EKSPERIMEN ALGORITMA RANDOM FOREST UNTUK PREDIKSI BUG JUST-IN-TIME PADA PERANGKAT LUNAK OPEN-SOURCE MENGGUNAKAN DATASET APACHEJIT

Faisal, Muhammad Rofiq (2026) EKSPERIMEN ALGORITMA RANDOM FOREST UNTUK PREDIKSI BUG JUST-IN-TIME PADA PERANGKAT LUNAK OPEN-SOURCE MENGGUNAKAN DATASET APACHEJIT. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf - Published Version
Download (1MB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (250kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (719kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (337kB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (499kB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (95kB)
[img] Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version
Restricted to Registered users only
Download (468kB)
[img] Archive (SOURCE CODE)
Sourcecode - 22.83.0769.zip - Published Version
Restricted to Repository staff only
Download (4kB)

Abstract

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.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Syafrizal, Melwin
Uncontrolled Keywords: Prediksi Bug, Just-In-Time, Random Forest, ApacheJIT, Scikit-learn.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Ilmu Komputer > Teknik Komputer
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 01 Jul 2026 02:45
Last Modified: 01 Jul 2026 02:45
URI: http://eprints.amikom.ac.id/id/eprint/31845

Actions (login required)

View Item View Item