justin, vol. 9, no. 2, p. 144, Apr. 2021, doi: 10.26418/justin.v9i2.43173.

H. Kaur and A. Kaur, “An empirical study of Aging Related Bug prediction using Cross Project in Cloud Oriented Software,” IJCAI, vol. 46, no. 8, Nov. 2022, doi: 10.31449/inf.v46i8.4197.

P. L. S. T. Sangeetha Yalamanchili, “Software Defect Prediction Using Machine Learning,” IJRTE, vol. 8, no. 2S11, pp. 1053–1057, Nov. 2019, doi: 10.35940/ijrte.B1178.0982S1119.

R. Agrawal and R. Goyal, “Developing bug severity prediction models using word2vec,” International Journal of Cognitive Computing in Engineer-ing, vol. 2, pp. 104–115, Jun. 2021, doi: 10.1016/j.ijcce.2021.08.001.

S. Wang, T. Liu, J. Nam, and L. Tan, “Deep Semantic Feature Learning for Software Defect Prediction,” IIEEE Trans. Software Eng., vol. 46, no. 12, pp. 1267–1293, Dec. 2020, doi: 10.1109/TSE.2018.2877612.

B. Turhan and A. Bener, “Analysis of Naive Bayes’ assumptions on software fault data: An empirical study,” Data & Knowledge Engineering, vol. 68, no. 2, pp. 278–290, Feb. 2009, doi: 10.1016/j.datak.2008.10.005.

I. B. Sulistiawati, “CRITICAL TRAJECTORY - EXTREME LEARNING MACHINE TECHNIQUE FOR COMPUTING CRITICAL CLEARING TIME,” kursor, vol. 8, no. 1, p. 41, Dec. 2016, doi: 10.28961/kursor.v8i1.73.

N. A. Zaidi, J. Cerquides, M. J. Carman, and G. I. Webb, “Alleviating Naive Bayes Attribute Independence Assumption by Attribute Weighting,” Journal of Machine Learning Research, vol. 14, no. 24, pp. 1947–1988, 2013.

W. Gata et al., “Algorithm Implementations Naïve Bayes, Random Forest. C4.5 on Online Gaming for Learning Achievement Predictions,” in Pro-ceedings of the 2nd International Conference on Research of Educational Administration and Management (ICREAM 2018), Bandung, Indonesia: At-lantis Press, 2019. doi: 10.2991/icream-18.2019.1.

S. Khadijah and P. S. Sasongko, “The Comparison of Imbalanced Data Handling Method in Software Defect Prediction,” KINETIK, pp. 203–210, Aug. 2020, doi: 10.22219/kinetik.v5i3.1049.