ANALISIS STRATEGI PEMBOBOTAN PADA LOSS FUNCTON UNTUK KLASIFIKASI KEBUTUHAN PERANGKAT LUNAK DALAM AGILE USER STORY MENGGUNAKAN BERT

Muhammad Fahshon Hakim, NIM.: 23206051019 (2026) ANALISIS STRATEGI PEMBOBOTAN PADA LOSS FUNCTON UNTUK KLASIFIKASI KEBUTUHAN PERANGKAT LUNAK DALAM AGILE USER STORY MENGGUNAKAN BERT. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

	Text (ANALISIS STRATEGI PEMBOBOTAN PADA LOSS FUNCTON UNTUK KLASIFIKASI KEBUTUHAN PERANGKAT LUNAK DALAM AGILE USER STORY MENGGUNAKAN BERT) 23206051019_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (6MB)
	Text (ANALISIS STRATEGI PEMBOBOTAN PADA LOSS FUNCTON UNTUK KLASIFIKASI KEBUTUHAN PERANGKAT LUNAK DALAM AGILE USER STORY MENGGUNAKAN BERT) 23206051019_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (13MB) | Request a copy

Abstract

Ketidakseimbangan kelas pada klasifikasi kebutuhan perangkat lunak dalam Agile User Story memerlukan evaluasi yang memperhatikan performa kelas mayoritas dan minoritas. Penelitian ini menganalisis strategi pembobotan pada Cross-Entropy dan Focal Loss menggunakan BERT-base-uncased. Dataset terdiri atas 10.006 user story berbahasa Inggris dengan delapan kelas, yaitu satu kelas functional requirements (FR) dan tujuh kategori non-functional requirements (NFR). Sepuluh konfigurasi dibentuk dari dua fungsi loss dan lima kondisi: tanpa pembobotan, static, inverse-frequency, serta class-balanced weighting dengan beta 0,999 dan 0,9999. Static merupakan pengali loss seragam 0,25, sedangkan inverse-frequency dan class-balanced menggunakan bobot berdasarkan frekuensi kelas pada data pelatihan. Parameter dasar mengikuti konfigurasi terbaik penelitian acuan dan dipertahankan sama. Macro F1 digunakan sebagai metrik utama, dilengkapi Accuracy, Weighted F1, Matthews Correlation Coefficient (MCC), metrik per kelas, dan confusion matrix. Cross-Entropy dengan class-balanced beta 0,999 menghasilkan skor agregat tertinggi pada run yang diamati: Macro F1 0,8907, Accuracy 0,9341, Weighted F1 0,9344, dan MCC 0,8840. Focal Loss menghasilkan Macro F1 lebih tinggi daripada Cross-Entropy pada kondisi tanpa pembobotan dan inverse-frequency, sedangkan Cross-Entropy lebih tinggi pada static dan kedua kondisi class-balanced. Inverse-frequency mengurangi kesalahan NFR menjadi FR, tetapi meningkatkan kesalahan FR menjadi NFR. Hasil menunjukkan bahwa hubungan antara fungsi loss dan performa bergantung pada strategi pembobotan, dengan respons kelas yang tidak seragam.

Share this knowledge with your friends :

Actions (login required)

View Item