SOFTWARE DEFECT PREDICTION MENGGUNAKAN MACHINE LEARNING : Implementasi Decision Tree, Random Forest, dan XGBoost

NAMA PENULIS : Okky Prasetia, S.Kom., M.Kom , Syaeful Machfud, S.Kom., M.Kom , Dimas Abisono Punkastyo, S.Kom., M.Kom
ISBN : Proses
JUMLAH HALAMAN : 170 Halaman
UKURAN : 15,5 x 23 cm
SINOPSIS : Perangkat lunak telah menjadi bagian penting dalam hampir seluruh aspek kehidupan, mulai dari sistem pemerintahan, industri, pendidikan, kesehatan, hingga layanan digital sehari-hari. Seiring meningkatnya kompleksitas perangkat lunak, risiko munculnya software defect juga semakin besar. Kesalahan yang tidak terdeteksi sejak tahap pengembangan dapat menyebabkan penurunan kualitas sistem, meningkatnya biaya pemeliharaan, bahkan kegagalan operasional yang berdampak pada pengguna.
Buku "Software Defect Prediction Menggunakan Machine Learning: Implementasi Decision Tree, Random Forest, dan XGBoost" membahas secara komprehensif bagaimana teknik Machine Learning dapat dimanfaatkan untuk memprediksi potensi cacat perangkat lunak secara lebih cepat dan akurat. Materi disusun secara sistematis mulai dari konsep dasar Software Engineering, Software Quality Assurance, Software Defect Prediction, hingga pengenalan algoritma Decision Tree, Random Forest, dan XGBoost.
Selain teori, buku ini menyajikan implementasi lengkap menggunakan dataset Playground Series Season 3 Episode 23 yang dikembangkan berdasarkan karakteristik NASA Metrics Data Program (NASA MDP). Pembaca akan mempelajari tahapan eksplorasi data, preprocessing, pembagian data, pelatihan model, evaluasi menggunakan berbagai metrik seperti Accuracy, Precision, Recall, Specificity, F1-Score, MCC, dan AUC-ROC, analisis Feature Importance, Learning Curve, hingga pengujian signifikansi statistik menggunakan Wilcoxon Signed-Rank Test. Setiap tahap dijelaskan secara bertahap sehingga mudah dipahami oleh mahasiswa maupun peneliti yang baru mempelajari Machine Learning.
Buku ini juga membahas analisis kesalahan (Error Analysis), perbandingan dengan penelitian terdahulu, serta interpretasi hasil untuk menentukan model terbaik berdasarkan berbagai aspek evaluasi. Dengan pendekatan yang sistematis dan berorientasi pada praktik, buku ini tidak hanya membantu pembaca memahami teori, tetapi juga memberikan panduan implementasi yang dapat diterapkan pada penelitian maupun pengembangan sistem prediksi cacat perangkat lunak.
Buku ini sangat sesuai digunakan sebagai referensi bagi mahasiswa, dosen, peneliti, praktisi perangkat lunak, maupun pengembang sistem yang ingin memperdalam penerapan Machine Learning dalam bidang Software Engineering, khususnya Software Defect Prediction. Diharapkan buku ini dapat menjadi jembatan antara konsep teoritis dan implementasi nyata sehingga mampu mendukung pengembangan perangkat lunak yang lebih berkualitas, andal, dan efisien.