STRATEGI RESAMPLING BERBASIS CENTROID UNTUK MENANGANI KETIDAKSEIMBANGAN KELAS PADA PREDIKSI CACAT PERANGKAT LUNAK
ABSTRACT: Dataset yang
digunakan pada penelitian prediksi cacat perangkat lunak umumnya bersifat tidak
seimbang, sehingga dapat menurunkan kinerja model prediksi cacat perangkat
lunak. Ketidakseimbangan kelas dapat ditangani dengan dua pendekatan, yaitu pada
aras data dan aras algoritma. Pendekatan aras data ditujukan untuk memperbaiki
keseimbangan kelas, sedangkan pendekatan aras algoritma ditujukan untuk
memperbaiki algoritma pengklasifikasi agar lebih sensitif terhadap kelas
minoritas. Pada penelitian ini diusulkan pendekatan aras data dengan metode
resampling yang menggunakan jarak terhadap centroid kelas minoritas sebagai
dasar pemilihan data sampel baru. Algoritma klasifikasi yang digunakan adalah
Naϊve Bayes. Hasil penelitian menunjukkan bahwa kombinasi metode resampling
baru dan Naïve Bayes, yang kemudian disebut dengan model farCentro+NB merupakan
model pendekatan yang lebih baik untuk memprediksi cacat perangkat lunak karena
nilai Akurasi, Sensitivitas, Fmeasure, dan Area Under Curve (AUC) model farCentro+NB
meningkat secara signifikan, sedangkan model RUS+NB tidak meningkat secara
signifikan.
Penulis: Utomo Pujianto
Kode Jurnal: jptlisetrodd160580
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjGj4FQv1aMKKBVC4_mesGV_ZBAKWTejNaV2HxifdICn1Si6-Cbih_Nn3RHQNCq1oxvhyRv2U9yPX6t4k-PCOSIkqYXB__v7DbFjwnVn73zgsW72l7sqKX5dvQ2XVxnqcLrw2CvPzs63oA/s320/E+JURNAL.gif)