<![CDATA[Sebuah perangkat lunak yang berkualitas dapat diartikan sebagai suatu produk yang memiliki jumlah kesalahan atau bug yang sedikit. Berbagai cara dilakukan untuk menggurangi jumlah bug, seperti sistem pelacak bugzilla informasi yang disimpan dapat digunakan untuk menyelidiki fenomena yang berbeda. Manajemen proyek perlu memperkirakan waktu yang dibutuhkan untuk menangani suatu bug agar dapat membuat perencanaan proyek yang baik. Penelitian sebelumnya menggunakan atribut primitif (Low Level Attribute) untuk prediksi umur bug, merekomendasikan penggunaan atribut bug tingkat yang lebih tinggi. Oleh karena itu, atribut tingkat lebih tinggi diprediksi keberhasilan dengan akurasi umur bug. Dalam penelitian ini, identifikasi atribut tingkat lebih tinggi digunakan untuk meningkatkan akurasi prediksi umur sebuah bug. Untuk mengidentifikasi atribut mana yang signifikan pengaruhnya terhadap prediksi umur bug digunakan pencarian nilai informasi (infogain). Langkah kedua, yaitu mengukur akurasi klasifikasi berdasarkan atribut-atribut yang ditemukan, oleh karena itu menggunakan sejumlah metode, yaitu Zerro_R, One_R , Decision Tree, dan Naive Bayes. Metode-metode ini baik digunakan untuk dataset yang memiliki korelasi, melibatkan 24 buah atribut, 7 kelas bug_lifetime dan data set sebesar 1000 bug. Hasil penelitian mengidentifikasi 6 atribut tingkat tinggi, dimana 2 diantaranya (summary, dan last change time) dianggap memiliki pengaruh yang signifikan dalam memprediksi umur bug. Kombinasi atribut tingkat tinggi (2 atribut), tingkat rendah (3 atribut) dan seleksi (1 atribut) menghasilkan indeks kappa tingkat substantial (0,81). Hal tersebut menunjukkan dengan penambahan atribut tingkat lebih tinggi untuk prediksi umur bug dapat bekerja lebih baik dari penelitian sebelumnya yang menghasilkan indek kappa moderate (0,60).]]>
Copyrights © 2023
