Yazılım test süreçlerinde hata kritiklik seviyelerinin makine öğrenmesi yöntemleriyle belirlenmesi
Determining defect criticality levels in software testing processes using machine learning methods
- Tez No: 1024799
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖNDER ŞAHİNASLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Maltepe Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, yazılım test süreçlerinde tespit edilen hata kayıtlarının kritiklik seviyelerinin makine öğrenmesi yöntemleriyle otomatik olarak belirlenmesi amaçlanmıştır. Yazılım geliştirme yaşam döngüsünde test süreci, yazılım kalitesinin sağlanması, hataların erken tespit edilmesi ve çözüm önceliklerinin doğru belirlenmesi açısından önemlidir. Ancak hata kritiklik seviyelerinin çoğunlukla test uzmanları tarafından manuel olarak atanması, tecrübe ve yorum farklılıkları gibi insan kaynaklı nedenlerle tutarsızlıklara yol açabilmektedir. Çalışma kapsamında, bir e-ticaret mobil uygulamasına ait yazılım test süreçlerinde oluşturulan hata kayıtları kullanılmıştır. Çalışmada Support Vector Machine, Naive Bayes, Random Forest, Decision Tree, XGBoost ve LightGBM algoritmaları karşılaştırılmıştır. Ayrıca sınıf dengesizliğinin model performansı üzerindeki etkisini azaltmak amacıyla Easy Data Augmentation yöntemi uygulanmıştır. Elde edilen sonuçlar, sınıf dengesizliğinin özellikle az örnekli Blocker sınıfının tahmin başarısını olumsuz etkilediğini göstermiştir. Easy Data Augmentation yöntemi sonrasında ise modellerin azınlık sınıflarındaki performansında belirgin iyileşmeler elde edilmiştir. Deneyler sonucunda, XGBoost algoritmasının hem Macro F1 hem de Blocker sınıfı F1-skoru açısından en başarılı model olduğu belirlenmiştir. Sonuç olarak, makine öğrenmesi yöntemlerinin hata kritiklik seviyelerinin daha tutarlı, hızlı ve objektif biçimde belirlenmesine katkı sağlayabileceği görülmüştür.
Özet (Çeviri)
In this study, it was aimed to automatically determine the criticality levels of defect records identified in software testing processes using machine learning methods. In the software development life cycle, the testing process is important for ensuring software quality, detecting defects at an early stage, and determining solution priorities accurately. However, the fact that defect criticality levels are mostly assigned manually by test specialists may lead to inconsistencies due to human-related factors such as experience and differences in interpretation. Within the scope of the study, defect records generated during the software testing processes of an e-commerce mobile application were used. In the study, Support Vector Machine, Naive Bayes, Random Forest, Decision Tree, XGBoost, and LightGBM algorithms were compared. In addition, the Easy Data Augmentation method was applied to reduce the effect of class imbalance on model performance. The results showed that class imbalance negatively affected the prediction performance, especially for the minority Blocker class. After Easy Data Augmentation, significant improvements were obtained in the performance of the models for minority classes. As a result of the experiments, the XGBoost algorithm was determined to be the most successful model in terms of both Macro F1 and the F1-score of the Blocker class. Consequently, it was observed that machine learning methods can contribute to determining defect criticality levels in a more consistent, faster, and objective manner.
Benzer Tezler
- Bağlam farkındalıklı otomatik kod inceleme: Bilgi haritaları ve dinamik uzman yönlendirmesi
Context-aware automated code review: Knowledge maps and dynamic expert routing
BÜŞRA İÇÖZ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKSEL BİRİCİK
- DC04 otomotiv sacının hidromekanik yöntem ile şekillendirilebilirliğinin sonlu elemanlar yöntemi ve deneysel olarak incelenmesi
Investigation of formability of DC04 sheet metal by hydroforming method by finite elements and experimentation
OSMAN ANKET
Doktora
Türkçe
2011
Makine MühendisliğiBalıkesir ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İRFAN AY
- Yazılım geliştirme süreçlerinde büyük dil modelleri ile hata şiddetinin tahmin edilmesi
Predicting error severity in software development processes using large language models
REŞİT DEMİR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN GÜNDÜZ
- Çevik yazılım test süreçlerinde risk analizi çalışması
Risk analysis study in agile software test processes
IŞILAY PAMUK CANDAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TÜLAY KORKUSUZ POLAT
- Makine öğrenmesi yöntemleri ile yazılım hata miktarlarının tahmin edilmesi
Predicting software defect quantities with machine learning methods
SELAHATTİN GÜRER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHaliç ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ALTINTAŞ KAHRİMAN