Analisis klaster modul perangkat lunak berdasarkan kompleksitas dan cacat berbasis Gaussian Mixture Model

Info proyek

• Bidang studiInformatika dan Sistem Informasi
• JenjangDisertasi (S3)
• Jenis metodeKlasterisasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn GaussianMixture, bic, predict_proba
• HargaRp 450.000 - Rp 2.800.000

Tujuan analisis

Mengelompokkan modul perangkat lunak berdasarkan kompleksitas siklomatik dan kepadatan cacat dengan Gaussian Mixture Model, lalu menafsirkan karakteristik tiap kelompok yang terbentuk.

Variabel

Contoh hasil

• 3Components
• 4031.656BIC
• -7.054Avg log-likelihood
• 0.673Silhouette
• 0.998Mean confidence
• 0.702ARI vs. true groups

Gaussian Mixture memilih 3 komponen lewat BIC (4031.7) untuk Modul perangkat lunak dan Kompleksitas siklomatik; rata-rata keyakinan penugasan 0.998.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Gaussian Mixture Model

Gaussian Mixture Model memodelkan data sebagai campuran beberapa distribusi normal dan memberi probabilitas keanggotaan tiap klaster. Cocok untuk klaster yang tumpang tindih dan berbentuk elips ketika penugasan lunak diperlukan.

Langkah pengerjaan

1. 1Standarisasi fitur numerik
2. 2Latih GMM untuk beberapa jumlah komponen
3. 3Pilih jumlah komponen dengan BIC atau AIC
4. 4Latih model akhir dan ambil probabilitas keanggotaan
5. 5Periksa rerata, kovarians, dan bobot komponen
6. 6Plot klaster dan kurva BIC

Asumsi yang perlu diperiksa

• Data tiap klaster mendekati distribusi normal
• Jumlah komponen dipilih dengan kriteria informasi
• Hasil EM bergantung pada inisialisasi sehingga perlu beberapa percobaan

Membaca dan melaporkan hasil

Laporkan jumlah komponen terpilih lewat BIC, bobot, dan profil tiap komponen. Tunjukkan probabilitas keanggotaan untuk titik yang ambigu bila relevan.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.mixture import GaussianMixture
from sklearn.datasets import make_blobs
from sklearn.preprocessing import StandardScaler

X, _ = make_blobs(n_samples=500, centers=3, cluster_std=[1.0, 1.5, 0.8], random_state=18)
X = StandardScaler().fit_transform(X)
cyclomatic_complexity = X[:, 0]
defect_density = X[:, 1]

ks = range(1, 8)
bic = []
for k in ks:
    g = GaussianMixture(n_components=k, covariance_type="full", n_init=5, random_state=18).fit(X)
    bic.append(g.bic(X))
    print("k =", k, "BIC =", round(bic[-1], 1))

best_k = list(ks)[int(np.argmin(bic))]
gmm = GaussianMixture(n_components=best_k, covariance_type="full", n_init=5, random_state=18).fit(X)
software_module = gmm.predict(X)
prob = gmm.predict_proba(X)
print("Chosen k:", best_k, "weights:", gmm.weights_.round(3))
print("Ambiguous points (max prob < 0.8):", int((prob.max(axis=1) < 0.8).sum()))

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].plot(list(ks), bic, marker="o"); ax[0].set_xlabel("Components"); ax[0].set_ylabel("BIC")
ax[1].scatter(cyclomatic_complexity, defect_density, c=software_module, s=15)
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum