Deteksi Duplikasi Laporan Bug Berbasis Klasifikasi Menggunakan Arsitektur Single-Instance dan Two-Stage Pairwise

Muhammad Hariish Hafiiz, Dr.techn. Guntur Budi Herwanto, S.Kom., M.Cs.

2026 | Skripsi | ILMU KOMPUTER

Deteksi duplikasi laporan bug umumnya menggunakan arsitektur pairwise yang membandingkan setiap pasangan laporan, sehingga biaya inferensinya tumbuh linear seiring ukuran korpus dan kurang skalabel. Arsitektur Single-Instance dan strategi Two-Stage ditawarkan sebagai alternatif yang lebih efisien, namun validitas dan efektivitasnya belum diuji secara empiris. Penelitian ini membandingkan kedua arsitektur tersebut terhadap baseline pairwise pada dataset Eclipse. Arsitektur Single-Instance menilai laporan tunggal melalui fusi fitur leksikal, semantik, dan metadata, dengan kompleksitas inferensi yang tidak bergantung pada jumlah laporan historis dalam repositori, sedangkan rangkaian Two-Stage memadukan tahap retrieval dengan SBERT yang di-fine-tune dan tahap klasifikasi pasangan (retrieve-then-classify). Evaluasi menggunakan F1, Recall@K, dan biaya inferensi. Hasil menunjukkan rangkaian Two-Stage mencapai F1 0,9700 dengan biaya inferensi sekitar 1,81 detik per laporan, dan arsitektur Single-Instance mencapai F1 0,8943 dengan biaya sekitar 12 milisekon per laporan. Keduanya jauh lebih hemat daripada baseline yang membutuhkan sekitar 147,9 detik per laporan pada korpus 7.215 laporan. Rangkaian Two-Stage bahkan melampaui kualitas baseline yang mencapai F1 0,9052. Rangkaian Two-Stage memberikan keseimbangan kualitas dan efisiensi terbaik, sedangkan Single-Instance lebih sesuai untuk korpus berskala besar.

Duplicate bug report detection commonly relies on a pairwise architecture that compares every pair of reports, causing inference cost to grow linearly with corpus size and limiting scalability. Single-Instance and Two-Stage architectures have been proposed as more efficient alternatives, yet their validity and effectiveness remain empirically untested. This study compares both architectures against a pairwise baseline on the Eclipse dataset. The Single-Instance architecture classifies a single report through the fusion of lexical, semantic, and metadata features, with inference complexity that is independent of the number of historical reports in the repository, whereas the Two-Stage pipeline combines a retrieval stage using a fine-tuned SBERT with a pairwise classification stage (retrieve-then-classify). Evaluation uses F1, Recall@K, and inference cost. The results show that the Two-Stage pipeline achieves an F1 of 0.9700 with an inference cost of about 1.81 seconds per report, while the Single-Instance architecture achieves an F1 of 0.8943 with a cost of about 12 millisecond per report. Both are far more efficient than the baseline, which requires about 147.9 seconds per report on a corpus of 7,215 reports. The Two-Stage pipeline even surpasses the quality of the baseline, which reaches an F1 of 0.9052. Overall, the Two-Stage pipeline offers the best balance of quality and efficiency, while the Single-Instance architecture is better suited for large-scale corpora.

Kata Kunci : Deteksi Duplikasi Laporan Bug, Klasifikasi, Arsitektur Single-Instance, Arsitektur Two-Stage, SBERT, Skalabilitas Inferensi