%0 Thesis
%9 S1 - Sarjana
%A Faisal, Muhammad Rofiq
%A Universitas AMIKOM Yogyakarta,
%B Fakultas Ilmu Komputer
%D 2026
%F universitasamikomyogyakarta:31845
%I Universitas AMIKOM Yogyakarta
%K Prediksi Bug, Just-In-Time, Random Forest, ApacheJIT, Scikit-learn.
%T EKSPERIMEN ALGORITMA RANDOM FOREST UNTUK PREDIKSI  BUG JUST-IN-TIME PADA PERANGKAT LUNAK OPEN-SOURCE  MENGGUNAKAN DATASET APACHEJIT
%U https://eprints.amikom.ac.id/id/eprint/31845/
%X Kualitas perangkat lunak dipengaruhi oleh kemampuan sistem dalam  mengidentifikasi kesalahan lebih awal selama proses pengembangan. Just-in-Time  Defect Prediction (JIT-DP) adalah metode yang memperkirakan kemungkinan  terjadinya bug saat commit dilakukan dengan memanfaatkan metrik perubahan  kode dan aktivitas pengembang. Tujuan dari penelitian ini adalah untuk  mengembangkan dan menilai model prediksi bug berbasis algoritma Random  Forest menggunakan Dataset ApacheJIT yang mencakup metrik tingkat commit  dari berbagai proyek perangkat lunak open-source.       Langkah-langkah dalam penelitian ini mencakup pra-pemrosesan data,   pembagian data dengan dua metode validasi (Random Split dan Chronological  Split), pelatihan model, dan penilaian performa menggunakan metrik Recall,  Precision, F1-score, ROC-AUC, dan MCC. Hasil dari eksperimen menunjukkan  bahwa Random Forest dapat memberikan performa prediksi yang konsisten pada  kedua metode validasi, meskipun Random Split menunjukkan performa yang lebih  tinggi secara statistik. Namun, metode Chronological Split dianggap lebih  representatif karena mencerminkan sifat waktu dalam alur commit dan mengurangi  risiko kebocoran data. Analisis Feature Importance menunjukkan bahwa ukuran  perubahan kode, terutama jumlah baris yang ditambahkan dan dihapus, adalah  indikator utama dalam mempengaruhi terjadinya commit cacat.       Temuan ini memperkuat hasil penelitian sebelumnya yang menekankan   pentingnya metrik perubahan dalam metode JIT-DP. Secara keseluruhan, penelitian  ini menunjukkan bahwa algoritma Random Forest efektif digunakan dalam tugas  prediksi bug berbasis commit, dengan efisiensi komputasi yang baik dan  kemampuan interpretasi yang cukup. Diharapkan, hasil penelitian ini dapat menjadi  landasan untuk mengembangkan alat bantu kualitas perangkat lunak yang dapat  memberi peringatan dini kepada pengembang tentang risiko cacat pada tahap  commit.