LINEAR REGRESSION DENGAN PEMBOBOTAN ATRIBUT DENGAN METODE PSO UNTUK SOFTWARE DEFECT PREDICTION

Muhammad Rizki Fahdia, Eko Richardus, Indrajit, Jl Hr, Rasuna Said, Karet Kuningan, Kecamatan Setiabudi
Seminar Nasional Sains dan Teknologi 2017 Fakultas Teknik Universitas Muhammadiyah Jakarta   unpublished
ABSTRAK Kualitas software sudah menjadi bagian yang penting dalam proses pengembangan. Karena semakin kompleksnya sebuah software dan tingginya ekspektasi dari pelanggan. Maka saat ini biaya pengembangan software juga semakin tinggi. Oleh karena itu dibutuhkan efisiensi untuk menekan biaya pengembangan software. Salah satu cara yang bisa dilakukan yaitu dengan software defect prediction. Dengan sotware defect prediction maka dapat diketahui proyek software mana yang butuh pengecekan lebih
more » ... gecekan lebih intens. Tim test software dapat mengalokasikan waktu dan biaya lebih efektif berdasarkan hasil dari model algoritma. Metode pada riset ini menggunakan prepocessing dengan mengoptimalkan bobot atribut dengan menggunakan metode PSO yang merupakan algoritma pencarian berbasis populasi dan yang diinisialisi dengan populasi solusi acak yang disebut partikel. Berdasarkan hasil pengolaha data dengan metode preprocessing terhadap dataset NASA MDP CM1. Maka didapatkan metode preprocessing dengan pembobotan atribut dengan metode PSO memiliki peningkatan akurasi menjadi 86.37% dari sebelumnya 85.54% dan AUC menjadi 0.827 dari sebelumnya 0.762. Kata kunci: prediksi cacat software, linier regression, feature selection, optimize weight. ABSTRACT Software quality has become an important part of the development process. Due to the complexity of a software and the high expectations of customers. So now the cost of software development is also higher. Therefore it takes efficiency to reduce the cost of software development. One way that can be done is with software defect prediction. With sotware defect prediction it can be known which software project needs more intense checking. The software test team can allocate time and cost more effectively based on the results of the algorithm model. The method in this research uses prepocessing by optimizing the attribute weights by using the PSO method which is a population-based search algorithm and which is initialized with a population of random solutions called particles. Based on the result of data processing with preprocessing method to NASA MDP CM1 dataset. Then the method of preprocessing with attribute weighting with PSO method has increased accuracy to 86.37% from 85.54% and AUC to 0.827 from 0.762.
fatcat:yyxaa3uxvbbnjnsrsylp5dnnbm