EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

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 · 29.07.2026 · 4 (3) · 5121-5136

DOI: 10.69693/ijim.v4i3.1836 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Indonesian Journal of Innovation Multidisipliner Research, online erschienen am 29.07.2026. Verfasst von Dwi Agung Septian und 1 weiteren Autor:innen. Die Arbeit nennt 27 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

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.

Zitieren

APA

Septian, D. A., & Agustian, B. (2026). Implementasi Deep Learning Dengan Feature Selection Untuk Prediksi Cacat Perangkat Lunak Pada Dataset Nasa Metrics Data Program. Indonesian Journal of Innovation Multidisipliner Research, 4(3), 5121-5136. https://doi.org/10.69693/ijim.v4i3.1836

Vancouver

Septian DA, Agustian B. Implementasi Deep Learning Dengan Feature Selection Untuk Prediksi Cacat Perangkat Lunak Pada Dataset Nasa Metrics Data Program. Indonesian Journal of Innovation Multidisipliner Research. 2026;4(3):5121-5136. doi:10.69693/ijim.v4i3.1836

BibTeX
@article{Septian2026,
  author = {Septian, Dwi Agung and Agustian, Bobi},
  title = {Implementasi Deep Learning Dengan Feature Selection Untuk Prediksi Cacat Perangkat Lunak Pada Dataset Nasa Metrics Data Program},
  journal = {Indonesian Journal of Innovation Multidisipliner Research},
  year = {2026},
  volume = {4},
  number = {3},
  pages = {5121--5136},
  doi = {10.69693/ijim.v4i3.1836}
}
Kostenlos starten →