Prediksi Cacat Perangkat Lunak Menggunakan Bi-LSTM dengan Teknik Oversampling SMOTE dan Representasi AST
Tahun 2025 · Penulis: Marcel Sintia Bela
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Cacat perangkat lunak merupakan salah satu permasalahan utama dalam pengembangan sistem yang andal dan berkualitas tinggi. Ketidakseimbangan data, yakni jumlah modul tidak cacat yang jauh lebih banyak dibandingkan modul cacat, menjadi tantangan signifikan dalam membangun model prediksi yang akurat. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengembangkan model prediksi cacat perangkat lunak menggunakan pendekatan deep learning Bidirectional Long Short-Term Memory (Bi-LSTM) yang dikombinasikan dengan teknik oversampling Synthetic Minority Over-sampling Technique (SMOTE). Model ini diharapkan mampu mengenali pola sekuensial dari metrik perangkat lunak serta mengatasi distribusi kelas yang tidak seimbang. Selain itu, penelitian ini juga berupaya mengintegrasikan representasi semantik kode sumber melalui Abstract Syntax Trees (AST) sebagai fitur tambahan dalam proses prediksi. Namun demikian, karena keterbatasan pada dataset NASA MDP: CM1, PC2, dan KC3 yang tidak menyediakan file kode sumber asli, proses ekstraksi AST tidak dapat dilaksanakan secara optimal. Meskipun demikian, AST tetap dianggap sebagai pendekatan yang potensial untuk penelitian selanjutnya, khususnya apabila tersedia dataset yang memuat kode sumber dalam format mentah. Model dievaluasi dengan membandingkan dua skenario, yakni model Bi-LSTM dan model Bi-LSTM yang dikombinasikan dengan SMOTE. Evaluasi dilakukan menggunakan metrik klasifikasi biner, yaitu accuracy, precision, recall, dan F1score. Hasil eksperimen menunjukkan bahwa penggabungan Bi-LSTM dan SMOTE memberikan peningkatan performa yang signifikan dibandingkan dengan penggunaan Bi-LSTM secara murni. Model yang dikembangkan terbukti lebih efektif dalam mendeteksi modul cacat, khususnya pada dataset yang memiliki tingkat ketidakseimbangan tinggi. Penelitian ini menunjukkan bahwa integrasi antara model sekuensial dan teknik penyeimbangan data dapat menjadi solusi yang lebih tepat dalam menyelesaikan permasalahan prediksi cacat perangkat lunak.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,855
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk memper
- Cosine 0,814
Tahun 2025 · Penulis: Ahmad Rizqi Isnain
Modifikasi Vigenere Cipher Menggunakan Logistic Map Dua Parameter
Penelitian ini memodifikasi algoritma Vigenère Cipher klasik dengan menerapkan fungsi chaos Logistic Map dua parameter dan mekanisme chaining antar blok yang terinspirasi dari Cipher Block Chaining (CBC). Berbeda dengan Vigenère klasik yang menggunakan kunci b
- Cosine 0,805
Tahun 2026 · Penulis: Ainun Maya Rohmani
Object Based Augmentation berbasis Segment Anything Model terhadap penanganan Class Imbalance dataset cacat biji kopi
Ketidakseimbangan distribusi kelas (class imbalance) pada dataset citra cacat biji kopi merupakan salah satu faktor yang dapat menurunkan performa model deteksi, terutama pada kelas minoritas yang memiliki jumlah sampel terbatas. Permasalahan ini menjadi semak