Memperbaiki C4.5
Memperbaiki Use Case Points
Memperbaiki
Tahapan Penelitian
Literature review is a critical and in-depth evaluation of previous research (Shuttleworth, 2009) (https://explorable.com/what-is-a-literature-review). A good literature review evaluates the quality and findings of previous research (State-of-the-Art Methods).
Traditional Review
Systematic Literature Review or Systematic Review
Systematic Mapping Study (Scoping Study) 4. Tertiary Study
Paper dari Journal
Paper dari Book Chapter
Paper dari Conference (Proceedings) 4. Thesis dan Disertasi
Report (Laporan) dari Organisasi yang Terpercaya
Buku Textbook
Seorang peneliti yang baik tidak akan mengubah bidang penelitian yang dilakukan karena itu membentuk kompetensi dan jalur yang esensial.
Penentuan Bidang Penelitian
Untuk mempercepat pembelajaran, temukan survey paper berbentuk Tertiery Study (SLR dari SLR), karena isinya sudah
Lanjutkan penentuan topik penelitian dengan menemukan suvey/review paper (SLR, SMS), karena survey/review paper
Penentuan Topik Penelitian
Untuk mempercepat pembelajaran, carilah tugas survey Studi Tersier (SLR dari SLR), karena isinya sudah ada. Dari “kertas survei” yang Anda temukan, carilah hingga Anda mendapatkan semua “kertas teknis” yang tercantum dalam daftar referensi. Scan puluhan/ratusan/ribuan artikel yang diambil, pilih artikel jurnal yang terindeks SCOPUS/ISI selama 3 tahun terakhir, dan garis besar permasalahan penelitian pada artikel tersebut.
Pilihlah satu atau dua masalah penelitian yang menurut kita menarik dan menantang, lalu jadikan masalah tersebut.
Penentuan Masalah Penelitian
There are noisy data points in the software defect datasets that cannot be confidently assumed to be erroneous using such a simple method (Gray, Bowes, Davey, & Christianson, 2011). Software failure prediction performance is improved when irrelevant and redundant attributes are removed (Wang, Khoshgoftaar, & Napolitano, 2010). The software failure prediction performance drops significantly because the dataset contains noisy attributes (Kim, . Zhang, Wu, & Gong, 2011).
Software defect datasets have an unbalanced nature with very few defective modules compared to defect-free ones (Tosun, Bener, Turhan, & Menzies, 2010). Imbalance can lead to a model that is not practical for software defect prediction because most cases will be predicted as non-defect prone (Khoshgoftaar, Van Hulse, & Napolitano, 2011). Metode untuk prediksi nilai tukar yang saat ini diwana adalah regression lines, neural network and support vector machine.
Keunggulan mesin support vector adalah mampu menyelesaikan permasalahan B (pada regresi linier) dan D (pada jaringan syaraf tiruan). Lampu lalu lintas yang ada bersifat statis (waktu tetap) sehingga tidak dapat mengatasi kepadatan kendaraan pada waktu yang berbeda-beda. Neural network terbukti memiliki kinerja yang baik dalam menangani data berukuran besar seperti data perkiraan harga saham, namun memiliki kelemahan dalam pemilihan arsitektur jaringan yang harus dilakukan dengan cara trial and error sehingga tidak efisien dan menyebabkan hasil peramalan tidak akurat.
Bagaimana meningkatkan akurasi dan efisiensi jaringan saraf jika pemilihan arsitektur jaringan diotomatisasi menggunakan algoritma genetika. Algoritma K-Means merupakan algoritma clustering yang populer karena efisien secara komputasi, namun memiliki kelemahan pada kesulitan dalam menentukan K optimal dan tidak efisien secara komputasi ketika menangani data yang besar (Zhao, 2010). Lakukan tinjauan pustaka, pahami semua makalah penelitian yang tujuannya memecahkan masalah yang sama dengan yang kita pilih.
Perangkuman Metode Yang Ada
The level of development (such as a device, procedure, process, technique or science) achieved at any. The state of the art in this field is mostly related to the ABC technology.
Menzies Framework
Lessmann Framework
Song
Penentuan Metode Yang Diusulkan
Dari hasil perangkuman method yang ada. literature review), we have to find Research Gaps yang akan menjadi Kandidat Masalah. Noisy feature predictors and unbalanced class distribution of software defect data sets result in inaccuracy of classification models. Neural network and support vector machine have strong fault tolerance and strong ability for nonlinear dynamic processing of software error data, but the feasibility of neural network and support vector machine is limited due to difficulty in choosing appropriate parameters.
Dataset prediksi kegagalan perangkat lunak memiliki dimensi yang tinggi, memiliki atribut noise, dan kelas yang tidak seimbang sehingga menyebabkan penurunan akurasi prediksi kegagalan perangkat lunak. Algoritma pemilihan fitur manakah yang memiliki kinerja terbaik dalam menyelesaikan masalah atribut noise pada prediksi kegagalan perangkat lunak. Algoritma meta-learning manakah yang memiliki kinerja terbaik dalam menyelesaikan masalah ketidakseimbangan kelas dengan memprediksi kegagalan perangkat lunak.
Bagaimana kombinasi algoritma pemilihan fitur dan metode metalearning terbaik mempengaruhi keakuratan prediksi kerusakan perangkat lunak.
A Hybrid Particle Swarm
Optimization based Feature Selection and Bagging
Technique for Software
Defect Prediction (PSOFS+B)
Evaluasi Metode Yang Diusulkan
Apply the clustering technique and train the classifier on the largest training set based on the selected feature subset and kernel type. Although there are two classifiers that have no significant differences (P > 0.05), the results have shown that the remaining eight classifiers have significant differences (P < 0.05).
Penulisan Ilmiah dan Publikasi Hasil Penelitian
No Journal Publications SJR Q Category
Topik Penelitian Software Engineering
Untuk mempercepat pembelajaran, temukan survey paper berbentuk Tertiery Study (SLR dari
Lanjutkan penentuan topik penelitian dengan menemukan suvey/review paper (SLR, SMS),
Cari Tertiery Study di Bidang Software Engineering
Setelah memahami beberapa topik penelitian di bidang rekayasa perangkat lunak Studi Tersier (SLR by SLR). Langkah selanjutnya kita kumpulkan seluruh SLR dengan kata kunci tematik seperti pada makalah Kajian Tersier (SLR by SLR).
Cari SLR dari Topik Penelitian yang Dipilih
Tinjauan literatur sistematis Pengalihdayaan perangkat lunak Pengembangan perangkat lunak global Arsitektur perangkat lunak Lini produk perangkat lunak Arsitektur berorientasi layanan Sistem adaptif mandiri Upaya perangkat lunak Estimasi prediksi kerusakan perangkat lunak Perbaikan proses perangkat lunak Pemeliharaan perangkat lunak Pengujian perangkat lunak Konstruksi Perangkat Lunak Persyaratan desain perangkat lunak Rekayasa. Rekayasa Perangkat Lunak Global Metode dan teknik pengembangan dan pelayanan perangkat lunak dengan lingkungan dan sumber daya yang tersebar di berbagai negara. Rekayasa Persyaratan Metode dan teknik pengumpulan persyaratan dalam proses pengembangan Perangkat Lunak Sistem Adaptif Mandiri dengan fitur otonom dan perbaikan mandiri.
Arsitektur perangkat lunak Metode dan teknik untuk mengembangkan arsitektur perangkat lunak untuk mengurangi kompleksitas: arsitektur model-view-controller, arsitektur perusahaan, dll. Arsitektur berorientasi layanan Metode dan teknik untuk mengembangkan dan memelihara perangkat lunak sebagai layanan (software as a service (SaaS) dan nya proses pengiriman ke pengguna Konstruksi perangkat lunak Metode dan teknik konstruksi perangkat lunak meliputi: paradigma pemrograman, pemrograman kode, refactoring, deteksi klon, konvensi kode, dll.
Estimasi biaya perangkat lunak Upaya atau perkiraan biaya (berapa orang dan bulan) pengembangan perangkat lunak, meliputi: titik fungsi, titik kasus penggunaan, atau menggunakan metode pembelajaran mesin Prediksi cacat perangkat lunak Memprediksi kegagalan perangkat lunak dengan menggunakan pendekatan pembelajaran mesin. Desain perangkat lunak Metode dan teknik desain perangkat lunak, termasuk: pola desain, bahasa pemodelan, rekayasa maju dan mundur, pengembangan berbasis model, dll. Metode pemeliharaan perangkat lunak dan teknik pemeliharaan perangkat lunak setelah perangkat lunak dikembangkan. Pengalihdayaan Perangkat Lunak Metode dan teknik untuk pengalihdayaan dan pengembangan serta layanan perangkat lunak luar negeri, termasuk: strategi dan parameter pemilihan pemasok, dll.
Perbaikan Proses Perangkat Lunak Peningkatan Proses, Siklus, Metodologi dan Model Pengukuran Kematangan Proses Pengembangan Perangkat Lunak. Lini Produk Perangkat Lunak Metode dan teknik untuk mengembangkan dan mengklasifikasikan produk perangkat lunak yang memiliki karakter dan tujuan yang sama. Pengujian Perangkat Lunak Metode dan Teknik Pengujian Perangkat Lunak untuk Berbagai Jenis Pengujian dan Tinjauan Literatur Sistematis Platform Penelitian Mengatasi Satu Topik Penelitian 92 dalam Rekayasa Perangkat Lunak.
Jangan memilih topik karena pekerjaan Anda saat ini, tapi karena topik tersebut menarik (passion itu ada) dan bisa kita eksplorasi (bukan misi yang mustahil). Pilih topik yang kumpulan datanya tersedia untuk umum sehingga kami tidak perlu kesulitan menemukan kumpulan data untuk eksperimen kami. Pilihlah topik yang bisa kita lakukan dengan laptop yang kita miliki sekarang, kecuali kita mendapat hibah penelitian yang besar untuk membeli infrastruktur penelitian.
