Anjar Maghfiruddin, 201569040015 (2019) Optimasi data untuk menangani ketidakseimbangan dengan menggunakan metode K-NEAREST NEIGHBOR dan Z-TRANSFORMATION pada SOFTWARE DEFECT PREDICTION. Sarjana thesis, Universitas Yudharta.
Text (BAB I.pdf)
BAB I.pdf Download (115kB) |
|
Text (BAB II.pdf)
BAB II.pdf Restricted to Registered users only Download (218kB) | Request a copy |
|
Text (BAB III.pdf)
BAB III.pdf Restricted to Registered users only Download (151kB) | Request a copy |
|
Text (BAB IV.pdf)
BAB IV.pdf Restricted to Registered users only Download (224kB) | Request a copy |
|
Text (BAB V.pdf)
BAB V.pdf Restricted to Registered users only Download (88kB) | Request a copy |
|
Text (COVER.pdf)
COVER.pdf Download (308kB) |
|
Text (DAFTAR PUSTAKA.pdf)
DAFTAR PUSTAKA.pdf Download (65kB) |
|
Text (LAMPIRAN.pdf)
LAMPIRAN.pdf Download (309kB) |
Abstract
Software yang tidak ditemukan cacat selama pemeriksaan dan pengujian merupakan software berkualitas tinggi yang mampu membantu proses bisnis perusahaan secara efektif dan efesien. Penurunan kualitas software dan biaya perbaikan yang tinggi dapat diakibatkan kesalahan atau cacat pada software. Z-Transformasi merupakan model klasifikasi yang cocok untuk data dengan attribut yang bersifat numerik ataupun attribut yang be ilai nominal yaitu bersifat kategorik dimana tiap nilai tidak bisa dijumlahakan atau dikurangkan, Dataset yang digunakan pada penelitian software defect prediction umumnya bersifat tidak seimbang, sehingga dapat menurunkan kinerja model software defect prediction. Untuk menangani ketidakseimbangan kelas secara umum dibagi menjadi dua pendekatan, yaitu pendekatan level data dan pendekatan level algoritma. Pendekatan level data ditujukan untuk memperbaiki keseimbangan kelas, Sedangkan pendekatan level algoritma ditujukan untuk membuat pengklasifikasi lebih konduktif terhadap kelas minoritas dengan menggabungkan pengklasifikasi tunggal agar menjadi lebih baik. Algoritma K-Nearst Neighbor merupakan salah satu algoritma yang telah menunjukkan dapat memperbaiki kinerja pengklasifikasi, Maka pada penelitian ini digunakan pendekatan level data menggunakan normalisasi Z-Transformasi, dan untuk pendekatan level algoritma menggunakan K-Nearst Neighbor. Setelah dilakukan percobaan pada model K-Nearst Neighbor dan Z-Transformasidi dapatkan akurasi 86.55% sedangkan jika hanya dengan K-Nearst Neighbor saja di dapatkan akurasi 85.73%.
Item Type: | Thesis (Sarjana) | ||||||
---|---|---|---|---|---|---|---|
Identification Number: | 004 MAG O | ||||||
Contributors: |
|
||||||
Subjects: | Karya Umum > Ilmu Umum dan Komputer | ||||||
Divisions: | Fakultas Teknik > Teknik Informatika | ||||||
Date Deposited: | 29 Aug 2019 09:45 | ||||||
Last Modified: | 02 Mar 2022 06:48 | ||||||
URI: | https://repository.yudharta.ac.id/id/eprint/1195 |
Actions (login required)
View Item |