Prediksi awal modul cacat perangkat lunak dapat membantu pengembang perangkat lunak untuk mengalokasikan sumber daya yang tersedia dalam membuat produk perangkat lunak yang memiliki kualitas tinggi yang dapat membatu dalam setiap proses bisnis perusahaan. Perbaikan software setelah pengiriman dan implementasi, membutuhkan biaya jauh lebih mahal dari pada saat pengembangan. Model Logistic Regression (LR) merupakan salah satu model pengklasifikasi yang memiliki kinerja terbaikdalam prediksi cacat software, namun kelemahannya adalah rentan terhadap underfitting dataset yang kelasnya tidak seimbang, sehingga menghasilkan penurunan kinerja. Dataset NASA MDP bersifat publik yang banyak digunakan peneliti dalam penelitian prediksi cacat software, namun dataset ini memiliki ketidakseimbangan pada kelas. Untuk menangani masalah ketidakseimbangan kelas pada dataset ini diusulkan metode pendekatan level data yaitu Random Over Sampling (ROS), Random Under Sampling(RUS) dan Synthetic Minority Over-sampling Technique (SMOTE), sehingga pada penelitian ini dilakukan integrasi antara pendekatan level data (ROS, RUS dan SMOTE) dengan model logistic regression dan kemudian membandingkan hasil antara sebelum diintegrasikan dengan sesudah diintegrasikan. Dari hasil percobaan yang dilakukan pada 9 dataset NASA MDP diperoleh hasil bahwa model ROS + LR dan SMOTE + LR dapat menigkatkan kinerja model pengklasifikasi hampir pada seluruh dataset, namun RUS + LR tidak menunjukan adanya perubahan yang signifikan namun ada beberapa nilai AUC pada dataset yang cenderung menurun.
Copyrights © 2020