5

BAB 2

KAJIAN PUSTAKA

2.1 Cacat Perangkat Lunak (Software Defect)

Cacat perangkat lunak (software defect) didefinisikan sebagai cacat pada

perangkat lunak seperti cacat pada dokumentasi, pada kode program, pada desain

dan hal – hal lain yang menyebabkan kegagalan perangkat lunak. Cacat perangkat

lunak dapat muncul pada berbagai tahap proses pengembangan perangkat lunak

(Pressman, 2001). Cacat perangkat lunak merupakan faktor penting yang

mempengaruhi kualitas perangkat lunak. Kualitas perangkat lunak dapat

ditingkatkan dengan mencegah munculnya cacat perangkat lunak melalui

perbaikan aksi yang mungkin menghasilkan cacat perangkat lunak pada proses

pengembangan perangkat lunak (Boehm dan Basili, 2001).

Teknik pencegahan cacat perangkat lunak pertama kali diusulkan oleh

IBM corporation dan dapat digunakan untuk mencegah munculnya cacat

perangkat lunak di tahap lanjut pada proses pengembangan perangkat lunak

(Chang,2007). Setelah itu, muncul beberapa pendekatan untuk mencegah

munculnya cacat perangkat lunak seperti causal analysis dan prediction model

(Chang,2007).

2.1.1 Teknik Causal Analysis and Resolution (CAR)

Teknik causal analysis and resolution (CAR) berisi dua tahap utama untuk

menentukan sebab – sebab cacat perangkat lunak, yaitu pemilihan cacat perangkat

lunak dan analisa sebab – sebab dari cacat perangkat lunak. Pada pertemuan untuk

analisa sebab – sebab dari cacat perangkat lunak, dilakukan brainstorming untuk

mencari sebab munculnya cacat perangkat lunak. cacat perangkat lunak yang

dianalisa adalah cacat perangkat lunak yang memiliki prioritas tinggi dengan

parameter tingkat keparahan cacat perangkat lunak, kekerapan terjadinya cacat

perangkat lunak dan kerugian yang ditimbulkan cacat perangkat lunak. Terdapat

dua hal yang harus dipertimbangkan dalam melakukan analisa sebab cacat

perangkat lunak, yaitu jumlah cacat perangkat lunak yang dilaporkan dan

6

banyaknya sebab yang menimbulkan cacat perangkat lunak. Jika banyaknya cacat

perangkat lunak yang dilaporkan terlalu kecil, maka akan sulit menarik

kesimpulan penyebab munculnya cacat perangkat lunak. Sedangkan apabila cacat

perangkat lunak yang dilaporkan terlalu banyak, maka proses analisa akan sangat

sulit dilakukan (Mahopatra dan Mohanty, 2001).

2.1.2 Teknik Software Defect Prediction Model

Teknik software prediction model berusaha untuk menemukan sejumlah

pola cacat perangkat lunak yang dapat digunakan untuk memprediksi kemunculan

cacat perangkat lunak di masa mendatang. Sebuah pola cacat perangkat lunak

didefinisikan sebagai sekumpulan attribut yang dapat digunakan untuk

mendeskripsikan dan memprediksikan kemunculan dari cacat perangkat lunak.

Pola cacat perangkat lunak dapat diturunkan dengan menerapkan model statistik

pada perangkat lunak yang mengandung cacat. Untuk menentukan apakah sebuah

perangkat lunak mengandung cacat perangkat lunak, attribut – attribut dari dari

perangkat lunak dibandingkan dengan pola cacat perangkat lunak. Attribut –

attribuat yang digunakan untuk mengukur produk perangkat lunak antara lain

ukuran, kompleksitas, usaha dan sejarah perubahan (Chang 2007).

2.2 Action Based Model

Sebuah aksi (action) merupakan operasi dasar yang dilakukan pada saat

mengeksekusi sebuah langkah (step) pada sebuah proyek perangkat lunak. Sebuah

tugas (task) dapat dianggap sebagai elemen dasar dari work breakdown structure

(WBS) rencana proyek (Chang, 2008). Untuk melaksanakan sebuah task,

serangkaian steps bisa dijadwalkan atau mengadaptasi dari modal proses yang

ada. Pengembang bisa melaksanakan tasks berdasarkan steps yang dijadwalkan.

Pada Gambar 2.1 ditunjukkan bagan work breakdown structure proyek

perangkat lunak serta hubungan antara tasks dan actions, dimana sebuah proyek

dipecah ke dalam beberapa work packages. Masing-masing work packages

meliputi beberapa task. PA1 (prosses asset) dan PA2 menandakan dua modal

proses yang bisa digunakan untuk melakukan task 1. PA1 terdapat beberapa steps

seperti sa1 dan sa2 yang direncanakan untuk dijalankan. Ketika tidak ada modal

7

proses yang layak bisa diadaptasi untuk melaksanakan tasks, steps perlu

dirancang, seperti sa4. Actions (a1-a6) adalah actions sebenarnya yang digunakan

untuk menjalankan planned steps dari tasks. Tabel 2.1 adalah attribut utama yang

digunakan untuk melakukan aksi.

Gambar 2.1 Work Breakdown Structure serta Hubungan Antara Task dan

Performed Actions (Chang,2008)

Action state merepresentasikan hubungan antara aksi yang dilakukan

(performed action) dengan perencanaan tugas (planned task), dimana sebuah aksi

diartikan sebagai aksi terjadwal (Action State=0) jika aksi tersebut adalah

melakukan langkah-langkah yang sudah dijadwalkan (planned step), dan diartikan

sebagai tidak terjadwal jika sebaliknya.

Action type merepresentasikan jenis pengoperasian, seperti pembuatan

modifikasi, atau penghapusan modul. Jika aksi yang dilakukan adalah membuat

modul baru. Jika aksi yang dilakukan adalah pembuatan modul baru maka nilai

dari action state bernilai penambahan modul baru, misal penambahan menu pada

aplikasi atau pembuatan stored procedure baru pada subsistem database. Action

type bernilai modifikasi jika jenis aksi adalah memodifikasi modul yang sudah

ada, misal desain antart muka perangkat lunak yang sudah dibuat namun kurang

8

sesuai dengan keinginan pengguna sehingga membutuhkan modifikasi untk

menyesuaikan dengan keinginan pengguna. Action state akan benilai penghapusan

modul jika aksi yang dilakukan adalah menghapus modul yang sudah ada, misal

penghapusan stored procedure pada database karena dirasa stored procedure

sudah dibutuhkan atau tidak digunakan lagi.

Action complexity menggambarkan kompleksitas sebuah aksi, dan

diperkirakan oleh developer sebelum melakukan aksi. Tinggi, menengah atau

rendahnya tingkat kompleksitas dari suatu aksi semua tergantung dari perkiraan

developer. Jika suatu aksi memang dianggap memiliki tingkat kesulitan yang

tinggi maka nilai dari action complexity adalah high. Action complexity bernilai

median jika aksi tersebut dipandang oleh developer tidak memiliki kompleksitas

yang tinggi atau rendah jadi berada diantarnya sedangkan jika aksi yang dilakukan

dirasa tidak mempunyai tingkat kesulitan yang cukup berarti maka action

complexity akan bernilai low.

Object type merepresentasikan jenis modul yang dilakukan oleh aksi,

seperti dokumen, kode, basisdata, atau konfigurasi sistem. Nilai dari object type

tergantung pada di modul mana aksi tersebut akan dilakukan, misal aksi yang

akan dilakukan adalah mempelajari dokumentasi dari kebutuhan rekayasa

perangkat lunak yang diperoleh dari pelanggan maka object type dapat bernilai

dokumen.

Effort expected merepresentasikan usaha yang dilibatkan dalam

melakukan aksi, dan diperkirakan terlebih dahulu. Dalam pelaksaan aksi satuan

effort effected yang digunakan adalah jam, yaitu banyakanya jam yang dibutuhkan

untuk melaksanakan suatu aksi. Jika dimisalakan untuk membuat suatu modul

dalam aplikasi dibutuhkan waktu 24 jam maka nilai dari effort effected adalah 24

jam.

Action originator adalah orang yang berperan sehingga suatu aksi terjadi

atau akan dilakukan. Pada perangkat lunak yang sudah dikirimkan ke pelanggan

dan ketika masa implementasi ditemukan suatu cacat sehingga pelanggan tersebut

melaporkan kepada pihak pengembang dan ditindaklanjuti dengan melakukan

suatu aksi untuk memperbaiki cacat tersebut, dalam hal ini nilai dari action

originator adalah customer.

9

Tabel 2.1 Attribut Utama dari Aksi (Chang, 2008)

Attribut Keterangan / Nilai

Action ID ID dari aksi yang akan dilakukan

Action Description Deskripsi dari aksi yang akan dilakukan

Action State 0: tidak terjadwal, 1: terjadwal

Action Date Tanggal aksi dilakukan

Action Type N: Membuat modul baru, M: Modifikasi, D:

Penghapusan, A: Penambahan, -: None

Action Complexity 0: low, 5: median, 10: high

Object Type 0: none, 1:document, 2: Database, 3:

Application, 4: System Configuration

Effort Expected Banyaknya jam yang diharapkan untuk

melaksanakan aksi

Effort Used Banyaknya jam yang digunakan untuk

melakukan aksi

Action Originator 0: none,1: customer, 2: user, 3: manager, 4:

programmer

Action Target 0: none, 1: Requirement Development, 2:

requirement development, 3: requirement

development,, 4: Coding, 5:Testing,

6:Maintenance, 7:Support

Number of objects Jumlah objek yang dioperasikan oleh aksi

Reaction ID ID aksi yang menyebabkan aksi dilakukan

Task ID ID unik dari tugas untuk melakukan aksi

berdsarkan WBS

Action target adalah langkah proses dimana aksi dilakukan, seperti

requirement development, design atau coding. Number of objects menunjukkan

jumlah obyek yang dioperasikan oleh aksi. Jumlah obyek dalam hal ini sesuai

dengan attribut object type, misal object type dari aksi yang dilakukan adalah

database maka bisa diperkirakan objek yang terpengaruh adalah database itu

sendiri, aplikasi dan dokumentasi, jika masing-masing dari objek yang

terpengaruh hanya terdapat sebuah database, dokumentasi, aplikasi maka total

dari number of object adalah 3. Task ID merepresentasikan ID tugas yang

dilakukan oleh aksi.

10

Reaction ID adalah id aksi yang menyebabkan aksi lain dilakukan.

Reaction ID hanya akan memiliki nilai jika aksi yang dilakukan disebabkan oleh

aksi yang lain, sebaliknya jika aksi tersebut merupakan general aksi maka

reaction id dapat bernilai kosong.

Dalam prakteknya, eksekusi dari sebuah aksi bukanlah kejadian tunggal,

dan dapat menyebebkan modul lain berubah. Contohnya, perubahan pada DB API

(Database Application Interface) akan mengarah pada semua modul yang

menggunakan API tersebut, dimana model ini mungkin dikembangkan oleh orang

yang berbeda. Untuk merepresentasikan hubungan aksi, reaksi digunakan untuk

menunjukkan bahwa aksi tersebut diakibatkan oleh aksi lain dan ditunjukkan oleh

tindakan R yang mungkin menghasilkan kesalahan, dan mungkin dilaporkan oleh

customer jika tidak dilakukan pada waktunya (modul tertentu tidak berubah ketika

API yang digunakan telah dirubah). Aksi digunakan untuk menghilangkan

kerusakan didefinisikan sebagai Aksi D. Aksi yang bukan R dan bukan D

diartikan sebagai root aksi.

Gambar 2.2 menunjukkan hubungan antara tindakan R dan D. Aksi a1, a2,

a3, a4, a5 dan a6 adalah tindakan terjadwal, yang berarti bahwa tindakan tersebut

memang diharapkan dan dapat dijadwalkan berdasar WBS, sedangkan tindakan

tidak terjadwal adalah tindakan yang tidak bisa diperkirakan, seperti a21

(diakibatkan oleh kerusakan) dan a23 (diakibatkan oleh tindakan lain). Aksi a22

dilakukan untuk menangani kerusakan yang diakibatkan oleh a21, dan

mengakibatkan aksi a24 dan a26 dalam dua tugas yang berbeda. Aksi a25 dapat

berupa reaksi yang tidak dilakukan segera setelah a24 dan menghasilkan cacat

yang harus ditangani oleh a25. Cacat dari sebuah aksi dapat tidak terdeteksi sampai

produk dirilis, dan cacat itu dilaporkan oleh pelanggan, dan cacat yang dilaporkan

bisa sulit untuk dilacak penyebabnya. Cacat yang dilaporkan lalu dianalisa dalam

pertemuan causal analysis.

.

11

Gambar 2.2 Hubungan Antara Satu Aksi dengan Aksi yang Lain pada Sebuah

Proyek Perangkat Lunak (Chang, 2007)

Tabel 2.2 Attribut Utama dari Cacat Perangkat Lunak (Chang, 2007)

Attribut Keterangan / Nilai

Defect ID ID unik dari cacat

Description Deskripsi dari cacat yang dilaporkan

Action Generated Aksi yang menyebabkan cacat

Action Detected Aksi yang mendeteksi cacat

Action Removed Aksi yang digunakan untuk membuang cacat

Severity 1: Exception, 2: Minor, 3: Average, 4: Major, 5: Critical

Object ID Modul yang menyebabkan cacat

Cacat yang dilaporkan dapat ditulis menggunakan atribut yang ditunjukkan

dalam Table 2.2 dimana action generated menunjukkan aksi mana yang

menyebabkan cacat. Menentukan aksi aktual yang menyebabkan cacat tidak lah

mudah ketika interval antara tanggal aksi dan cacat terdeteksi sangat lama.

Stakeholder yang terkait dapat menganalisa action generated dari cacat yang

dilaporkan. Action detected menunjukkan aksi yang dilakukan untuk mendeteksi

cacat, seperti inspeksi atau ulasan pada proses pengembangan oleh pengembang.

Action removed menunjukkan aksi mana yang dilakukan untuk menangani cacat

yang dilaporkan. Severity menunjukkan tingkat keparahan cacat yang dilaporkan.

Disamping atribut aksi dan cacat, atribut tugas, work package, dan proyek

juga disediakan untuk mencatat proses perangkat lunak. Task ID aksi dapat

digunakan untuk menghubungkan tugas. Task progress menunjukkan

12

perkembangan tugas, dan dapat diukur dengan membagi usaha nyata dalam semua

aksi tugas yang dilakukan dengan usaha yang diharapkan. Task status

menunjukkan status tugas, baik terbuka atau tertutup. Task effort estimated adalah

usaha yang dilibatkan dalam melakukan tugas, seperti dipastikan dalam tahap

perencanaan proyek.

2.3 Komponen Action Based Defect Predicition

ABDP membangun model prediksi mengunakan data dari proyek yang

sama berdasarkan pada identifikasi penyebab dari permasalahan untuk

memprediksi aksi yang mungkin dikarenakan permasalahan yang sama, dimana

model prediksi menjadi stabil ketika jumlah dari data yang terkumpul bertambah.

Arsitektur dari ABDP ditunjukkan pada Gambar 2.3 yang meliput lima langkah

yaitu definisi action definition, action submission, action prediction, data

collection, data analysis.

Gambar 2.3 Arsitektur dari Komponen ABDP (Chang,2008)

13

Action definition digunakan untuk mendefinisikan sekumpulan fitur

seperti yang ditunjukkan pada Tabel 2.1 untuk mendiskripsikan attribut dari aksi,

seperti effort, action type / complexity, task, work package dan project. Sasaran

utama dari action definition adalah untuk memperkecil penggunaan effort dan

memperbesar proses dari aplikasi yang ada untuk koleksi data.

Langkah kedua adalah action submission. ABDP komponen disajikan

sebagai sebuah proses iterasi, dimana masing-masing action dilakukan proses

prediksi sebelum dijalankan. Action submission bisa dicapai dengan

menggunakan sebuah proses manajemen sistem dimana actor dapat memasukkan

informasi dari aksi dan memperoleh hasil prediksi secepatnya. Action Prediction

digunakan untuk memprediksi apakah action berikutnya akan menghasilkan

masalah.

2.4 Atribut-Atribut Aksi (Action)

Pada penelitan yang dilakukan oleh (Chang,2008) telah diperoleh sejumlah

atribut yang mempengaruhi apakah sebuah aksi dapat mengakibatkan high defect

atau low defect. Atribut-atribut tersebut diperoleh melalui proses pendefinisian

aksi, pengumpulan data dan analisa data.

2.4.1 Definisi Aksi (Action)

Tujuan utama dari definisi aksi adalah untuk mendefinisikan attribut -

attribut yang akan dikumpulkan dari catatan aksi dan laporan cacat pada proses

pengembangan perangkat lunak. Attribut – attribut ini menjadi kandidat attribut

yang digunakan untuk membangun model prediksi. Attribut – attribut dari cacat

perangkat lunak dan aksi yang digunakan ditunjukkan pada Tabel 2.1 dan Tabel

2.2. Setiap aksi yang dilakukan untuk mencapai tujuan proyek dapat digunakan

sebagai sumber untuk mengumpulkan data. Selain attribut yang didapatkan

langsung dari catatan aksi pada proses pengembangan perangkat lunak dan

laporan cacat perangkat lunak, dapat juga ditambahkan attribut yang relevan,

seperti pengalaman dari orang – orang yang melaksanakan proses pengembangan

perangkat lunak dan dukungan dari lingkungan (seperti dana) untuk melakukan

aksi.

14

2.4.2 Pengumpulan Data

Sebuah pelaksanaan aksi pada proses pengembangan perangkat lunak

dibagi menjadi lima tahap, yaitu tahap perencanaan aksi, prediksi, pelaksanaan

kegiatan, pelaporan hasil kegiatan dan pelaporan cacat perangkat lunak. Gambar

2.4 menunjukkan tahap – tahap dalam melakukan sebuah aksi pada proses

pengembangan perangkat lunak.

Gambar 2.4 Tahap Pelaksanaan Aksi pada Proses Pengembangan Perangkat

Lunak

Tahap – tahap pelaksanaan aksi tersebut akan didokumentasikan.

Dokumentasi tersebut, terutama dokumen perencanaan aksi dan catatan cacat

perangkat lunak digunakan sebagai sumber data untuk mendapatkan nilai attribut

dari aksi dan cacat perangkat lunak yang digunakan untuk menyusun dataset

untuk pembentukan model prediksi.

Perencanaan aksi

Pelaksanaan kegiatan

Prediksi

Laporan kegiatan

Catatan cacat perangkat lunak

15

Pada Gambar 2.4 ditunjukkan bahwa tahap pertama dari pelaksanaan aksi

adalah perencanaan kegiatan. Sebuah kegiatan harus direncanakan dahulu

sehingga attribut – attibut kegiatannya diketahui. Mungkin tidak semua attribut

dari kegiatan dapat diketahui saat tahap perencanaan aksi, namun sebagian besar

attibut yang dibutuhkan untuk melakukan prediksi sudah dapat diketahui sebelum

aksi dilaksanakan.

Pada tahap perencanaan aksi, attribut – attribut dari aksi yang akan

dilakukan ditentukan nilainya. Attribut – attribut yang ditentukan nilainya pada

tahap perencanaan aksi adalah attribut yang terdapat pada Tabel 2.1

Attribut dari aksi yang akan dilakukan digunakan untuk melakukan proses

prediksi apakah aksi tersebut akan menghasilkan high defect atau tidak. Setelah

nilai attribut – attribut aksi diketahui, dilakukan proses prediksi untuk mengetahui

apakah aksi tersebut beresiko menghasilkan high defect. Sebuah aksi dikatakan

menghasilkan high defect jika menghasilkan defect dalam jumlah yang melebihi

ambang batas (threshold) tertentu. Jika pada tahap prediksi sebuah aksi dianggap

akan menghasilkan high defect, maka rencana aksi (attribut – attribut aksi)

tersebut harus direvisi sedemikian hingga ketika dimasukkan pada tahap prediksi,

model prediksi tidak menganggap aksi yang akan dilakukan tidak menghasilkan

high defect lagi.

Setelah tahap prediksi menganggap bahwa aksi yang akan dilakukan tidak

menghasilkan high defect, dilakukan eksekusi aksi. Dari pelaksanaan aksi akan

dihasilkan laporan aksi dan catatan cacat perangkat lunak yang dihasilkan aksi

tersebut. Catatan cacat perangkat lunak yang dihasilkan digunakan untuk

mengecek apakah prediksi yang telah dilakukan sebelumnya telah benar. Dengan

kata lain, dari laporan cacat perangkat lunak dapat diuji akurasi dari tahap

prediksi. Selain itu, laporan cacat perangkat lunak juga digunakan untuk

membangun dataset yang digunakan untuk membuat model prediksi dan uji coba

Tahap pelaporan cacat menangkap attribut - attibut dari cacat yang

dihasilkan oleh aksi tertentu yang telah dilakukan pada proses pengembangan

perangkat lunak. Pada laporan cacat, attribut – attribut yang dicatat adalah attribut

yang dari cacat yang terdapat pada Tabel 2.2.

16

2.4.3 Analisis Data

Analisis data dilakukan dengan menganalisa data aksi dan cacat yang telah

terkumpul. Analisa tersebut bertujuan untuk menghasilkan dataset yang

digunakan untuk membangun model prediksi dan uji coba. Sehingga, tahap

analisa data terdiri atas dua bagian, yaitu (i) tahap preprocessing data dan (ii)

tahap pembuatan model prediksi.

(i) Tahap Preprocessing Data

Data preprocessing mengubah data yang telah terkumpul pada tahap

pengumpulan data menjadi dataset yang digunakan untuk membangun model

prediksi. Pada tahap ini, attribut – attribut dari action yang telah dilakukan beserta

attribut – attribut dari cacat perangkat lunak yang telah terjadi digabung menjadi

sebuah dataset. Selain attribut – attribut dari aksi dan cacat perangkat lunak yang

telah didefinisikan sebelumnya, dapat pula ditambahkan attribut - attribut lain

yang relevan atau attribut turunan.

Karena data attribut aksi dan cacat perangkat lunak yang yang telah

dikumpulkan pada tahap sebelumnya tersebar di beberapa bagian database atau

tabel, maka data perlu ditransformasi menjadi sebuah tabel yang nantinya dapat

diolah oleh algoritma yang menghasilkan model prediksi. Gambar 2.5

menunjukkan proses untuk menghasilkan dataset dari data aksi dan cacat

perangkat lunak yang telah dikumpulkan sebelumnya.

Pada Gambar 2.5 ditunjukkan bahwa attribut – attribut dari aksi dan cacat

perangkat lunak yang telah terjadi digabung dalam baris yang sama pada dataset.

Attribut – attribut gabungan yang ada pada dataset ditunjukkan pada Tabel 2.3.

Pada Tabel 2.3 ditunjukkan bahwa terdapat beberapa attribut yang diturunkan dari

attribut yang telah ada, yaitu : task actions, task modifications, task creations, task

reactions, task D actions, task H defect dan task defect efforts.

17

Gambar 2.5 Proses Pembuatan Dataset (Chang, 2007)

Tabel 2.3 Attribut – Attribut dari Dataset ID Attribut Nilai

1 Action state 0 : terjadwal 1, : tidak terjadwal

2 Action type N : membuat modul baru, M : modifikasi modul yang telah ada, D : menghapus modul, A : menambahkan modul, - : none

3 Caused type Menyatakan hubungan antara performed action ( - : general action, R : reaction, D: defect action )

4 Action complexity

0 : rendah, 5 : sedang, 10 : tinggi

5 Object type 0 : none, 1 : dokumen, 2 : database, 3 : aplikasi, 4 : konfigurasi sistem

6 Effort expected

Numerik, estimasi dari waktu (jam) untuk menyelesaikan action

7 Action originator

0 : none, 1 : customer, 2 : pengguna, 3 : manajer, 4 : programmer

8 Action target 0 : tidak ada, 1 : requirement, 2 : desain pendahuluan, 3 : desain, 4 : coding, 5 : testing, 6 : maintenance, 7 : support

9 Number of object

Banyaknya object yang berhubungan dengan action yang dilakukan

10 Task status 0 : sesuai jadwal, 1 : setelah jadwal, 2 : setelah penyelesaian, 9 : tidak diketahui

11 Task effort estimated

Estimasi usaha yang diperlukan untuk menyelesaikan task

12 Task action Banyaknya action yang dilakukan untuk menyelesaikan task

13 Task modification

Banyaknya action berjenis modifikasi yang dilakukan untuk menyelesaikan task

18

14 Task creation Banyaknya action yang digunakan untuk membuat modul baru

15 Task reaction Banyaknya action R yang diperlukan untuk menyelesaikan task

16 Task D action Banyaknya action D yang diperlukan untuk menyelesaikan task

17 Task H defect Banyaknya action yang menyebabkan high defect

18 Task defect effort

Total usaha yang diperlukan untuk memperbaiki defect pada task

19 Task progress Usaha yang telah dilakukan / estimasi usaha keseluruhan

20 Number of defect

L jika defect 0 – 3 dan H jika lebih dari 3

Attribut - attribut dataset yang ditunjukkan pada Tabel 2.3 dibagi menjadi

dua bagian yaitu attribut antecedent, yaitu attribut nomor 1 - 19 dan attribut

consequent, attribut nomor 20. Attribut antecedent digunakan pada tahap prediksi

sebagai data model prediksi untuk menebak nilai dari attribut consequent. Attribut

consequent merupakan attribut yang menentukan class dari data yang memiliki

attribut antecedent tertentu.

(ii) Tahap Pembuatan Model Prediksi dan Proses Prediksi

Pembuatan model prediksi dibangun dengan decision tree. Decision tree

dibangun mulai dari root node, dimana pemilihannya dilakukan dengan

perhitungan gain ratio dari masing atribut dari dataset. Gambaran umum dari

pembuatan model prediksi dan proses prediksi yang dilakukan oleh (Chang,2007)

ditunjukkan pada Gambar 2.6 dan Gambar 2.7.

Gambar 2.6 ditunjukkan bahwa input dari proses pembangunan decision

tree adalah data training dari input akan dilakukan sebuah proses pembangunan

decision tree, pada proses penentuan class label leaf node menggunakan

mayoritas kelas dan output yang dihasilkan adalah sebuah model prediksi dengan

sebuah decision tree. Gambar 2.7 menunjukkan proses prediksi, proses prediksi

dilakukan dengan memasukkan data test dan model prediksi yang telah dihasilkan

dari proses Gambar 2.6, selanjutnya data test dimasukkan pada model prediksi

dan akan dihasilkan sebuah hasil prediksi yang akan mengkategorikan apakah

sebuah aksi akan menghasilkan high defect atau low defect.

19

STOP

Masukkan data test pada

model prediksi

Masukkan Data test

(attribute sebuah action)

Kategori (High defect

atau low defect)yang

dihasilkan oleh model

prediksi

Proses pembuatan

decision tree

START

Model prediksi yang

terdiri atas sebuah

decision tree

Input Data training

Penentuan class label leaf node

menggunakan mayoritas kelas

Gambar 2.6 Proses Pembangunan Model

Prediksi dengan Single Decision Tree

Gambar 2.7 Proses Prediksi dengan

Single Decision Tree

2.5 Contoh Work Breakdown Structure Proyek AMS-COMFT

Attendance Management System for the Customs Office of the Ministry of

Finance of the Republic of China, Taiwan (AMS-COMFT) adalah system

manajemen kehadiran untuk kantor bea cukai kementrian keuangan Republik

Cina, Taiwan dimana dalam AMS-COMFT terdapat manajemen jadwal, libur, dan

manajemen permintaan overtime, analisa kartu waktu dan pelaporan (Chang,

2008). Proyek tersebut terdiri dari tujuh paket kerja terbagi dalam 22 tugas

terjadwal seperti ditunjukkan dalam Tabel 2.4, dimana nomer yang ditunjukkan

dalam kurung menunjukkan ID work package atau task. Gambar 2.8

menunjukkan hubungan antara aksi dengan work package dimana aksi berfungsi

sebagai operasi dasar yang digunakan untuk menjalankan planned steps yang ada

pada task dari masing-masing work package.

Tabel 2.4 Work Breakdown Structure dari Proyek AMS-COMFT (Chang, 2008)

20

Work Package Tasks

(18) Project Monitor & Control (04) Project Management

(14) Project Planning

(22) Requirements Development (RD)

(24) RD Review

(26) Preliminary Design (PD)

(28) PD Review

(30) Detailed Design (DD)

(06) System Engineering

(42) DD Review

(74) Database Subsystem (DBS)

Development

(67) General Attendance Management

(GAM) Subsystem Development

(71) User Request Management (URM)

Subsystem Development

(79) Time Card Collection (TCC) Subsystem

Modification

(12) Software Development

(82) Software Integration & Testing

(02) System Integration (10) H/S Integration & Testing

(86) Hardware Resource (14) Resources

(90) Software Resource

(62) H/S Purchase (10) Purchase

(65) H/S Integration & Testing

(46) Requirement Management (REQM)

(50) Quality Assurance (QA)

(55) Configuration Management

(04) Project Support

(58) Training

21

Gambar 2.8 Bagian Work Breakdown Structure pada Tabel 2.4 dengan Work

Package Software Development dan Task Database Subsystem

(DBS) Development

Dari Tabel 2.4 misal diambil contoh pada work package software

development dan task database subsystem (DBS) development dan dimisalkan

terdapat dua planned steps yaitu sa1 (database design) dan sa2 (create stored

procedure) dan sebuah aksi a1 (database design) yang digunakan untuk

melaksanakan sa1 seperti yang ditunjukkan pada Gambar 2.8. Pada Gambar 2.8

terlihat bahwa terdapat sa2 yang belum dieksekusi oleh aksi sehingga sebelum sa2

dieksekusi, maka aksi (a2= create stored procedure) yang akan digunakan untuk

mengeksekusi sa2 dapat dilakukan proses prediksi dengan asumsi sudah terdapat

model prediksi, karena aksi yang direncanakan akan mengeksekusi sa2 yang

berada pada WBS maka action statenya adalah terjadwal.

Action type a2 adalah pembuatan modul baru karena pada sa2 dapat

diasumsikan bertujuan untuk membuat stored procedure yang merupakan

subsistem dari database. Action complexity dari a2 bergantung dari sudut pandang

pengembang, jika dianggap tidak terlalu mudah dan tidak terlalu sulit maka action

complexity dapat bernilai sedang. Karena a2 merupakan rencana aksi yang timbul

bukan karena R atau D maka untuk caused typenya adalah general action. Object

22

type pada a2 yaitu database. Jika diperkirakan waktu untuk mengerjakan a2 adalah

12 jam maka nilai dari effort expected adalah 12 jam.

Action originator a2 adalah manajer dengan asumsi bahwa orang yang

punya inisiatif supaya aksi itu dikerjakan adalah manajer proyek. Action target

dari a2 adalah coding karena pembuatan stored procedure bisa dipastikan

menggunakan PL-SQL. Number of object a2 dapat bernilai berapapun sesuai

dengan objek yang terpengaruh dengan adanya rencana aksi a2 dan jenis objek

sesuai dengan object type, jika asumsikan dengan adanya a2 maka yang

terpengaruh adalah sebuah database dan sebuah aplikasi maka nilai number of

object dari a2 adalah 2. Task status dapat bernilai sesuai jadwal jika task tersebut

dikerjakan sesuai dengan jadwal yang telah dibuat.

Task effort estimated merupakan waktu yang dibutuhkan untuk

menyelesaikan task database subsystem (DBS) development jika diasumsikan

effort expected a1 adalah waktu 24 jam maka total waktu untuk menyelesaikan

task database subsystem (DBS) development adalah jumlah effort expected a1 dan

a2 yaitu 36 jam. Task action dari task database subsystem (DBS) development

adalah satu seperti yang ditunjukkan pada Gambar 2.8 dimana hanya terdapat

sebuah action performed yaitu a1. Jika selama pelaksaan task database subsystem

(DBS) development tidak terdapat aksi yang dimodifikasi maka task modification

bernilai 0. Task creations merupakan nilai total dari aksi yang sudah dijalankan

pada task database subsystem (DBS) development dimana action type bernilai N,

jika pada a1 action type bernilai N maka task creations pada task database

subsystem (DBS) development bernilai 1.

Task reaction dan task D action dari task database subsystem (DBS)

development bernilai 0 jika selama pelaksanaan a1 tidak menghasil aksi R dan D,

dan task H defect juga bernilai 0 jika selama pelaksanaan a1 tidak menghasilkan

high defect. Karena belum terdapat cacat selama pelaksaan a1 maka nilai dari task

defect effort adalah 0. Task progress merupakan waktu yang sudah digunakan

selama melaksanakan task database subsystem (DBS) development dibagi dengan

seluruh waktu yang dibutuhkan untuk menyelesaiakan task database subsystem

(DBS) development, jika untuk mengerjakan a1 waktu yang sudah digunakan

adalah 20 jam maka task progress dari task database subsystem (DBS)

23

development adalah 20/36 = 0.55 jam. Sehingga nilai dari a2 yang akan diprediksi

secara keseluruhan adalah seperti ditunjukkan pada Tabel 2.5. Tabel 2.5 Nilai dari a2 yang Akan Diprediksi Sebelum Menjalankan sa2

ID Attribut Nilai

1 Action state 0 : terjadwal

2 Action type N : membuat modul baru 3 Caused type - : general action

4 Action complexity 5 : sedang

5 Object type 2 : database

6 Effort expected 12 jam

7 Action originator 3 : manajer

8 Action target 4 : coding

9 Number of object 2

10 Task status 0 : sesuai jadwal 11 Task effort estimated 36 jam

12 Task action 1

13 Task modification 0 14 Task creation 1

15 Task reaction 0

16 Task D action 0

17 Task H defect 0

18 Task defect effort 0

19 Task progress 0.55

2.6 Klasifikasi

Proses klasifikasi mengolah input berupa kumpulan data. Setiap data

memiliki himpunan attribut x dan kategori kelas y. Pada klasifikasi, data yang

memiliki attribut x dipetakan atau diprediksi nilai y-nya. Model prediksi

merupakan bagian yang bertugas untuk melakukan proses klasifikasi atau prediksi

nilai kategori kelas y berdasarkan nilai attribut x, seperti yang ditunjukkan pada

gambar 2.9

Model prediksi memiliki dua fungsi, yaitu fungsi penggambaran dan

fungsi peramalanPada fungsi penggambaran, model prediksi berfungsi

menggambarkan object – object yang memiliki kelas tertentu. (Tan, Steinbach,

dan Kumar, 2006). Sebagai contoh, model prediksi dapat digunakan untuk

menggambarkan perbedaan antara jenis kendaraan yang berbeda, misalnya antara

24

mobil dengan truk berdasarkan ciri – ciri mobil dan truk.. Fungsi peramalan dari

model prediksi menyatakan bahwa model prediksi digunakan untuk meramalkan

kelas dari sebuah data yang kelasnya (nilai attribut y) belum diketahui bila attribut

yang lain (nilai attribut x) diketahui.

Gambar 2.9 Proses Prediksi atau Klasifikasi Sebuah Data

Untuk membangun model prediksi dari dataset input, digunakan teknik

klasifikasi. Contoh dari teknik klasifikasi antara lain SVM, jaringan syaraf tiruan,

fuzzy, dan lain - lain. Model prediksi yang dibangun dari teknik klasifikasi harus

mampu mengklasifikasikan data training dengan baik dan dapat memprediksi

class label dari data baru yang belum diketahui sebelumnya berdasarkan nilai

attribut x-nya.

Gambar 2.10 Bagan dari Proses Pembuatan Model Prediksi

25

Gambar 2.10 menunjukkan tahap – tahap pembuatan model prediksi Pada

Gambar 2.10 ditunjukkan bahwa pembuatan model prediksi terdiri atas dua tahap.

Tahap pertama adalah tahap induksi, di mana training set diolah menggunakan

learning algorithm atau teknik klasifikasi. Learning algorithm mempelajari

training set dan menghasilkan learn model atau model prediksi. Model prediksi

kemudian digunakan untuk melakukan peramalan. Pada tahap ini model prediksi

digunakan untuk meramalkan class label dari data telah diketahui attribut –

attributnya (nilai attribut x) selain attribut class label (nilai attribut y).

Performa dari model prediksi dapat diukur menggunakan beberapa

metrik. Metrik yang umum digunakan adalah akurasi dan error rate

prediksiseluruhbanyaknya

benarprediksibanyaknyaakurasi

__

__= ......................................................(2.1)

prediksiseluruhbanyaknya

salahprediksibanyaknyarateerror

__

___ = .................................................(2.2)

2.7 Decision tree

Decision tree merupakan sebuah teknik klasifikasi yang menggunakan tree

untuk membangun model prediksinya (Tan, Steinbach dan Kumar, 2006). Gambar

2.11 menunjukkan struktur sebuah decision tree. Seperti yang ditunjukkan pada

Gambar 2.11, sebuah decision tree terdiri atas

1) Root node

Node yang tidak memiliki edge yang mengarah pada dirinya

2) Internal node

Node yang memiliki sebuah edge yang mengarah pada dirinya dan dua atau

lebih edge yang mengarah keluar

3) Leaf node

Node yang memiliki satu edge yang menuju ke dirinya dan tidak memiliki

edge yang menuju keluar

26

Gambar 2.11 Struktur dari Decision Tree

Proses pembuatan decision tree dilakukan dengan menggunakan

pengembangan dari algoritma Hunt. Pada algoritma Hunt, sebuah decison tree

dibangun secara rekursif menggunakan pendekatan greedy dengan membagi data

training menjadi subset yang lebih murni. Misalkan Dt merupakan himpunan data

training yang menjadi elemen node t dan Y = {Y1, Y2,...,Yk} merupakan class

label. Algoritma Hunt yang digunakan untuk membangun decision tree :

1) Step1

Jika semua elemen Dt tergolong satu kelas Yt, maka t merupakan leaf node

dengan class label Yt

2) Step 2

Jika Dt berisi data yang termasuk pada beberapa kelas, sebuah attribute test

condition dipilih untuk mempartisi Dt menjadi subset yang lebih kecil.

Sebuah child node dibuat untuk setiap outcome attribut test condition dan

elemen Dt didistribusikan berdasar nilai outcomenya. Untuk tiap child yang

terbentuk, algoritma Hunt dilakukan lagi secara rekursif

Jika data memiliki beberapa attribut, maka attribut yang digunakan untuk

mempartisi dataset adalah attribut yang menghasilkan gain atau selisih impurity

terbesar. Gain dihitung dengan

27

∑=

−=∆k

jj

j VIN

VNparentI

1

)()(

)( (2.3)

Dengan ∆ adalah gain, I(parent) adalah impurity dataset sebelum diplit, N(Vj)

adalah banyaknya elemen dataset pada child ke j dan N adalah banyaknya elemen

dataset dan I(Vj) adalah impurity dari child ke j.

Pengukuran impurity untuk setiap node dilakukan dengan rumus berikut.

∑−

=

−=1

0

2 )|(1c

i

tipgini (2.4)

∑−

=

−=1

02 )|(log)|(

c

i

tiptipentropy (2.5)

)|(1_ tiperroricationMisclassif −= (2.6)

Dengan )|( tip merupakan proporsi class tertentu pada sebuah node. Pengukuran

impurity dilakukan dengan salah salah satu metrik gini, entropy atau

misclassification error.

Berikut ini contoh pembuatan decision tree. Data training yang

digunakan ditunjukkan pada Tabel 2.6.

Tabel 2.6 Data Training untuk Pembuatan Decision Tree

X Y Z Banyaknya class C1 Banyaknya class C2

0 0 0 5 40 0 0 1 0 15

0 1 0 10 5

0 1 1 45 0

1 0 0 10 5

1 0 1 25 0

1 1 0 5 20

1 1 1 0 15

Split data training dapat dilakukan dengan variabel X, Y atau Z. Gambar

2.12 menunjukkan dataset yang displit menggunakan ketiganya

28

Gambar 2.12 Partisi Dataset dengan Attribut X, Y dan Z

Attribute yang digunakan untuk melakukan split level 1 adalah attribute

yang menghasilkan gain terbesar. Gain terbesar didapatkan dari attribute yang

menghasilkan child dengan impurity terkecil. Jika menggunakan metrik impurity

misclassification error, impurity terkecil dihasilkan bila dataset dipartisi dengan

attribute Z yaitu 0,3

Partisi cabang 0 dari Z dapat dilakukan dengan attribut yang tersisa, yaitu

X dan Y. Gambar 2.13 menunjukkan hasil partisi cabang 0 dari Z menggunakan

attribut X dan Y

Gambar 2.13 Partisi Cabang 0 dari Z dengan Attribut X dan Y

Attribute yang digunakan untuk melakukan split cabang 0 dari Z adalah

attribute yang menghasilkan gain terbesar atau misclassification error terkecil

yaitu attribut Y dengan nilai 0,3

Partisi cabang 1 dari Z dapat dilakukan dengan attribut yang tersisa, yaitu

X dan Y. Gambar 2.14 menunjukkan hasil partisi cabang 1 dari Z menggunakan

attribut X dan Y

29

Gambar 2.14 Partisi Cabang 1 dari Z dengan Attribut X dan Y

Attribute yang digunakan untuk melakukan plit cabang 1 dari Z adalah

attribute yang menghasilkan gain terbesar atau misclassification error terkecil

yaitu attribut Y dengan nilai 0,3. Decision tree yang telah jadi ditunjukkan pada

Gambar 2.15 Decision Tree Dua Level yang Telah Jadi

Leaf node diklasifikasikan sebagai class mayoritas dari dataset yang

menjadi isi leaf node. Sebagai contoh, pada leaf node cabang 0 dari Y, karena

banyaknya data dengan class label C2 melebihi data dengan class label C1 maka

setiap data yang masuk pada leaf node tersebut diklasifikasikan sebagai C2

2.8 Ensemble Method

Untuk meningkatkan akurasi dari proses klasifikasi, salah satu cara yang

dapat dilakukan adalah menggunakan model prediksi yang terdiri atas banyak

classifier (Tan, Steinbach dan Kumar, 2006). Teknik ini dinamakan ensemble

method. Ensemble method membangun model prediksi yang terdiri atas banyak

classifier dan melakukan proses klasifikasi dengan melakukan voting hasil

prediksi classifier – classifiernya. Ada syarat yang harus dipenuhi oleh ensemble

30

method agar memberikan hasil yang lebih baik dari classifier tunggal, yaitu

classifier – classifiernya harus independen satu dengan yang lain dan performa

classifier penyusunnya harus lebih baik dari tebakan random.

Terdapat beberapa cara untuk mengimplementasikan ensemble method.

Salah satunya adalah dengan memanipulasi training set. Pada pendekatan ini,

training set dibuat dengan melakukan Sampling pada training set asli secara

berulang – ulang. Classifier – classifier penyusun model prediksi dibangun dari

training set buatan menggunakan algoritma learning tertentu.

Bagging merupakan salah satu teknik yang mengimplementasikan metode

manipulasi training set. Bagging atau sering disebut bootstrap aggregating

merupakan teknik untuk membuat classifier menggunakan data training baru dari

training set asli dengan teknik sampling with replacement menggunakan uniform

probability distribution. Setiap data training buatan, disebut juga bootstrap,

berukuran sama dengan data training asli. Sampling with replacement berarti

bahwa pada saat sampling, setiap data yang diambil sebagai sample dari data

training asli dapat diambil lagi sebagai sample pada pengambilan sample

berikutnya. Uniform probability distribution berarti bahwa setiap sample dari data

training asli memiliki kemungkinan yang sama untuk diambil. Secara rata – rata,

setiap bootstrap mengandung 63% data training asli karena setiap elemen data

training memiliki peluang 1 – (1 – 1/N)N untuk dipilih sebagai sample, dengan N

adalah ukuran data training.

Algoritma Bagging :

1. For i = 1 to k do // K adalah banyaknya bootstrap

2. Buat sebuah bootstrap sample Di berukuran N

3. Buatlah sebuah classifier Ci menggunakan bootstrap sample Di

4. End for

5. ∑ ==i

iy

yxCxC ))((maxarg)(* δ

6. ( 1(.) =δ ) jika argumennya bernilai true dan sebaliknya

Algoritma bagging adalah algoritma pembuatan ensemble classifier

menggunakan metode bagging. Mula – mula ditentukan dulu banyaknya

bootstrap atau classifier yang akan dibuat yang ditunjukkan pada baris 1. Pada

baris 2 sampai 5, untuk setiap iterasi dilakukan pembuatan bootstrap

31

menggunakan teknik Sampling with replacement dengan uniform probablity

distribution. Dari bootstrap yang didapatkan pada setiap iterasi, dibuat sebuah

classifier untuk masing – masing bootstrap. Model prediksi yang terbentuk terdiri

atas banyak classifier. Jika terdapat data yang akan diklasifikasikan atau

diprediksi class labelnya, maka proses klasifikasi dilakukan dengan melakukan

voting dari classifier – classifier penyusun model prediksi

2.9 Cost Sensitive Learning

Cost sensitive learning merupakan salah satu teknik pembangunan model

yang dalam prosesnya memperhitungkan misclassification cost. Misclassification

cost merupakan kerugian yang ditanggung karena ada data yang gagal

diklasifikasikan ke kelas tertentu atau penalti jika mengklasifikasikan sebuah data

yang sebenarnya termasuk suatu class menjadi class yang lain. C(i, j)

menotasikan cost function yang berarti penalti jika mengklasifikasikan sebuah

data yang sebenarnya berasal dari class i menjadi class j (Tan, Steinbach dan

Kumar, 2006). Dengan demikian, C(+, -) menyatakan cost atau penalti jika

melakukan false negative error, sedangkan C(-, +) menyatakan cost atau penalti

jika melakukan false alarm.

Dari sekumpulan data training, cost total dari dari sebuah model prediksi

C(M) yang dibangun dari data training tersebut adalah

C(-,-) x TN + C(+,-) x FN + C(-,+) x FP + C(+,+) x TP = C(M) .......................(2.7)

Dengan TP merupakan banyaknya data positif yang diklasifikasi positif, FP

merupakan banyaknya data negatif yang diklasifikasi positif, FN merupakan

banyaknya data positif yang diklasifikasi negatif dan TN merupakan banyaknya

data negatif yang diklasifikasi negatif. Pada umumnya, nilai C(+,+) dan C(-,-)

adalah 0 karena tidak ada penalti jika model prediksi melakukan prediksi dengan

benar. Dengan demikian, persamaan 2.10 dapat disederhanakan menjadi

C(+,-) x FN + C(-,+) x FP = C(M) .....................................................................(2.8)

Pada kasus decision tree, cost sensitive learning dapat diintegrasikan pada

algoritma decision tree menggunakan beberapa cara (1) dimasukkan sebagai

kriteria pemilihan attribut yang digunakan untuk melakukan split data training (2)

32

menentukan apakah subtree akan dipangkas (3) memanipulasi bobot dari data

training sehingga algoritma decision tree akan menghasilkan tree dengan total

cost paling rendah (4) memodifikasi aturan pengambilan keputusan class pada

leaf node decision tree

Pada pendekatan terakhir, proses pembuatan decision tree dilakukan

seperti biasa. Namun, setelah tree terbentuk, proses penentuan class label dari leaf

node tidak dilakukan dengan menggunakan class mayoritas isi leaf node. Metode

penentuan class label dari leaf node dilakukan dengan memberikan class label

pada leaf node yang memberikan cost paling kecil.

Untuk memperjelas konsep di atas, dapat digunakan contoh sebagai

berikut. Pada sebuah leaf node dari decision tree terdapat 10 class + dan 100 class

-. Dengan menggunakan algoritma decision tree biasa, maka leaf node tersebut

akan diklasifikasikan sebagai class -, karena class – merupakan class mayoritas

pada leaf node tersebut. Jika menggunakan cost sensitive learning, hasilnya bisa

berbeda. Bila diketahui bahwa C(-,-) = C(+,+) = 0, C(+,-) = 20 dan C(-,+) = 1,

maka cost mengklasifikasikan leaf node sebagai – adalah 200 (berasal dari cost

mengklasifikasikan 10 data dengan class + menjadi -) dan cost

mengklasifikasikan leaf node sebagai + adalah 100 (berasal dari cost

mengklasifikasikan 100 data dengan class - menjadi +). Karena cost

mengklasifikasikan leaf node sebagai + kurang dari cost mengklasifikasikan leaf

node sebagai -, maka leaf node diklasifikasikan sebagai +.

2.10 Metrik Uji Coba

Metrik yang digunakan untuk mengukur performa model prediksi adalah

accuracy dan recall (Chang,2007). Hasil dari pengukuran metrik yaitu berupa

prosentase dimana semakin tinggi persentase yang dihasilkan oleh accuracy dan

recall berarti kontribusi yang diajukan memberikan hasil yang baik namun jika

semakin rendah prosentase yang dihasilkan oleh accuracy dan recall berarti

kontribusi yang diajukan memberikan hasil yang kurang baik. Persamaan

accuracy dan recall ditunjukkan pada persamaan 2.5 dan 2.6 dimana T, F, P dan

N menggambarkan true, false, positive, dan negative, secara berurutan. Dalam

penelitian (Chang,2007) terdapat empat notasi yang digunakan yaitu TP, TN, FP,

33

FN. Huruf pertama akan bernilai T jika hasil prediksi sama dengan data asli yaitu

jika terdapat suatu aksi yang sebenarnya high defect diprediksi sebagai high defect

dan jika terdapat suatu aksi yang sebenarnya low defect diprediksi sebagai low

defect dan akan bernilai F jika sebaliknya. Sedangkan huruf kedua akan bernilai P

jika hasil prediksi menghasilkan high defect dan akan menghasilkan nilai N jika

hasil prediksi menghasilkan low defect. Dalam penelitian ini digunakan konversi

ke notasi lain untuk lebih mempermudah dimana TP = HH, TN = LL, FP = LH,

FN = HL.

Accuracy merupakan metrik untuk mengukur performa model prediksi

dalam memprediksi jenis defect yang dihasilkan data test secara keseluruhan.

%100xHLLHLLHH

LLHHaccuracy

++++= .....................................................(2.9)

Recall merupakan metrik untuk mengukur performa model prediksi dalam

mendeteksi action yang sebenarnya high defect.

%100xHLHH

HHrecall

+= ..................................................................(2.10)

HH adalah banyaknya data tes yang sebenarnya high defect dan diprediksi

high defect oleh model prediksi. LL adalah banyaknya data test yang low defect

dan diprediksi low defect oleh model prediksi. LH merupakan banyaknya data test

yang sebenarnya low defect namun diprediksi high defect oleh model prediksi. HL

merupakan banyaknya data test yang high defect namun diprediksi low defect oleh

model prediksi.

Penggunaan ensemble classification tree bertujuan untuk meningkatkan

accuracy model prediksi, sedangkan penggunaan cost sensitive learning bertujuan

untuk meningkatkan recall model prediksi.