<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>EKSPERIMEN ALGORITMA RANDOM FOREST UNTUK PREDIKSI&#13;
BUG JUST-IN-TIME PADA PERANGKAT LUNAK OPEN-SOURCE&#13;
MENGGUNAKAN DATASET APACHEJIT</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Muhammad Rofiq</mods:namePart><mods:namePart type="family">Faisal</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Kualitas perangkat lunak dipengaruhi oleh kemampuan sistem dalam&#13;
mengidentifikasi kesalahan lebih awal selama proses pengembangan. Just-in-Time&#13;
Defect Prediction (JIT-DP) adalah metode yang memperkirakan kemungkinan&#13;
terjadinya bug saat commit dilakukan dengan memanfaatkan metrik perubahan&#13;
kode dan aktivitas pengembang. Tujuan dari penelitian ini adalah untuk&#13;
mengembangkan dan menilai model prediksi bug berbasis algoritma Random&#13;
Forest menggunakan Dataset ApacheJIT yang mencakup metrik tingkat commit&#13;
dari berbagai proyek perangkat lunak open-source.  &#13;
 &#13;
Langkah-langkah dalam penelitian ini mencakup pra-pemrosesan data, &#13;
pembagian data dengan dua metode validasi (Random Split dan Chronological&#13;
Split), pelatihan model, dan penilaian performa menggunakan metrik Recall,&#13;
Precision, F1-score, ROC-AUC, dan MCC. Hasil dari eksperimen menunjukkan&#13;
bahwa Random Forest dapat memberikan performa prediksi yang konsisten pada&#13;
kedua metode validasi, meskipun Random Split menunjukkan performa yang lebih&#13;
tinggi secara statistik. Namun, metode Chronological Split dianggap lebih&#13;
representatif karena mencerminkan sifat waktu dalam alur commit dan mengurangi&#13;
risiko kebocoran data. Analisis Feature Importance menunjukkan bahwa ukuran&#13;
perubahan kode, terutama jumlah baris yang ditambahkan dan dihapus, adalah&#13;
indikator utama dalam mempengaruhi terjadinya commit cacat.  &#13;
 &#13;
Temuan ini memperkuat hasil penelitian sebelumnya yang menekankan &#13;
pentingnya metrik perubahan dalam metode JIT-DP. Secara keseluruhan, penelitian&#13;
ini menunjukkan bahwa algoritma Random Forest efektif digunakan dalam tugas&#13;
prediksi bug berbasis commit, dengan efisiensi komputasi yang baik dan&#13;
kemampuan interpretasi yang cukup. Diharapkan, hasil penelitian ini dapat menjadi&#13;
landasan untuk mengembangkan alat bantu kualitas perangkat lunak yang dapat&#13;
memberi peringatan dini kepada pengembang tentang risiko cacat pada tahap&#13;
commit.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:classification authority="lcc">005 Pemrograman komputer, program dan data</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2026-01-21</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>