Article Per Year (5 Year)
p-Index From 2021 - 2026
0.983
P-Index
This Author published in this journals
All Journal Jurnal Informatika Universitas Pamulang JAMAIKA: Jurnal Abdi Masyarakat KOMMAS: Jurnal Pengabdian Kepada Masyarakat OKTAL : Jurnal Ilmu Komputer dan Sains JRIIN :Jurnal Riset Informatika dan Inovasi Indonesian Journal of Innovation Multidisipliner Research
Bobi Agustian
Universitas Pamulang
Astronomy Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Implementasi Deep Learning Dengan Feature Selection Untuk Prediksi Cacat Perangkat Lunak Pada Dataset Nasa Metrics Data Program Dwi Agung Septian; Bobi Agustian
Indonesian Journal of Innovation Multidisipliner Research Vol. 4 No. 3 (2026): Juli - September
Publisher : Institute of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijim.v4i3.1836

Abstract

Prediksi cacat perangkat lunak sangat penting untuk menjaga kualitas sistem, tetapi sering kali menghadapi masalah dimensi atribut yang tidak relevan dan ketidakseimbangan kelas data yang ekstrem. Penelitian ini bertujuan menganalisis pengaruh Feature Selection menggunakan Information Gain dan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data terhadap performansi model Multi Layer Perceptron (MLP). Dataset yang digunakan berasal dari NASA Metrics Data Program (NASA MDP) yang menggabungkan enam dataset dengan total 28.258 data. Tahap preprocessing data meliputi standardisasi label, median imputation untuk data hilang di bawah 30 persen, eliminasi atribut dengan data hilang di atas 30 persen, standardisasi StandardScaler, dan SMOTE. Feature Selection Information Gain digunakan untuk memilih 10 atribut terbaik. Model MLP dilatih dan dievaluasi menggunakan Stratified 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa penggunaan SMOTE secara signifikan meningkatkan kemampuan model mendeteksi kelas cacat (Defective), ditandai dengan kenaikan recall dari 0,1897 menjadi 0,7112. Skenario terbaik diperoleh pada kombinasi MLP dengan seleksi fitur dan SMOTE yang menghasilkan akurasi sebesar 0,7549, presisi 0,2368, recall mencapai nilai tertinggi sebesar 0,8267, F1-Score 0,3681, dan Area Under Curve (AUC) sebesar 0,8670. Kombinasi ini berhasil meminimalkan risiko kegagalan sistem akibat cacat yang tidak terdeteksi (false negative). Penelitian ini berkontribusi memberikan panduan metodologis yang efektif bagi pengembang perangkat lunak untuk mengidentifikasi potensi cacat sejak tahap awal pengembangan guna meningkatkan efisiensi pengujian.
Co-Authors Abiem Mahmud Arjiansyah Dwi Agung Septian Fajar Agung Nugroh0 Fajar Agung Nugroho Fajar Septian Heri Haerudin Joko Riyanto Maulana Ardiansyah Muhamad Meky Frindo Muhamad Yasser Arafat Muhamad Yasser Arafat Muhammad Yaser Arafat Muhammad Yasser Arafat Oke Wibowo Petricia Oktavia Petricia Oktavia Ubaydillah