KLASIFIKASI ULASAN APLIKASI PADA TOKO APLIKASI BERGERAK DENGAN MEMANFAATKAN ISSUE TRACKER GITHUB

Authors

  • Joko Prasetyo Teknik Informatika, Institut Teknologi Sepuluh Nopember
  • Daniel Oranova Siahaan Teknik Informatika, Institut Teknologi Sepuluh Nopember
Views: 793 Downloads: 586 DOI: https://doi.org/10.12962/j24068535.v15i2.a666

Abstract

Dengan semakin maraknya aplikasi untuk perangkat begerak, membuat para pengembang harus berkompetisi untuk membuat aplikasi sesuai dengan keinginan pengguna. Ulasan pengguna pada suatu aplikasi, adalah salah satu cara untuk mencapainya. Terdapat penelitian yang memanfaatkan ulasan tersebut, yaitu  rekomendasi fitur aplikasi untuk pengembang. Penelitian tersebut mengekstraksi fitur aplikasi dari suatu ulasan dan mengklasifikasi kedalam dua tipe, yaitu laporan kesalahan atau permintaan fitur. Pada proses klasifikasi, dataset yang dipakai berasal dari hasil penelusuran ulasan toko aplikasi bergerak Google Play dan IOS App Store. Kekurangan dari dataset tersebut adalah perlunya pelabelan manual oleh para ahli, dimana hal tersebut membutuhkan waktu yang tidak sedikit, selain itu data yang dihasilkan tidak terlalu banyak. Sehingga hal tersebut akan berpengaruh pada hasil akurasi. Penelitian ini mengusulkan penggunaan dataset berlabel dari sumber lain yang jumlahnya melimpah, yaitu judul dari issue pada repository perangkat lunak terbuka Github, yang mana dataset tersebut akan digunakan sebagai data latih. Tujuan dari penelitian yang diusulkan adalah untuk mengetahui apakah penggunaan data dari sumber lain dapat dipakai sebagai dataset latih dengan akurasi yang lebih baik atau tidak. Dari hasil penelitian diharapkan keterlibatan ahli dalam proses pelabelan dapat dihilangkan. Selain itu, diharapkan model klasifikasi tersebut dapat digunakan untuk klasifikasi dengan domain yang lebih luas, misalnya klasifikasi perangkat lunak desktop. Metode klasifikasi yang dipakai adalah naïve bayes, karena telah dibuktikan pada penelitian sebelumnya, bahwa metode naïve bayes menghasilkan akurasi yang lebih tinggi daripada decision tree dan Max Ent. Hasil Penelitian menunjukkan bahwa model yang diusulkan menghasilkan precision sebesar 61-69% dan recall sebesar 30-88%

Downloads

Download data is not yet available.

References

A. Finkelstein et al., “App Store Analysis : Mining App Stores for Relationships between Customer , Business and Technical Characteristics,” UCL Res. Note, vol. 14/10, pp. 1–24, 2014.

H. Li, L. Zhang, L. Zhang, and J. Shen, “A user satisfaction analysis approach for software evolution,” 2010 IEEE Int. Conf. Prog. Informatics Comput., vol. 2, no. 2007, pp. 1093–1097, 2010.

P. D. G. Putri and D. O. Siahaan, “EKSTRAKSI FITUR PRODUK DAN BUG POTENSIAL DARI DATA OPINI PENGGUNA,” Institut Teknologi Sepuluh Nopember, 2016.

W. Maalej and H. Nabil, “Bug Report , Feature Request , or Simply Praise ? On Automatically Classifying App Reviews,” 2015.

D. Pagano and W. Maalej, “User feedback in the appstore: An empirical study,” 2013 21st IEEE Int. Requir. Eng. Conf. RE 2013 - Proc., pp. 125–134, 2013.

W. Maalej, Z. Kurtanović, H. Nabil, and C. Stanik, “On the automatic classification of app reviews,” Requir. Eng., vol. 21, no. 3, pp. 311–331, 2016.

M. Bano, “User Involvement in Software Development and System Success : A Systematic Literature Review,” pp. 125–130, 2013.

B. Kitchenham et al., “Systematic literature reviews in software engineering – A tertiary study,” Inf. Softw. Technol., vol. 52, no. 8, pp. 792–805, 2010.

V. V Das, “Involvement of Users in Software Requirement Engineering,” pp. 230–233, 2007.

S. A. Fricker, I. W. Conference, and D. Hutchison, Requirements Engineering : Foundation. 2015.

K. Herzig, S. Just, and A. Zeller, “It ’ s not a Bug , it ’ s a Feature : How Misclassification Impacts Bug Prediction,” no. Section XII.

G. Antoniol, K. Ayari, M. Di Penta, and F. Khomh, “Is it a Bug or an Enhancement ? A Text-based Approach to Classify Change Requests.”

L. Li and X. Jin, “Multi-Domain Active Learning for Text Classification,” 2012.

Q. Lin, S. Liu, Z. Yang, A. Jami, and A. Saxena, “Cross-Domain Text Understanding in Online Social Data,” pp. 1–6, 2014.

D. Jurafsky and J. Martin, H, “Naive Bayes and Sentiment Classification,” 2016.

D. Mining, “Finding Informative Features 36-350:,” vol. 1, no. September, pp. 1–12, 2009

Downloads

Published

2017-07-01

Issue

Vol 15, No. 2, Juli 2017

Section

Articles

License

All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in JUTI unless they receive approval for doing so from the Editor-in-Chief.

JUTI open access articles are distributed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.

How to Cite

[1]
J. Prasetyo and D. O. Siahaan, “KLASIFIKASI ULASAN APLIKASI PADA TOKO APLIKASI BERGERAK DENGAN MEMANFAATKAN ISSUE TRACKER GITHUB”, JUTI, vol. 15, no. 2, pp. 206–213, Jul. 2017, doi: 10.12962/j24068535.v15i2.a666.