UBUB

Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer

Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi fitur berbasis GWO secara konsisten meningkatkan performa SVM dibandingkan penggunaan semua fitur, serta secara signifikan mengungguli metode berbasis GA, PSO, dan FFA pada seluruh dataset.

Hasil eksperimen menunjukkan bahwa penggunaan Grey Wolf Optimizer (GWO) dalam seleksi fitur pada model Support Vector Machine (SVM) menghasilkan kinerja terbaik dalam deteksi kecacatan perangkat lunak.GWO secara konsisten meningkatkan akurasi, presisi, recall, dan skor F1 dibandingkan dengan penggunaan semua fitur maupun dengan metode seleksi fitur lain seperti Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA).Keunggulan GWO didukung oleh pengurangan jumlah fitur yang terpilih secara signifikan, sehingga meminimalkan dimensi data sekaligus menjaga atau meningkatkan kualitas prediksi.Oleh karena itu, GWO dapat menjadi pilihan optimal untuk seleksi fitur pada tugas deteksi kecacatan perangkat lunak, terutama pada dataset NASA MDP.

Pertanyaan penelitian baru dapat mengkaji efektivitas GWO bila dikombinasikan dengan teknik pengoptimalan hyperparameter SVM secara bersamaan, sehingga dapat menentukan konfigurasi model SVM yang paling optimal dalam konteks deteksi kecacatan perangkat lunak. Selain itu, studi lanjutan dapat mengeksplorasi penerapan GWO pada dataset perangkat lunak lain yang memiliki karakteristik distribusi kelas berbeda, untuk menilai generalisasi metode ini. Terakhir, penelitian yang ditujukan untuk membandingkan performa GWO dengan algoritma meta‑heuristik hybrid (misalnya gabungan GWO‑PSO atau GWO‑GA) dapat membuka perspektif baru dalam meningkatkan kualitas seleksi fitur dan akurasi klasifikasi.

Read online
File size540.37 KB
Pages10
DMCAReport

Related /

ads-block-test