Perbandingan Algoritma Klasifikasi untuk Prediksi Cacat Software dengan Pendekatan CRISP-DM

Abstract

Bagian terpenting dalam software quality adalah prediksi cacat software. Prediksi cacat software memanfaatkan pengukuran matriks pengujian software untuk dilakukan klasifikasi yang dapat memperkirakan kualitas modul program, secara umum hasil pengujian software dibagi menjadi dua kelas, yaitu software rentan cacat dan software tidak rentan cacat. Metode machine learning mempunyai kinerja lebih baik untuk menemukan cacat software daripada metode manual. Algoritme klasifikasi dalam machine learning yang pernah digunakan untuk prediksi cacat software antara lain k-Nearest Neighbor (k-NN), Naïve Bayes (NB) dan Decision Tree (CART). Dalam penelitian ini akan dibandingkan kinerja antara algoritme-algoritme klasifikiasi yaitu k-NN, NB, dan CART untuk prediksi cacat software. Software Matrix yang digunakan pada penelitian ini adalah tujuh dataset dari NASA MDP. Hasil penelitian menunjukkan bahwa nilai rata-rata akurasi algoritme CART lebih baik daripada algoritme k-NN dan NB dengan nilai 0,867. Sedangkan nilai rata-rata akurasi algoritme k-NN dan NB masing-masing 0,859 dan 0,778.