Prediksi Cacat Perangkat Lunak Dengan Optimasi Naïve Bayes Menggunakan Pemilihan Fitur Gain Ratio
Abstrak: Dalam prediksi cacat
perangkat lunak, terjadinya kesalahan prediksi cacat perangkat lunak merupakan
hal yang sangat fatal karena data yang salah prediksi dapat menimbulkan
pengaruh terhadap perangkat lunak itu sendiri. Kurang optimalnya metode
prediksi yang digunakan. Masih terdapat kesalahan dalam memprediksi cacat
perangkat lunak. Dalam metode Naive Bayes juga masih terdapat kekurangan ketika
terjadi kesalahan klasifikasi. Kesalahan klasifikasi ini dapat memperlambat
proses prediksi cacat perangkat lunak. Dibutuhkan metode yang dapat mengatasi
kesalahan klasifikasi ini. Dalam penelitian ini disusulkan optimasi metode
Naive Bayes menggunakan Gain Ratio. Pemilihan fitur menggunakan Gain Ratio pada
Naïve Bayes dapat mengurangi dampak kegagalan prediksi. Penggunaan Gain Ratio dapat
meningkatkan performa prediksi. Penghitungan Gain Ratio dapat dirumuskan yaitu dari
setiap atribut Gain Ratio dikali jumlah data n kemudian dibagi dengan rata-rata
Gain Ratio semua atribut. Atribut dari Gain Ratio sendiri merupakan hasil bagi
dari Mutual Information dan Entropy. Mutual Information (MI) merupakan nilai
ukur yang menyatakan keterikatan atau ketergantungan antara dua variabel atau
lebih. Selain MI, Entropy digunakan sebagai pembagi dari MI yang digunakan
untuk menentukan atribut mana yang terbaik atau optimal. Maka dari itu
penghitungan Gain Ratio adalah hasil dari penghitungan Mutual Information
dibagi dengan hasil penghitungan Entropy Penghitungan Gain Ratio. Hasil penelitian
menunjukkan akurasi sebesar 87,55% untuk metode usulan dan 85,34% untuk metode
Naïve Bayes biasa.
Penulis: Muhammad Sonhaji
Akbar, Siti Rochimah
Kode Jurnal: jptinformatikadd160965
