Identifikasi Atribut Tingkat Lebih Tinggi untuk Prediksi Umur Bug
Identify Higher Level Attributes for Bug Age Prediction
Abstract
Sebuah perangkat lunak yang berkualitas dapat diartikan sebagai suatu produk yang memiliki jumlah kesalahan atau bug yang sedikit. Berbagai cara dilakukan untuk menggurangi jumlah bug, seperti sistem pelacak bugzilla informasi yang disimpan dapat digunakan untuk menyelidiki fenomena yang berbeda. Manajemen proyek perlu memperkirakan waktu yang dibutuhkan untuk menangani suatu bug agar dapat membuat perencanaan proyek yang baik. Penelitian sebelumnya menggunakan atribut primitif (Low Level Attribute) untuk prediksi umur bug, merekomendasikan penggunaan atribut bug tingkat yang lebih tinggi. Oleh karena itu, atribut tingkat lebih tinggi diprediksi keberhasilan dengan akurasi umur bug. Dalam penelitian ini, identifikasi atribut tingkat lebih tinggi digunakan untuk meningkatkan akurasi prediksi umur sebuah bug. Untuk mengidentifikasi atribut mana yang signifikan pengaruhnya terhadap prediksi umur bug digunakan pencarian nilai informasi (infogain). Langkah kedua, yaitu mengukur akurasi klasifikasi berdasarkan atribut-atribut yang ditemukan, oleh karena itu menggunakan sejumlah metode, yaitu Zerro_R, One_R , Decision Tree, dan Naive Bayes. Metode-metode ini baik digunakan untuk dataset yang memiliki korelasi, melibatkan 24 buah atribut, 7 kelas bug_lifetime dan data set sebesar 1000 bug. Hasil penelitian mengidentifikasi 6 atribut tingkat tinggi, dimana 2 diantaranya (summary, dan last change time) dianggap memiliki pengaruh yang signifikan dalam memprediksi umur bug. Kombinasi atribut tingkat tinggi (2 atribut), tingkat rendah (3 atribut) dan seleksi (1 atribut) menghasilkan indeks kappa tingkat substantial (0,81). Hal tersebut menunjukkan dengan penambahan atribut tingkat lebih tinggi untuk prediksi umur bug dapat bekerja lebih baik dari penelitian sebelumnya yang menghasilkan indek kappa moderate (0,60).
References
Chen, Chun-Ling, Frank S C Tseng, and Tyne Liang. 2010. “Mining Fuzzy Frequent Itemsets for Hierarchical Document Clustering.†Information processing & management 46(2): 193–211.
Chou, Andy et al. 2001. “An Empirical Study of Operating Systems Errors.†In Proceedings of the Eighteenth ACM Symposium on Operating Systems Principles, , 73–88.
Humphrey, Watts S. 2005. “A Personal Commitment to Software Quality.†In Software Engineering—ESEC’95: 5th European Software Engineering Conference Sitges, Spain, September 25–28, 1995 Proceedings, Springer, 5–7.
Hussain, H M. 2007. “Using Text Classification to Automate Ambiguity Detection in SRS Documents.â€
Kim, Sunghun, and E James Whitehead Jr. 2006. “How Long Did It Take to Fix Bugs?†In Proceedings of the 2006 International Workshop on Mining Software Repositories, , 173–74.
Van Leekwijck, Werner, and Etienne E Kerre. 1999. “Defuzzification: Criteria and Classification.†Fuzzy sets and systems 108(2): 159–78.
McCabe, Thomas J. 1976. “A Complexity Measure.†IEEE Transactions on software Engineering (4): 308–20.
Murphy, G, and Davor Cubranic. 2004. “Automatic Bug Triage Using Text Categorization.†In Proceedings of the Sixteenth International Conference on Software Engineering & Knowledge Engineering, Citeseer, 1–6.
Panjer, Lucas D. 2007. “Predicting Eclipse Bug Lifetimes.†In Fourth International Workshop on Mining Software Repositories (MSR’07: ICSE Workshops 2007), IEEE, 29.
Rish, Irina. 2001. “An Empirical Study of the Naive Bayes Classifier.†In IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence, , 41–46.
Tan, P N, M Steinbach, and V Kumar. 2006. “Introduction to Data Mining, Addison Wesley Publishers.â€
Yang, Yiming et al. 1999. “Learning Approaches for Detecting and Tracking News Events.†IEEE Intelligent Systems and their Applications 14(4): 32–43.
