PENINGKATAN KINERJA PREDIKSI CACAT SOFTWARE DENGAN HYPERPARAMETER TUNING PADA ALGORITMA KLASIFIKASI DEEP FOREST

Abstract

Prediksi cacat software adalah salah satu studi pada bidang Rekayasa Perangkat Lunak yang telah diteliti
oleh banyak peneliti. Tujuan dari studi ini adalah untuk mencari tahu algoritma yang dapat memberikan kinerja
prediksi cacat software yang lebih baik. Salah satu penelitian yang telah dilakukan adalah melakukan prediksi
cacat software dengan menggunakan algoritma berbasis pohon seperti Decision Tree, Random Forest dan Deep
Forest. Deep Forest adalah algoritma klasifikasi berbasis pohon yang baru yang merupakan perbaikan dari
algoritma Random Forest. Namun implementasi Deep Forest dalam penelitian terdahulu masih belum
memberikan kinerja yang maksimal. Hasil pada penelitian terdahulu menunjukan bahwa kinerja algoritma Deep
Forest masih ada yang lebih rendah dibandingkan algoritma berbasis pohon yang lain. Pada penelitian ini berfokus
pada peningkatan kinerja algoritma berbasis pohon dengan melakukan normalisasi pada dataset dan
hyperparameter tuning pada algoritma klasifikasi dengan menggunakan pencarian grid. Dataset yang digunakan
adalah 3 dataset dari ReLink yaitu Apache, Safe, dan Zxing. Setiap model prediksi divalidasi dengan Stratified
10-Fold Cross Validation dan kinerja dievaluasi menggunakan AUC. Dari hasil eksperimen yang didapatkan,
hasil prediksi dari pendekatan yang diusulkan lebih baik daripada metode sebelumnya.