Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

Grey Wolf Optimizer untuk Seleksi Fitur pada Deteksi Kecacatan Perangkat Lunak

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 2 (2026) · pp. 273–282

DOI
10.25126/jtiik.2026131
ISSN
2528-6579, 2355-7699
Published
2026-04-30
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
id
License
creativecommons.org/licenses/by-sa/4.0

Abstract

Bahasa Indonesia

Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Meskipun prediksi kecacatan dapat mengoptimalkan waktu pengembangan, menurunkan biaya, dan meningkatkan kepuasan pelanggan, efektivitasnya sangat bergantung pada pemilihan fitur yang relevan untuk model klasifikasi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset dari NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi fitur berbasis GWO secara konsisten meningkatkan performa SVM dibandingkan penggunaan semua fitur, serta secara signifikan mengungguli metode berbasis GA, PSO, dan FFA pada seluruh dataset. Abstract Software defect detection plays a crucial role in identifying potentially faulty components before failures occur. While defect prediction can optimize development time, reduce costs, and enhance customer satisfaction, its effectiveness largely depends on selecting the most relevant features for classification models. This study evaluates the application of the Grey Wolf Optimizer (GWO) for feature selection in software defect detection using a Support Vector Machine (SVM) and compares its performance with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Firefly Algorithm (FFA). The evaluation, conducted on 12 datasets from the NASA Metrics Data Program (NASA MDP), incorporates the Synthetic Minority Oversampling Technique (SMOTE) to address class imbalance. Results show that GWO-based feature selection consistently improves SVM performance over using all features and significantly outperforms GA-, PSO-, and FFA-based approaches across all datasets.

English

Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Meskipun prediksi kecacatan dapat mengoptimalkan waktu pengembangan, menurunkan biaya, dan meningkatkan kepuasan pelanggan, efektivitasnya sangat bergantung pada pemilihan fitur yang relevan untuk model klasifikasi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset dari NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi fitur berbasis GWO secara konsisten meningkatkan performa SVM dibandingkan penggunaan semua fitur, serta secara signifikan mengungguli metode berbasis GA, PSO, dan FFA pada seluruh dataset. Abstract Software defect detection plays a crucial role in identifying potentially faulty components before failures occur. While defect prediction can optimize development time, reduce costs, and enhance customer satisfaction, its effectiveness largely depends on selecting the most relevant features for classification models. This study evaluates the application of the Grey Wolf Optimizer (GWO) for feature selection in software defect detection using a Support Vector Machine (SVM) and compares its performance with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Firefly Algorithm (FFA). The evaluation, conducted on 12 datasets from the NASA Metrics Data Program (NASA MDP), incorporates the Synthetic Minority Oversampling Technique (SMOTE) to address class imbalance. Results show that GWO-based feature selection consistently improves SVM performance over using all features and significantly outperforms GA-, PSO-, and FFA-based approaches across all datasets.

Keywords

Collaboration network of the authors

23 authors · 44 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Institut Teknologi Sepuluh Nopember
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Agus Zainal ArifinInstitut Teknologi Sepuluh Nopember2
Imam KuswardayanInstitut Teknologi Sepuluh Nopember2
Ratri Enggar PaweningAffiliation unknown1
Tio DarmawanInstitut Teknologi Sepuluh Nopember1
Rizqa Raaiqa BintanaInstitut Teknologi Sepuluh Nopember1
Nursuci Putri HusainInstitut Teknologi Sepuluh Nopember1
Nursanti Novi ArisaInstitut Teknologi Sepuluh Nopember1
Putri Nur RahayuInstitut Teknologi Sepuluh Nopember1
Yuna SugianelaInstitut Teknologi Sepuluh Nopember1
Qonita Luthfia SutinoAffiliation unknown1
Joko Lianto BulialiInstitut Teknologi Sepuluh Nopember1
Giri WiriapradjaAffiliation unknown1
Supria SupriaInstitut Teknologi Sepuluh Nopember1
Wijayanti Nurul KhotimahInstitut Teknologi Sepuluh Nopember1
Ridho Rahman HariadiInstitut Teknologi Sepuluh Nopember1
Imaduddin Al FikriInstitut Teknologi Sepuluh Nopember1
Deny Prasetia HermawanInstitut Teknologi Sepuluh Nopember1
Musta'inul AbdiInstitut Teknologi Sepuluh Nopember1
Ari Mahardika Ahmad NafisInstitut Teknologi Sepuluh Nopember1
Hadziq FabroyirInstitut Teknologi Sepuluh Nopember1
Matthew Vieri SuriawanInstitut Teknologi Sepuluh Nopember1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Grey Wolf Optimizer untuk Seleksi Fitur pada Deteksi Kecacatan Perangkat Lunak</dc:title>
	<dc:title xml:lang="en">Grey Wolf Optimizer untuk Seleksi Fitur pada Deteksi Kecacatan Perangkat Lunak</dc:title>
	<dc:creator xml:lang="id">Siswantoro, Muhammad Zain Fawwaz Nuruddin</dc:creator>
	<dc:creator xml:lang="id">Herumurti , Darlis</dc:creator>
	<dc:creator xml:lang="en">Siswantoro, Muhammad Zain Fawwaz Nuruddin</dc:creator>
	<dc:creator xml:lang="en">Herumurti , Darlis</dc:creator>
	<dc:subject xml:lang="id">seleksi fitur</dc:subject>
	<dc:subject xml:lang="id">deteksi kecacatan perangkat lunak</dc:subject>
	<dc:subject xml:lang="id">GWO</dc:subject>
	<dc:subject xml:lang="id">SVM</dc:subject>
	<dc:subject xml:lang="en">seleksi fitur</dc:subject>
	<dc:subject xml:lang="en">deteksi kecacatan perangkat lunak</dc:subject>
	<dc:subject xml:lang="en">GWO</dc:subject>
	<dc:subject xml:lang="en">SVM</dc:subject>
	<dc:description xml:lang="id">Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Meskipun prediksi kecacatan dapat mengoptimalkan waktu pengembangan, menurunkan biaya, dan meningkatkan kepuasan pelanggan, efektivitasnya sangat bergantung pada pemilihan fitur yang relevan untuk model klasifikasi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset dari NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi fitur berbasis GWO secara konsisten meningkatkan performa SVM dibandingkan penggunaan semua fitur, serta secara signifikan mengungguli metode berbasis GA, PSO, dan FFA pada seluruh dataset.
 
Abstract
Software defect detection plays a crucial role in identifying potentially faulty components before failures occur. While defect prediction can optimize development time, reduce costs, and enhance customer satisfaction, its effectiveness largely depends on selecting the most relevant features for classification models. This study evaluates the application of the Grey Wolf Optimizer (GWO) for feature selection in software defect detection using a Support Vector Machine (SVM) and compares its performance with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Firefly Algorithm (FFA). The evaluation, conducted on 12 datasets from the NASA Metrics Data Program (NASA MDP), incorporates the Synthetic Minority Oversampling Technique (SMOTE) to address class imbalance. Results show that GWO-based feature selection consistently improves SVM performance over using all features and significantly outperforms GA-, PSO-, and FFA-based approaches across all datasets.</dc:description>
	<dc:description xml:lang="en">Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Meskipun prediksi kecacatan dapat mengoptimalkan waktu pengembangan, menurunkan biaya, dan meningkatkan kepuasan pelanggan, efektivitasnya sangat bergantung pada pemilihan fitur yang relevan untuk model klasifikasi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset dari NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi fitur berbasis GWO secara konsisten meningkatkan performa SVM dibandingkan penggunaan semua fitur, serta secara signifikan mengungguli metode berbasis GA, PSO, dan FFA pada seluruh dataset.
 
Abstract
Software defect detection plays a crucial role in identifying potentially faulty components before failures occur. While defect prediction can optimize development time, reduce costs, and enhance customer satisfaction, its effectiveness largely depends on selecting the most relevant features for classification models. This study evaluates the application of the Grey Wolf Optimizer (GWO) for feature selection in software defect detection using a Support Vector Machine (SVM) and compares its performance with Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Firefly Algorithm (FFA). The evaluation, conducted on 12 datasets from the NASA Metrics Data Program (NASA MDP), incorporates the Synthetic Minority Oversampling Technique (SMOTE) to address class imbalance. Results show that GWO-based feature selection consistently improves SVM performance over using all features and significantly outperforms GA-, PSO-, and FFA-based approaches across all datasets.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-04-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8476</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026131</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 2: April 2026; 273-282</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 2: April 2026; 273-282</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.132</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8476/1563</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Muhammad Zain Fawwaz Nuruddin Siswantoro, Darlis Herumurti</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>