Abstract:
Cacat pada perangkat lunak merupakan kesalahan pada sistem komputer yang dapat menurunkan kualitas suatu perangkat. Proses perbaikan perangkat lunak membutuhkan biaya yang cukup mahal, sehingga prediksi cacat software sangat penting dalam tahap pengujian pengembangan perangkat lunak untuk mengidentifikasi kesalahan yang terdapat pada suatu perangkat lunak. Pada prediksi cacat software memiliki masalah fitur yang tidak relevan (noise attribute) dan dataset yang tidak seimbang (class imbalance). Kedua masalah tersebut dapat mempengaruhi kinerja prediksi cacat software. Pada penelitian ini menggunakan metode klasifikasi XGBoost dan Random Forest yang dapat diterapkan pada dataset tidak seimbang dengan Particle Swarm Optimization sebagai seleksi fitur untuk mengatasi masalah noise attribute pada dataset NASA MDP. Dari hasil penelitian yang telah dilakukan pada dataset NASA MDP diperoleh nilai rata-rata AUC untuk seluruh dataset pada model XGBoost 0.779 dan Random Forest 0.764. Sedangkan pada model dengan menggunakan PSO memperoleh nilai rata-rata AUC untuk seluruh dataset yaitu XGBoost 0.836 dan Random Forest 0.807. Hasil penelitian ini membuktikan PSO dapat meningkatkan nilai rata-rata AUC dari kinerja prediksi cacat software.
Kata kunci: Prediksi Cacat Software, XGBoost, Random Forest, PSO
