Model prediksi fault-proneness dapat digunakan untuk mengidentifikasi kelas mana saja yang rawan memiliki fault di suatu aplikasi Android. Sehingga, pada saat pengujian unit dilakukan, para penguji dapat memanfaatkan model prediksi tersebut untuk memfokuskan pengujiannya terhadap kelas yang rawan memiliki fault saja. Dalam pembuatan model prediksi tersebut diperlukan features yang berupa nilai-nilai yang merepresentasikan kualitas dari kelas-kelas penyusun pada aplikasi tersebut. Object-oriented metrics dapat digunakan sebagai features dari model prediksi tersebut. Namun, hanya metrics yang memiliki pengaruh terhadap fault-proneness yang dapat digunakan sebagai features dari model prediksi tersebut. Penelitian tugas akhir ini dilakukan untuk mengetahui bagaimana kombinasi object-oriented metrics dalam kasus ini, CK metrics yang paling optimal untuk dijadikan features pada model prediksi fault-proneness di aplikasi messaging Signal Android berbasis Java. Hal ini didasari karena kombinasi metrics yang paling optimal dan digunakan sebagai features untuk model prediksi fault-proneness di suatu kelas pada penelitian Malhotra R [1] belum tentu optimal jika diuji dengan menggunakan data yang berasal dari aplikasi Android non-built-in atau berasal dari Google Play Store. Pendekatan yang dilakukan untuk mengatasi masalah ini yaitu dengan melakukan penelitian yang sejenis dengan yang dilakukan Malhotra R namun menggunakan studi kasus yang berbeda. Tahapan yang dilakukan yaitu penentuan aplikasi Android non-built-in, pengumpulan data CK metrics untuk setiap kelas pada aplikasi Android terpilih dan klasifikasinya apakah termasuk kelas yang fault-proneness, preprocessing data, analisis korelasi antar CK metrics menggunakan metode Spearman correlation, analisis univariate dan multivariate logistic regression, dan pelaksanaan eksperimen. Hasil eksperimen menunjukkan bahwa CK metrics yang berpengaruh atau memiliki hubungan dengan fault-proneness dan dapat digunakan sebagai features untuk model prediksi fault-proneness yaitu metrics WMC, DIT, RFC, CBO, dan LCOM. Sedangkan, untuk kombinasi CK metrics paling optimal yang digunakan sebagai feature pada model prediksi fault-proneness yaitu kombinasi metrics DIT dan WMC dengan dengan akurasi 78.50% pada data uji versi v4.61, 78.46% pada data uji versi v4.62, dan 78.48% pada data uji versi v4.63. Kata kunci: fault-proneness, CK metrics, model prediksi, features, akurasi, kombinasi metrics.

Fault-proneness prediction model can be used to identify which classes are prone to having faults in an Android application. When the tester does the unit test, it helps a software tester to only test the classes which prone to having fault. In building this predictive model, features are needed in the form of values that represent the quality of the classes in the application. Object-oriented metrics can be used as a feature of the prediction model. However, only the related metrics to fault-proneness can be used as a feature of the prediction model. This research was conducted to find the most optimal combination of object-oriented metrics, in this case, CK metrics, as a feature in fault-proneness prediction model in a signal messaging Android application. This research is based on a previous research conducted by Malhotra [1]. However, it did not test the predictive model on non-built-in Android application. The procedure is as follow: determine non-built-in Android application, data collection for CK metrics for each class in selected Android application with its classification whether the class is fault-proneness, preprocessing data, correlation analysis for each CK metrics using Spearman correlation method, univariate and multivariate analysis using logistic regression method, and conducting experiments. The experimental result show that CK metrics which can be used as the feature of fault-proneness prediction models are WMC, DIT, RFC and LCOM. Meanwhile, the optimal combination of CK metrics used as a feature of the prediction model is the combination between DIT and WMC with an accuracy of 78.50% on the test data version v4.61, 78.46% on the test data version v4.62, and 78.48% on the test data version v4.63. Keywords: fault-proneness, CK metrics, prediction model, features, accuracy, combination of metrics.

http://digilib.polban.ac.id/gdl.php?mod=browse&op=read&id=jbptppolban-gdl-dedechandr-13062