Publisher

STTSSTTS

Journal INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation Abstract

Prediksi cacat perangkat lunak (Software Defect Prediction, SDP) memainkan peran penting dalam rekayasa perangkat lunak dengan memungkinkan identifikasi awal modul yang berpotensi cacat, membantu pengembang dan tester dalam memprioritaskan upaya pengujian dan inspeksi guna meningkatkan kualitas dan keandalan perangkat lunak. Dengan kebutuhan bisnis yang cepat berubah, model prediksi cacat telah menjadi semakin penting dalam alur kerja jaminan kualitas. Pendekatan tradisional SDP fokus pada Prediksi Cacat Dalam Proyek (Within-Project Defect Prediction, WPDP), di mana model dilatih pada data historis proyek yang sama dan efektif ketika kondisi data mencukupi. Kendala tersebut memotivasi adopsi Prediksi Cacat Lintas Proyek (Cross-Project Defect Prediction, CPDP), yang memanfaatkan data dari proyek berbeda. Namun, CPDP menghadapi tantangan seperti perbedaan distribusi dataset dan ketidakseimbangan kelas, yang dapat menurunkan kinerja prediksi dan menimbulkan bias. Untuk mengatasi masalah ini, studi terbaru mengusulkan transformasi data, pemilihan ulang, dan teknik adaptasi domain. Pada penelitian ini, kami mengeksplorasi pendekatan pembelajaran multi-View menggunakan Neural Networks (NN) untuk meningkatkan generalisasi dan kinerja dalam skenario CPDP. Dengan memanfaatkan beberapa view dari dataset yang sama—dihasilkan melalui penggabungan metrik perangkat lunak heterogen, imputasi nilai hilang, normalisasi menggunakan transformasi Box‑Cox, dan transformasi fitur berbasis embedding—kami bertujuan membangun Multi‑View Neural Network (MVNN) yang robust. Arsitektur ini memungkinkan integrasi informasi beragam sekaligus mengurangi keterbatasan pembelajaran view tunggal dalam CPDP. Metode kami mempertahankan lebih banyak informasi dibandingkan pendekatan konvensional yang hanya mengandalkan fitur bersama. Validasi eksperimental menggunakan repositori SDP benchmark menunjukkan kompetitivitas pendekatan kami, menawarkan peningkatan kinerja dibandingkan model CPDP yang ada dan menyoroti potensi pembelajaran multi‑View dalam tugas prediksi cacat.

Conclusion

Artikel ini mengusulkan Model Multi‑View Neural Network (MVNN) untuk Prediksi Cacat Lintas Proyek (CPDP) yang menunjukkan keandalan dibandingkan dengan studi sebelumnya.Tantangan CPDP meliputi perbedaan distribusi data dan kurangnya fitur universal yang dapat diterima secara luas di berbagai proyek perangkat lunak.Meskipun ada metode dan teknik untuk mengatasi tantangan tersebut, kompleksitas proyek perangkat lunak tetap menjadi kendala utama.MVNN kami berhasil mengatasi perbedaan distribusi dengan menggabungkan data multidimensi melalui transformasi Box‑Cox dan embedding pohon acak, menghasilkan model yang mampu memprediksi cacat dengan akurasi tinggi.Pada skenario uji lintas dataset, MVNN menunjukkan performa lebih baik dibandingkan dengan metode-konvensional, dengan rata‑rata akurasi lebih dari 90% dan F1‑score di atas 0,90.Peningkatan ini menunjukkan potensi penggunaan MVNN dalam praktik pengembangan perangkat lunak untuk memperbaiki kualitas dan keandalan produk dengan memanfaatkan data lintas proyek secara efisien.

Future Research

Bagaimana penerapan embedding pohon acak dapat lebih dipertajam untuk menangkap hubungan semantik antar fitur perangkat lunak, sehingga dapat meningkatkan akurasi prediksi cacat? Bagaimana algoritme transfer learning hybrid, yang menggabungkan arsitektur CNN dengan Multi‑View Neural Network, dapat dieksplorasi untuk memanfaatkan representasi kontekstual data kode sumber dan metrik statistik, dan menilai dampaknya pada situasi data terbatas? Bagaimana mekanisme attention layer dapat diintegrasikan ke dalam MVNN untuk memfokuskan model pada fitur yang paling relevan, sehingga meningkatkan interpretabilitas dan mitigasi overfitting ketika diterapkan pada dataset lintas proyek dengan distribusi data yang sangat berbeda?.

References

1. Eliminating the high false‐positive rate in defect prediction through BayesNet with adjustable... onlinelibrary.wiley.com/doi/10.1111/exsy.12977Eliminating the high falseyAAAapositive rate in defect prediction through BayesNet with adjustable onlinelibrary wiley doi 10 1111 exsy 12977
2. Towards identifying software project clusters with regard to defect prediction | Proceedings of the 6th... dl.acm.org/doi/10.1145/1868328.1868342Towards identifying software project clusters with regard to defect prediction Proceedings of the 6th dl acm doi 10 1145 1868328 1868342
3. PoS - Software defect prediction: A study on software metrics using statistical and machine learning... doi.org/10.22323/1.415.0020PoS Software defect prediction A study on software metrics using statistical and machine learning doi 10 22323 1 415 0020

Metadata

File size	950.34 KB
Pages	13
DMCA	Report