Penerapan Multi-Layer Perceptron dan Diskrit pada Prediksi Cacat Software
DOI:
https://doi.org/10.32664/j-intech.v12i02.1422Kata Kunci:
Cacat, Diskritisasi, MLP, SoftwareAbstrak
Cacat perangkat lunak merupakan salah satu penyebab utama limbah teknologi informasi hal ini menjadi tantangan utama dalam pengembangan perangkat lunak karena dapat menurunkan kualitas perangkat lunak itu sendiri. Untuk mengurangi biaya dan usaha dalam pengembangan serta perbaikan perangkat lunak, memprediksi cacat perangkat lunak adalah langkah terbaik. Multi-Layer Perceptron (MLP) merupakan jenis jaringan saraf tiruan yang dapat digunakan untuk mempelajari pola-pola yang kompleks dan non-linear pada data input, unggul dalam memodelkan hubungan kompleks dan non-linier dalam data, serta mampu mengekstraksi fitur secara otomatis dan menangani masalah yang tidak bisa diselesaikan oleh model linear. Salah satu tahapan pra-processing untuk mengoptimalkan MLP adalah diskritisasi data, yaitu membagi rentang atribut ke interval untuk mengurangi jumlah atribut numerikal menjadi data kategorikal. Hasil pengujian dengan lima jenis data dari NASA MDP (CM1, JM1, KC1, KC2, dan PC1) menunjukkan peningkatan akurasi signifikan. Pada dataset CM1, akurasi meningkat menjadi 96,1% dibandingkan dengan penggunaan MLP saja yang mencapai 91,1%. Pada dataset JM1, akurasi meningkat menjadi 79,1% dibandingkan MLP saja yang mencapai 78,3%. Pada data KC1, akurasi meningkat menjadi 88,5% dibandingkan MLP saja yang mencapai 85,9%. Pada dataset KC2, akurasi MLP dengan diskritisasi mencapai 89,8% lebih baik dibandingkan MLP saja sebesar 84,8%. Pada data PC1, akurasi tertinggi diperoleh sebesar 95,5% dibandingkan dengan MLP saja yang mencapai 94,3%.
Referensi
Afikah, P., Affandi, I. R., & Hasan, F. N. (2022). Implementasi Business Intelligence Untuk Menganalisis Data Kasus Virus Corona di Indonesia Menggunakan Platform Tableau. Pseudocode, 9(1), 25–32. https://doi.org/10.33369/pseudocode.9.1.25-32
Ainun, N., Rismayanti, & Lestari, D. Y. (2021). Implementasi Model JST Dalam Menentukan Bantuan Langsung Tunai Menggunakan Algortima Multilayer Perceptron Pada Desa Karang Anyar Kec. Aek Kuo. ProsidingSNASTIKOM: Seminar Nasional Teknologi Informasi & Komunikasi, 320–325.
Berka, P., & Bruha, I. (1998). Discretization and grouping: Preprocessing steps for data mining. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 1510, 239–245. https://doi.org/10.1007/bfb0094825
Christiawan, G. Y., Putra, R. A., Sulaiman, A., Poerbaningtyas, E., & Putri Listio, S. W. (2023). Penerapan Metode Convolutional Neural Network (CNN) Dalam Mengklasifikasikan Penyakit Daun Tanaman Padi. J-Intech, 11(2), 294–306. https://doi.org/10.32664/j-intech.v11i2.1006
Faiza, I. M., Gunawan, G., & Andriani, W. (2022). Tinjauan Pustaka Sistematis: Penerapan Metode Machine Learning untuk Deteksi Bencana Banjir. Jurnal Minfo Polgan, 11(2), 59–63. https://doi.org/10.33395/jmp.v11i2.11657
Gulo, S. H., Lubis, A. H., Informatika, T., Teknik, F., & Area, U. M. (2024). Penerapan Multi-Layer Perceptron untuk Mengklasifikasi Penduduk Kurang Mampu. 4(2), 51–59.
Hardoni, A., & Rini, D. P. (2020). Integrasi Pendekatan Level Data Pada Logistic Regression Untuk Prediksi Cacat Perangkat Lunak. JIKO (Jurnal Informatika Dan Komputer), 3(2), 101–106. https://doi.org/10.33387/jiko.v3i2.1734
Hardoni, A., Rini, D. P., & Sukemi, S. (2021). Integrasi SMOTE pada Naive Bayes dan Logistic Regression Berbasis Particle Swarm Optimization untuk Prediksi Cacat Perangkat Lunak. Jurnal Media Informatika Budidarma, 5(1), 233. https://doi.org/10.30865/mib.v5i1.2616
Hari Agus Prastyo, E., Suhartono, S., Faisal, M., Yaqin, M. A., & Firdaus, R. A. J. (2024). Naive Bayes Classification Untuk Prediksi Cacat Perangkat Lunak. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 9(2), 782–791. https://doi.org/10.29100/jipi.v9i2.5508
Kusuma, J., Hayadi, B. H., Wanayumini, W., & Rosnelly, R. (2022). Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara. MIND Journal, 7(1), 51–60. https://doi.org/10.26760/mindjournal.v7i1.51-60
Muhamad, F. P. B., Siahaan, D. O., & Fatichah, C. (2018). Software Fault Prediction Using Filtering Feature Selection in Cluster-Based Classification. IPTEK Journal of Proceedings Series, 4(1), 59. https://doi.org/10.12962/j23546026.y2018i1.3508
Pambudi, H. K., Kusuma, P. G. A., Yulianti, F., & Julian, K. A. (2020). Prediksi Status Pengiriman Barang Menggunakan Metode Machine Learning. Jurnal Ilmiah Teknologi Infomasi Terapan, 6(2), 100–109. https://doi.org/10.33197/jitter.vol6.iss2.2020.396
Prasetyo, R., Nawawi, I., Fauzi, A., & Ginabila, G. (2021). Komparasi Algoritma Logistic Regression dan Random Forest pada Prediksi Cacat Software. Jurnal Teknik Informatika UNIKA Santo Thomas, 06(Siringoringo 2017), 275–281. https://doi.org/10.54367/jtiust.v6i2.1522
Purnama, I. N. (2021). Perbandingan Klasifikasi Website Secara Otomatis Menggunakan Metode Multilayer Perceptron dan Naive Bayes. Jurnal Sistem Komputer Dan Informatika (JSON), 2(2), 155–161. https://doi.org/10.30865/json.v2i2.2703
Puteri, A. N., Arizal, A., & Achmad, A. D. (2021). Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 335–342. https://doi.org/10.30812/matrik.v20i2.1183
Rasna, & Matdoan, Moh. R. I. (2022). Metode Bayesian dan Multilayer Percepton dalam Mengklasifikasi Diabetes Mellitus. Jurnal Sistim Informasi Dan Teknologi, 4, 82–86. https://doi.org/10.37034/jsisfotek.v4i2.132
Sihombing, P. R., & Yuliati, I. F. (2021). Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 417–426. https://doi.org/10.30812/matrik.v20i2.1174
Sugiono, Taufik, A., & Faizal Amir, R. (2020). Penerapan Penerapan Teknik Pso Over Sampling Dan Adaboost J48 Untuk Memprediksi Cacat Software. Jurnal Responsif : Riset Sains Dan Informatika, 2(2), 198–203. https://doi.org/10.51977/jti.v2i2.249
Wintana, D. (2020). Integrasi Metode Diskritisasi Dan Gain Ratio Pada Prediksi Cacat Perangkat Lunak Berbasis Naive Bayes. Tesis. Repository Nusa Mandiri, 1–48.
