<![CDATA[Kegagalan proses build pada lingkungan Continuous Integration/Continuous Deployment (CI/CD) dapat menghambat rilis perangkat lunak, meningkatkan biaya perbaikan, dan menurunkan efisiensi pengembangan. Hal ini menunjukkan perlunya sistem prediksi yang cepat, adaptif, serta mampu menangani data yang terus mengalir secara real-time. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja beberapa algoritma online machine learning dalam memprediksi kegagalan build pada pipeline CI/CD. Dataset yang digunakan berasal dari TravisTorrent yang mencakup aktivitas repositori, perubahan kode, metrik pengujian, serta riwayat build. Tahapan penelitian meliputi preprocessing data, pembentukan skema data streaming, penerapan model Hoeffding Tree, Adaptive Random Forest (ARF), dan Online Logistic Regression, serta evaluasi menggunakan metrik accuracy. Hasil eksperimen menunjukkan model terbaik mencapai accuracy 97,35%, lebih tinggi dibandingkan penelitian sebelumnya sebesar 95,9%. Peningkatan absolut sebesar 1,45 poin persentase atau sekitar 1,51% ini membuktikan bahwa pendekatan yang digunakan lebih efektif dalam mengenali pola kegagalan build pada lingkungan CI/CD berbasis streaming data.]]>
Copyrights © 2026
