Pembangunan Model Prediksi Defect Menggunakan Metode Ensemble Decision Tree dan Cost Sensitive Learning

Abstract

Rencana project pengembangan perangkat lunak dapat disusun menggunakan work breakdown structure (WBS). Pelaksanaan unit terkecil dari WBS pada proses pengembangan perangkat lunak disebut action. Action dapat menimbulkan defect pada perangkat lunak. Sebuah action dikategorikan menghasilkan high defect jika banyaknya defect yang dihasilkan action tersebut melebihi threshold tertentu.Action-based defect prevention (ABDP) merupakan metode untuk membangun model prediksi yang dapat meramalkan apakah action yang akan dilakukan akan menghasilkan high defect atau tidak. Model prediksi pada ABDP menggunakan single classification tree yang dibangun berdasarkan catatan action yang telah dilakukan dan defect yang ditimbulkan action tersebut pada suatu proses pengembangan perangkat lunak. Hasil prediksi akan menjadi pertimbangan dalam proses pengembangan perangkat lunak untuk menghindari munculnya high defect.Penelitian ini mengajukan metode pembuatan model prediksi yang merupakan pengembangan dari ABDP. Metode yang diajukan berusaha meningkatkan akurasi ABDP dan meminimalkan cost (kerugian) jika terjadi kesalahan prediksi. Untuk meningkatkan akurasi, model prediksi dibangun dengan ensemble method menggunakan base classifier classification tree. Untuk memperkecil kerugian yang ditimbulkan oleh kesalahan prediksi, maka pada proses pembuatan classification tree digunakan metode cost sensitive learning. Hasil uji coba menunjukkan bahwa, metode yang diajukan memiliki accuracy dan recall yang lebih baik dari single classification tree.Kata Kunci — work breakdown structure, action, high defect, ABDP, classification tree, ensemble method, cost sensitive learning.