Failures prediction approach in agile software development

Dissertant

al-Ajalin, Balqis Thani Muhammad

Thesis advisor

al-Harub, Aishah

University

Isra University

Faculty

Faculty of Information Technology

Department

Department Software Engineering

University Country

Jordan

Degree

Master

Degree Date

2020

Arabic Abstract

يعد التنبؤ بفضل البرمجيات نشاطا مهما أثناء تطوير البرمجيات الرشيقة حيث يمكن أن يساعد المديرين على تحديد وحدات الفشل.

و بالتالي، يمكن أن تقلل من وقت الاختبار و التكلفة و تعيين موارد الاختبار بكفاءة.

للتأكد من احتمال فضل تطوير البرنامج في مستوى معين هناك طريقتان تستخدمان في هذا العمل، Support Vector Machine ( SVM ) لتحديد العوامل التي تؤدي إلى الفشل، و لتحديد المتغيرات التابعة و المستقلة تم استخدام معامل الارتباط ( CC ).

في هذا البحث، تم استخدام RapidMiner Studio94 لتنفيذ جميع الخطوات المطلوبة من إعداد البيانات الأولية إلى تصور النتائج و تقييم المخرجات، و كذلك التحقق منها وتحسينها في بيئة موحدة.

تم استخدام مجموعتي بيانات في هذا العمل، و تشير نتائج المجموعة الأولى إلى أن النسبة المئوية للفشل في التنبؤ بالوقت المستخدم في الاختبار هي لجميع الصفوف البالغ عددها 181 صفا، و لجميع أوقات الاختبار المسجلة، و هي 3% لمتوسط الوقت بين الإخفاقات MTBF ).

) حيث حقق SVM نجاحا بنسبة %97 في التنين مقارنة بالأعمال السابقة التي أشارت نتائجها إلى أن استخدام وقت التأخير الإداري ( ADT ) حقق معدل نجاح إجمالي ذو دلالة إحصائية بنسبة 93.5% في الوقت نفسه، تشير نتيجة مجموعة البيانات الثانية إلى أن النسبة المئوية للفشل في التنبؤ بالوقت المستخدم أو التجربة في الاختبار هي لجميع الصفوف 1091، لجميع أوقات الاختبار المسجلة، 1.5% لـ MTBF، حقق SVM توقع 98.5%

English Abstract

Software failure prediction is an important activity during agile software development as it can help managers to identify the failure modules.

Thus, it can reduce the test time, cost and assign testing resources efficiently.

To ensure that the development of the software is likely to fail in a specific level, there are two techniques are used in this work, Support Vector Machine (SVM) to determine the factors leading to failure, and to define the dependent and independent variables the correlation coefficient (CC) has been used.

RapidMiner Studio9.4 has been used to perform all the required steps from preparing the primary data to visualizing the results and evaluating the outputs, as well as verifying and improving them in a unified environment.

Two datasets are used in this work, the results for the first one indicate that the percentage of failure to predict the time used in the test is for all 181 rows, for all test times recorded, is 3% for Mean time between failures (MTBF).

Whereas, SVM achieved a 97% success in predicting compared to previous work whose results indicated that the use of Administrative Delay Time (ADT) achieved a statistically significant overall success rate of 93.5%.

At the same time, the second dataset result indicates that the percentage of failure to predict the time used or experiment in the test is for all 1091 rows, for all test times recorded, is 1.5% for MTBF, SVM achieved 98.5% prediction.

Main Subjects

Information Technology and Computer Science

Topics

• Algorithms
• Agile software development

No. of Pages

56

Table of Contents

• APA
• MLA
• AMA

Language

English

Data Type

Arab Theses

Record ID

BIM-988683