IMPLEMENTASI MODEL PEMBELAJARAN MESIN DENGAN METODE ENSAMBEL DAN TEKNIK SELEKSI FITUR PADA PREDIKSI TINGKAT KEMAMPUAN PEMELIHARAAN PERANGKAT LUNAK

Mochamad Nurul Huda, - (2023) IMPLEMENTASI MODEL PEMBELAJARAN MESIN DENGAN METODE ENSAMBEL DAN TEKNIK SELEKSI FITUR PADA PREDIKSI TINGKAT KEMAMPUAN PEMELIHARAAN PERANGKAT LUNAK. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_RPL_1905375_Title.pdf Download (2MB)
	Text S_RPL_1905375_Chapter1.pdf Download (520kB)
	Text S_RPL_1905375_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_RPL_1905375_Chapter3.pdf Download (1MB)
	Text S_RPL_1905375_Chapter4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_RPL_1905375_Chapter5.pdf Download (494kB)
	Text S_RPL_1905375_Appendix.pdf Restricted to Staf Perpustakaan Download (2MB)

Abstract

Tingkat kemampuan pemeliharaan perangkat lunak merupakan salah satu atribut eksternal dasar dari kualitas perangkat lunak yang mengukur tingkat efektivitas dan efisiensi di mana suatu perangkat lunak dapat dimodifikasi oleh pemelihara perangkat lunak tersebut. Tingkat kemampuan pemeliharaan perangkat lunak diukur menggunakan prediksi sebuah model pembelajaran mesin berdasarkan sejumlah atribut kualitas perangkat lunak untuk mendukung dan membantu dalam pengambilan keputusan pada saat proses pemeliharaan perangkat lunak dilakukan. Sumber himpunan data baru yang terdiri dari lima dataset perangkat lunak berorientasi objek Java dengan tujuh belas jenis metrik tingkat kelas digunakan dalam penelitian ini. Model pembelajaran mesin dibangun dengan menggunakan beberapa model individu seperti Lasso Regression, K-Nearest Neighbors, Regression Tree, Multilayer Perceptron, M5Rules, Support Vector Machine, Artificial Neural Network, dan dengan menggunakan metode ensambel seperti Bagging dan AdaBoost. Selain itu, teknik seleksi fitur dipertimbangkan untuk mengidentifikasi fitur terbaik sehingga meningkatkan performa dari model prediksi. Penelitian ini bertujuan untuk menyelidiki performa berbagai sumber himpunan data dalam model pembelajaran mesin. Performa model ini di evaluasi dengan menggunakan tiga metrik evaluasi, yaitu MMRE, MAE, dan Pred. Hasil menunjukkan bahwa ANN menjadi algoritma terbaik pada model individu dengan MMRE 0.88 pada dataset Equinox Framework. Metode ensambel terbukti meningkatkan performa dari model dengan ketentuan metode ensambel cocok dengan algoritma individu yang digunakan. Performa terbaik didapatkan metode AdaBoost dengan ANN pada dataset Lucene dengan MMRE 0.78. Teknik seleksi fitur juga terbukti meningkatkan beberapa model prediksi dengan penghapusan fitur yang tepat dan algoritma yang digunakan cocok dengan distribusi datanya. ----- Software maintainability is one of the primary external attributes of software quality that measures the effectiveness and efficiency with which the software maintainer can modify the software. Software maintainability is measured using the prediction of machine learning models based on several software quality attributes to support and assist in decision-making during the software maintenance process. This study used new datasets consisting of five Java object-oriented software systems with seventeen class-level metrics. Machine learning models are built using several individual models such as Lasso Regression, K-Nearest Neighbors, Regression Tree, Multilayer Perceptron, M5Rules, Support Vector Machine, Artificial Neural Network, and by using ensemble methods such as Bagging and AdaBoost. In addition, feature selection techniques are considered to identify the best features, thereby increasing the prediction model's performance. This research aims to investigate the performance of various dataset sources in machine learning models. The performance of these models is evaluated using three evaluation metrics, namely MMRE, MAE, and Pred. The results show that ANN is the best algorithm for individual models with MMRE 0.88 on the Equinox Framework dataset. The ensemble method is proven to improve the performance of the model, provided that the ensemble method matches the individual algorithms used. The AdaBoost method obtained the best performance with ANN on the Lucene dataset with MMRE 0.78. The feature selection technique is also proven to improve several prediction models with the proper feature removal, and the algorithm matches the data distribution.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?hl=id&user=Bfyn_d8AAAAJ ID Sinta Dosen Pembimbing : Indira Syawanodya : 6681751 Mochamad Iqbal Ardimansyah : 6658552
Uncontrolled Keywords:	Software Maintainability; Model Individu; Metode Ensambel; Teknik Seleksi Fitur; Individual Models; Ensemble Methods; Feature Selection Techniques
Subjects:	L Education > L Education (General) Q Science > QA Mathematics Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak
Depositing User:	Mochamad Nurul Huda
Date Deposited:	16 Feb 2023 02:20
Last Modified:	16 Feb 2023 02:48
URI:	http://repository.upi.edu/id/eprint/87722

Actions (login required)

View Item