TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4685 ~ 4 6 9 1   DOI: 10.115 9 1 /telkomni ka. v 12i6.545 2          4685     Re cei v ed  De cem ber 2 9 , 2013; Re vi sed  March 8, 201 4; Acce pted  March 20, 20 14   Resear ch of the Defect Model Based on Similarity an d  Association Rule      Wanjiang Ha n* 1 , Lixin Jiang 2 , Xiao y a n  Zhang 3 , Tianbo Lu 4 , Sun Yi 5 , Li  Y a n 6 ,  Weijian  Li 7   1,3, 4,5, 6 School Of Soft w a re En gi neer ing, Be iji n g  Univ ersit y   of Posts and T e le communic a tio n    Beiji ng, Chi na    2 Departme n t of Emergenc y R e spo n se, Ch in a Ea rthqu ake  Net w orks C ent er, Beiji ng, Chi n a   7 Internation a l S c hoo l, Beiji ng  Univers i t y   of Post and T e leco mmunicati on   Beiji ng, Ch in a   *Corres p o ndi n g  author, e-ma i l : han w a nj ia ng @bu p t.edu.cn * 1 , jlx @seis.ac.cn  2 , xiao ya n@  bupt.ed u .cn 3 ,  lutb@ bupt.edu.cn 4 , suny isse@ bupt.edu.cn 5 , 542289 70 0 @ qq.com 6 ,   2 0 112 12 922 @ b upt.edu.c n 7       A b st r a ct   In ord e r to  det ect defects  effi ciently  an d  improve  the  qu ali t y of pro ducts,  this p aper  p u ts forw ar d   the co nce p t a b out d e fect cl as sificatio n   mo de l a nd  def ect  a ssociati on  mod e l  by a  l o t of  defect d a ta. T h e   techno lo gy of  similar i ty is a p p lie d to  defect  classifi cati on  mo de l, an d the  ide a  of K now l edg e Disc o ver y  i n   Datab a se is a ppli ed to d e fe ct associatio n  mo del.  D e fec t  classificatio n  mo del c an a naly z e th e d e fect   efficiently a nd  provi des the b a sis of solvi ng  prob le ms qu ick l y w h ile defect  associ ation  mo del ca n be us e d   to detect ear ly and  preve n t pr obl e m , w h ich can  make  e ffective i m pr ove m e n ts to testing a nd d e vel o p m e n t .   T h is pa per  su mme d  u p  GUI  defect  mo de l  base d  o n  a   lar ge  nu mb er of  interface  defec ts. T he mod e l  i s   useful to  i m pr o v e the  accurac y  of forecast a nd b e  us ed for  test pla nni ng  and  i m pl e m e n tation thr o u gh t h e   practice of sev e ral pr ojects.        Ke y w ords : def ect mo del, ass o ciati on rul e , d e fect cla ssificat i on, defect ass o ciati on,si mi lar i ty       Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  With the  rap i d develo p m ent of inform ati on technol ogy, the app lication  of co mpute r   softwa r e i s   more  and m o re  widely.  A variety of information  prod uct s  e m erg ed an d  the   requi rem ents of pro d u c t q uality are al so increa sin g .  By  Analyzing and studying defect s ,  build ing     defect cl assifi cation mo del  and defect  asso ciation  model can h e lp to find so lutions for  si mila r   defect s  q u ickly and effici e n tly, which   provide s   a g ood  exploration to im prov e the q uality of  prod uct. Thi s    pape r d e termine the  defe c t cla s sifi cati on mo del b a sed on  simil a ri ty techniqu es by  a large n u mb er of d e fect d a ta from te sti ng. Me anwhile, it researches de fect associatio n  mod e l  according to  the asso ciati on rul e  theo ry. Thr oug h the defe c t cl a ssifi cation m odel a nd d e fect   asso ciation   model, you  ca n  cla ssif y  and  solve  pro b lem  o n  time. It provide  a  g ood  recomme ndat ion for pro d u c t developm e n t and desi g n.  Durin g  the testing pro c ess, there r  are a   large  of defe c t data, it is  neces sa ry to merg e the  same o r  si milar defe c t to t he same typ e  of  defect fo r u n ify solution  ea sily. And mo re defe c ts   c an be found  by  a spec ial defec t.  So, defec t s   can b e  effecti v e manage d by defect cla s sificatio n  mod e l and defe c t asso ciation m odel [1].  By similar de fect reco gniti on, re peate d   defec t s  o r  ve ry simil a r  def ects can  be  removed  from defe c t li bra r y. Similar pro b lem s  recognition  nee d  to use the  kn owle dge  of n a tural l angu a g e   manag eme n t to identify the simil a ri ty of sent en ce s, so  a s   to achi eve t he pu rp ose  of  cla ssifi cation.  Defect a s sociation analy s is  can in dicate that an em erge nce of de fect may lead  to   one o r  the  other  defe c ts t o  app ear. D ef ect cl assi fication mod e l an d defe c t asso ciate m odel   ca n   improve the q uality of prod ucts a nd give  a better  way  to dis c o very is sues  [2].      2. Related Similarit y  Method  For th e rese arch o n  d e fe ct cl assification mo del, d e f ect de scripti on la ngua ge  need s to  be an alyze d   to determi ne  simila r de scri ptions  of  the defec t, then c l as s i fy defec t  and form  an   effective defe c t  library. Th e re se arch a bout def e c t   simila rity except re co gnize  gene ral  wo rds  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4685 – 4 691   4686 and exp r e s si ons, involve s  lexical  analy s is in p r of e s sional field. T h erefo r e, we n eed to i m pro v e   algorith m  on the ba sis of common  word s simila rity.  Identification   of gen eral  word s n eed  to  cal c ul ate p r i m ary  simila rity of a  sente n ce. F o r  sente n ce simi larity comp uting, the gene ral step s are a s  follows:   (1)  Segmentatio n manag eme n t to stateme n t  (2)  Phra se man a gement to sta t ement, cal c u l ate simila rity about semant ic  (3)  Import synta c tic rule, analy s is  sente n ce stru cture   (4) Cal c ulate  sim ilarity  about  the sem antic  of statement   (5)  For  a fiel d  compo s ed  by  a compl e x senten ce,  cal c ulating  co mpl e x se nten ce s or  sente n ce gro up sem antic  simila rity  For the  seg m entation m anag ement, t here  are  ma ny sop h isti ca te system s  such  as  segm entation  syste m  of i n formatio n re trieval l ab.  F o r the  ma na gement  of th e ph ra se  sh o u ld   focu s on th e mana gem ent of stru ct ural a nalys i s . Then calculate simil a ri ty of the phrase   sema nt ic.   Gene ral state m ents su ch  as gene ral Chine s e  a r e a  of  inform ation  man agem e n t,  there  are m any m e thod s of co mpari ng text simila rity. The ide a s  wo rth lea r nin g . Its analysi s   and  introducing word recognition  in  defect s professional  area   will ma ke us to find a  suitabl e defect  simila rity co mpari s o n  me thod. So that  help to   cla s sify the p r obl em.The follo wing s a r e  so me   s i milarity mothods .   Boolean  mod e l is  used to   cal c ulate th e  simila rity of statement with  fast  spe ed a nd hig h   efficiency. But its calculated  result is  only tw o value s , either the  same  or diffe rent. For   so me   sema ntically  simila r wo rd s, Boolean mo del may give wro ng jud g m ent [3].  TF*IDF used in  the  field of informatio n  retrie val, the  method i s  a  statistical m e thod, only   the num be r o f  wo rds in th e senten ce  that contai n s   a lot of  relate  wo rd s m a y  be repe ated,  the   effects of thi s  stati s tical  method  can  be refle c ted.  TF*IDF met hod s only co nsid er the  word s   statistical pro pertie s  in the  context, without co nsi d e r ing the sem antic informa t ion of the word  its e lf. It als o  has  some limit ations  [4].  Vector  spa c e  model is exp r essed by seq uen ce s state m ents  and  senten ce simil a rity is   cal c ulate d  by calculating t he simil a rity of le xical bet wee n  se que n c e s , whi c h i s  base d  on th eir  sema ntic si mi larity model. It is a good re spo n se to the senten ce  se mantic info rm ation [5-7].   In this  pap er, defect s   sim ilarity co mput ing mo del  ba sed  on  vecto r   spa c e  mod e l was  prop osed.       3. Relate d Associa t ion Rules   Thro ugh  a la rge nu mbe r  of  test data, d e f ec t dist ributi on can b e   su mmed u p .We  applie d   asso ciation  rules of d a ta  mining, a nd  studied   the  r e la tive  d e f ec ts , w h ic h   c a n an a l yz e e ffic i en tly   and prevent p r odu ct defe c ts,then imp r ov e prod uct qu a lity.  Asso ciatio n  rules refle c t the  rel a tion sh ip am ong  data o r  is a  study  whet her th e  gene ration  of  a data  ca n  speculate the   gene ration   of  anothe r d a ta . Data a s so ci ation reflect th e   relation shi p  in Databa se.  The associ ation deg ree  can be exp r esse d throu gh sup p o r t and   confid en ce. T hus, findin g  the rel a tion shi p  amon g  dat a in the tran saction d a taba se i s  the mini ng  purp o ses of a s soci ation rul e  [8-10].   Asso ciatio n rules in a tra n s a c tion data b a se a r e defin ed as follo ws [8-12]:   Defini tion 1-1:  Let  } ，i … ， ，i {i = I n 2 1 be a  colle ction of items, the transactio n   databa se   } t , … , t , {t = D n 2 1 is  a seri es of transactio n s with a  uniqu e  identifier TID.  Each  transactio n  correspon ds to  a sub s et of I.  The colle ctio n of items call ed itemset s .     Defini tion 1-2 : Suppose I I 1 ,  the sup port  of itemset  1 I  in the data set D is the   percenta ge of  I from transa c tion s that co ntain  1 I , that mean s,       support I ‖ t∈D | I⊆t ‖ ‖ D ‖     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of the Defe ct Mo del Base d on  Sim ilarity and  Asso ciation  Rule (Wa n jia ng Ha n)  4687 Defini tion 1-3 : For item set I and tra n sa ction  dat aba se  D, all  meet u s er-spe cified  Minsu ppo rt itemset s  in T, whi c h is grea ter than  or eq ual to Minsup port non empt y subset of I, is   the frequ ent i t emset s  or l a rge item set s . Freq uent  ite m set s  that d o  not in clude  other el eme n ts  from freq uent  itemset is cal l ed maximum   frequent item sets o r  maxi mum itemset.   Defini tion 1-4 : In I and D  , the definition of asso ciati on rul e s, such as  2 1 I I   can   be presented as  credibility    or confidence.  T he so-called of  ru les’ confidence   is the  ratio  o f   numbe r  of tra n sa ction s    th at incl ude 1 I , 2 I  an d the  num be r of transactio n s th at in clu d e 1 I .That   is,      coniden ce I ⇒I s upport I ∪I s upport I     Whe r e  I I , I 2 1 , 2 1 I   I .  Defini tion 1 - 5 :   Strong  a s sociatio n rule s is  asso ciatio n rul e s   with  D o n  I   whi c h meet  minimum  sup port an d mini mum co nfide n ce. Commo nly associ atio n rule s ge ne rally refers to the  stron g  asso ci ation rule s a s  defined ab ove.      4. Defe ct  Cla ssifica tion a nd Ass o ciati on Model   No w, we stu d y a new de fect model,  whi c h is d e ri ved from the  defect analy s is a n d   summ ary. Th is   defe c t mo del pl ays a n   importa nt  rol e   in  the di scovery  of mo re d e fect s. T h e   defect m odel  pro p o s e s  ef ficient imp r ov ement  to th e  develop men t  and te sting  pro c e s s, an d  improve th e  prod uct  qualit y much  bette r. Defe ct mod e l is  con c e r n ed with  apply i ng the  simila rity  theory a nd th e ide a  of  the  Knowl edg e  Discove r y in  Datab a se. It is the  result   of su mming   up  defect di strib u tion, usi ng a s soci ation rul e s a nd a naly z ing  relatio n ship, whi c h   ca n be u s e d  a s   the  theoreti c al ba sis fo r the de ve lopment im provem ent [13-14].     4.1. Defe ct  Classifica tion Model De finition   Defe ct simila rity calculatio n  model is  ba sed o n  vector spa c e mod e l  sho w n in Fig u re 1.                                                       Figure 1. Def e ct Similarity Cal c ulat ion M odel Based o n  the Vector  Space    Defect A  Defect B   Lexi cal  l a bel 、 specialized  v o c abu l a r y an alys is   Sentence  ve ctor A  Sentence  ve ctor B   Calculate weighted  sem a n tic si mil a rity  C a l c ul at e voca bul a r y   si m ilarit y   Defect sim ilari ty   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4685 – 4 691   4688 Firstly, the similarity betwe en defect A and defec t B is defined as a  value in  [0,1], where   0 rep r e s ent s no simila rity, 1 rep r e s ent s compl e tely  si milar, the larger value in di cate s the mo re   simila r they are.   A sente n ce  that states d e fect  is sue ca n  be  exp r essed as a  vecto r   > T ,..., T , T < T n 2 1 ,among whi c h  i T  rep r e s ent s a  single  word after  separate words  manag eme n t in defe c t senten ce s, these  wo rd s a r e mai n ly n oun s, verb s,  adje c tives  and  nume r al s, the se nten ce’ s  sema ntic inf o rmatio n is   d e scrib ed m a i n ly by the p a rt of spee ch o f   these type s o f  word.    The m a in i d e a  of  wo rd-ba s ed  simil a rity  model  is:  Fi rst  cal c ulate   the word s’  semantic  simila rity in the state m ent s, and th en t h rou gh  se m a ntic si milarity  cal c ulate  de fect statem e n t  simila rity, so that the rich sem antic i n form atio n can be taken  into accoun t. The simila rity  betwe en sent ence T and senten ce  ' T can  be obtaine d by their simil a rity matrix ' TT M , a s   sh ow n  in Equation (1).       (1)             Whe r e,  ) ，y s(x i i  rep r ese n ts the semantic  simil a rity of word  i x  and wo rd  i y , each  row of th e m a trix re prese n ts the   sema ntic  simila rity of a  word  in  se nten ce  T  and  ea ch  wo rd i n   sente n ce ' T .  Suppo se n 2 1 w , … , w , w  re spe c tively d enote s  the  wei ghts o f   n 2 1 x , … x , x in  sente n ce T, t a ke  the  maxi mum valu e of  ea ch  ro w  or each colum n  in  the matrix,  that  is  see k i ng  the maximum  sema ntic  si milarity of a word  in  sente n ce T  and e a c h  word in senten ce  ' T . Will  matrix ' TT M  com p ress to one -di m ensi onal, a nd then  we ig hted average s to these m a ximum, as  sho w n in Equ a tion (2 ). So we can get th e weig hted semantic  simil a rity ' TT X betwe en sente n ce  T   and senten ce ' T .  (2)     Acco rdi ng to   the given  sim ilarity, we  ca n det e r min e   simila r type s  of defe c ts, th ereby to   cla ssif y  t he d e f e ct s.     4.2. Defe ct  Associa t ion M odel   Relative a nal ysis i n form s t hat a  happ en ing of o ne  d e fect may i n cur an othe r  or m any  other  defe c ts occu r. Fo r  example, the  pro b lem  of  ‘interfa c e di splayin g ’  is asso ciated with   ‘interface indi cation p r obl e m s’,’ con s i s te ncy pro b lem s ’ and ‘bou nda ry probl ems’.   In order to co nfirm the defe c t asso ciation  m odel and q uantify the defect cla s ses, the test  obje c t’s versi on is define d  as tran sa ctio n set T  and the defect category set is defined as  set I at  first. Then  th e asso ciatio n  defect  ea ch  defec t m o d e l co rrespon ds i s  dete r m i ned. After t h e   transactio n  d a taba se  D is  gene rated  an d the mini mu m su ppo rt de gree  an d mini mum confide n ce     11 1 2 1 21 2 2 2 12 (, ) ( , ) (, ) (, ) ( , ) (, ) (, ) ( , ) (, ) m m TT nn n m sx y s x y sx y sx y s x y sx y M sx y s x y sx y        12 1 1 ( ( m a x ( ( , ), ( , ), ( , )))) ii i i TT i n m i n i w s xy s x y s xy X w  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of the Defe ct Mo del Base d on  Sim ilarity and  Asso ciation  Rule (Wa n jia ng Ha n)  4689 threshold val ue are given ,  by applying  the Ap rio r i  algorith m  the  freque nt item set an d t he  asso ciation rule will be obt ained at la st.   We fo cu s on  the strong a s soci ation rul e s  whi c h  set  D meet s th e rule s fo r m i nimum  sup port de gree and mini m u m confid en ce degree of set I.  Asso ciatio n Rule Minin g  is sea r chin g fo r a pro c e s s sati sfying the minimum  suppo rt  degree a nd  minimum  con f idence deg ree. The  sup p o rt deg ree  a nd confiden ce deg ree a r e  the   one s that are  useful a nd m eanin g ful.  This pa per  will q uantify  different ve rsions  of  ea ch  test  obje c t, and  finally  get the   transactio n  d a taba se D. Then defin e  two thresh olds a s  follo ws:Mini m um  suppo rt de gree  (min_ s u p ) an d Minimum confiden ce  co efficient (min _co n f).  Confid en ce d egre e  mea s u r es the rule’ s   intensity whi l e the supp ort degree me asu r e s   the turn  up  freque ncy  of th e rul e . A la rg er  confid en ce  deg ree  an d  a sm alle r  sup port d e g r ee  can  be appli ed to typical ca se s.   Thus,  step s to determi ne a s soci ation mo del are a s  foll ows:   1)  Determine th e asso ciation  rule X in defe c t cla ssifi cati on datab ase   2)  Ensu re a con d ition that X.suppo rt>=min _ su p   3)  Ensu re a con d ition that X.confiden ce >=mini_conf   At last obtai n  the d e fect  set’s  stron g   re la tion  set whi c h i s  th e def ect a s so ciatio n mod e l  we want.      5. A Cas e  of  GUI De fec t   Model   This pie c e ,a pplying the a nalysi s  model  di scu ssed a bove based o n  a typical GUI’s test  result, con c lu des a  G U I defect model.     5.1. Definitio n  of De fec t   Classify ing   This  step mai n ly focuses  o n  settling a n d   analyzin g th e data source. These dat a, which   is the defe c t set, are the  total defects by usin g sever a l methods  such as  t e s t ing. By fully   analyzi ng the  de scription   of thes e d e fects,  extra c ting the  u s efu l  inform ation,  cla s sifying  and  building  up  th e defe c t m o d e l spe c ie s, calcul ating th e  simila rity of  each two d e fects a c cordin g to  the Equatio n  (1) an d Equ a tion (2). Fi rst  define th e mi nimum  simila rity  Min Sim  and  com b ine t w o  defect s   whi c h simil a rity is larg er th an  Min Sim   ,then  get a minimum def ect cla ssifi cat i on set,  finally, construct a prelimin ary frame of  model [15].  This pie c e m a tche d the d e fect simila rit i es a c cordi n g  to the defect data of G U I test  result. This  defec t set is   } d , … , d , {d = D   n 2 1 ,where n = 5 0 . By applying (1) a nd (2), the   simila rity is calcul ated. we  defined  Min Sim  as 80% in this model. The n  the defe c ts wh ose   simila rity abo ve 80% is  cl assified to o n e  set, form ed  a minimum   defect  cla ssifi cation  set. After   cla ssifie d  the  proble m  types an d pro b l e m distri butio n, calculated  the si mila rity degree, an G U I  defect cl assifi cation tabl e is sho w ed a s  T able 1.       Table 1. GUI Defec t  Clas s i fic a tion  T e r m  Defect  classif i cat i on  1 Interface  displa y   problem   2  Interface indication problem   3 Wrong  characte r  problem   4  Punctuation form at problem   5  Inconformit y  sem antic expression  6 Unreada ble  code s  7 Messy   ver s ions   8 Inconformit y   pict ures  9  Inapprop riate lea r ning problem   10 Sequencing  prob lem  11 Boundar y  pro b lem          Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4685 – 4 691   4690 5.2. Defe ct  Associa t ion M odel   The p r ocess t o  determi ne t he defe c t associatio n mod e l is a p r o c e s s of data mini ng. Set  the p r od uct  versio n  as transactio n   se t T, qu ant ize d   defe c t as  item set I a nd con s truct  a    transactio n   databa se  D. After the thre shol d values of mini mum su ppo rt and minim u m  confid en ce  suppo rt a r e  gi ven, frequ ent  item  se ts a nd a s so ciatio n rul e   will b e  ge nerated  by  applying Ap ri ori a r ithmetic.  We fo cu s on  the strong  a s soci ation rul e  whi c h i s  th e rule  satisfying  the minimum  sup port an d minimum con f idence co efficient D o n  I.  This pa per q uantized  26 v e rsi o n s  of  th e te st   obje c t and obtain e d   tran sa ction  databa se  D. Two threshold value s  a r e define d  as  fo llows acco rding to previo us expe rien ces.   a)  Minimum sup port deg re e (min_sup ) = 3 8 %  b)  Minimum con f idence co efficient de gre e  (min_conf)  = 6 8 %  37 rule s are  obtained by  using Apri ori arithm etic. In orde r to facilitate the analysi s   results, the  d i git re sults  were tu rne d  to  be  spe c ific  probl em s. Th en ba se d o n  the con s trai nts  su ch as  a strong asso ciati on  rule sh oul d  in clud e a  m i nimum  su pp ort de gree  which  is 38%  a nd a  minimum  co n f idence de gre e  which  is 68 %, decid e  wh ether th e o u tput a s sociati on rule i s   stro ng  asso ciation rule, result is showed in Fig u re 2 [16].           Figure 2. Re sult on Asso ci ation Rul e       The ho rizont al axis rep r e s ent s the qu antize d  rule  while the vertical axis re p r esents  confid en ce d egre e  or  sup port de gre e . In Figure  2, 2 2  stro ng a s sociatio n rule s are obtai ned  by  cal c ulatin g th e outp u t satisfying mi n_sup a nd  min_ conf. F o r the  asso ciatio n  rule  of ’inte rface   displ a y pro b l e m’ =>’inte rface i ndi catio n  pro b lem’ , it’ s  confide n ce  is 70%, the  suppo rt deg re e is   43%, whch indicates the  proba bility that bot h ‘interface indi ca tion probl em’  and ‘interfa c e   indication problem’ occurs i s  70%, while  the prob abilit y is 43% that  ‘interface indi cation probl em ’   may occur  whe n  ‘interf ace di spl a y probl em’ o c curs. Thu s  we mainly  focus  on these  as so ciat ion s .   The co nfiden ce de gre e  of the 31st a s so ciation rule in  Figure 2 is 1 00% and the  sup port  degree d o e s   not sati sfy the minimum  suppo rt deg re e,  hen ce it is not a st rong asso ciation rule.  But whe n  p r e c on dition o ccurs, th e  con s eque nce rule  alway s  a ppe ars. It’s ap propriate  to fo cus  more on con s eque nce  rul e  whe n   precon dition  o c curs.  De spite it is  not a st ron g   asso ciation  rule  and  th e sup p o rt  d egree do esn’t rea c h   a  defined   mi ni mum  sup port   degree, b u t a  high  confide n ce  coeffici ent de gree  can al so  reflect an im portant a s sociation pro b le m.      Table 2. G U I Defe ct Associ ation Model   Defect ty pes   Defect associatio ns  Interface displa y   problem   Interface indicati on problem, cons istency  p r oblem,  boundar y p r oble m   Interface indication problem   Interfac e displa y   problem, consistenc y  pro b lem, bo undar y pro b lem, messy  codes   Messy  Ve rsions  Interface displa y   problem   Grap hical inconsistency  Interface i ndication problem, cons istency  p r oblem   Learnabilit y  problem  Interface indication pr oblem, cons istency  p r oblem,  boundary  p r oble m   Boundar y pro b lem  Interface displa y   problem, Inte rface indication problem , Consistenc y   problem   Consistency  p r o b lem  Interface displa y   problem, Inte rface  indication problem, Boundar y p r obl em, Gra phical inconsistency   0% 20% 40% 60% 80% 1 00% 1 20% 1 4 7 10 13 16 19 2 2 25 28 31 34 3 7 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch of the Defe ct Mo del Base d on  Sim ilarity and  Asso ciation  Rule (Wa n jia ng Ha n)  4691 Acco rdi ng to  the re sea r ch on fre que n t  se t and  strong a s so ciation rul e  ab ove, defect  types a nd  de scription s  for  these  types a r e  co nclu ded   into a  co rrespondi ng ta ble  whi c h  form s  a  defect a s soci ation model, as in Table 2 ,  which list   the defect a s sociatio n with use r ’s inte rfa c e.   Eligible d e fects an d its a s sociatio ns will   be li sted i n  th e mod e l a nd  defect  dist rib u tion a nd  def ect  asso ciation  can be kno w n  from this.   Asso ciatio n a nalysi s  indi ca tes that a p r o b lem may lea d  to one o r  th e other  pro b l e ms to  appe ar. Such as ‘inte rfa c e di splay p r oble m ’ asso ciate s  with ‘i nterface indi cation p r obl e m ’,  ‘con si sten cy probl em’,’ bo unda ry pro b le ms’ etc.       6. Conclusio n   This p ape r b a se d on ve ctor spa c e si mi larity  cal c ulati on mod e l and  the asso ciati on rul e s  techni c fo r  d a ta minin g ,  by re sea r chi ng la rge  am ount of  defe c t data,  pro poses a  def ect  cla ssifying m e thod  a nd a defect  a s so ci ation  mo del . In  this way, not  only  the defect  a nalyzing   efficien cy is i m prove d  but  also b a sed  on defe c t asso ciation m o del, pertin ent  sugg estio n s for   software test ing and desi gning  will be presented. Further  st udy will contin uously work on  spe c iali zing  the si milarity  of terminol ogi es t hat d e scri be defe c ts  a nd keep  on  rese archin g ot her   defect a s soci ations a s  well .      Ackn o w l e dg ements   This  work  wa s su ppo rted i n  part by the  National  Nat u ral Sci e n c e  Found ation o f  China  (Grant No. 61 1702 73).       Referen ces   [1]  Glenford J M y ers,T  om Badgett,  T odd M  T h o m as, Core y   Sandler. T he Art  of Soft w a r e  T e sting. 2004.   [2]  Bend er. Req u ir ements Base d  T e sting Process Overvie w .  20 09.   [3] Yi  Guan.  Quan tifying se ma nti c  simi larity of  Chin ese w o rds  from How N et . Internatio na l C onfere n ce o n   Machi ne Le arn i ng a nd C y b e rn etics. 2002: 2 3 4 -23 9 .  [4]  Z heng-T ao Yu,  Lei H u .  Si mil a rity Co mp utat ion  of Chi nese  Question B a s ed o n  Ch unk.  Internatio na l   Confer ence  on  Machin e Le arnin g   an d C y ber netics. 200 6: 1 7–2 2.  [5]  Gan KW, Wong PW.  Ann o tat i on  infor m atio n  structures  in  Chin ese  texts  usin g H o w  net .  In Second  Chin ese L a n g u age Proc essin g  W o rkshop  H ong Ko ng. 20 0 0 : 85-92.   [6]  Serge i  Nir en b u rg, Co nstanti ne D onm ashn e w ,  De an J  g r ann es.  T w o appr oach e s to  Matchin g  i n   Exampl e-bas e d  Machin e T r anslati on.  Proce ddi ngs of the fifth Internat ion a l  Confere n ce o n  T heoretica l   and Meth od olo g ical i n  Mach in e T r anslation o f  Natural La ng uag es.19 93: 4 5 -57.   [7]  W anjia ng H an.  Stud y  o n  the d e fect Classific a tion mod e l. un pub lish ed.   [8]  Lon g H, L ee H YA.  New  Visu ali z a t i on T e c h niq ue for K n o w ledge  Discov e ry in OLAP . Procee din g s  of   the F i rst Pacific-Asia Co nfere n ce  on Kn o w l edg e D i scover y  a nd Data Mi n i ng. 19 97.   [9]  Jai w e i  Ha n, Michel in ne Ka mber.  Data  Minin g : Co nce p ts and T e chniq ues, Morg a n  Kaufma n n   Publ ishers, Se cond Ed itio n. 2006.   [10]  Margar et H Du nham. Data Mi nin g : Introduct o r y  a nd Adv a n c ed T opics, Pearson Ed ucati o n. 2007.   [11]  Dion  H Goh, R ebecc a  P Ang.  An Introductio n  to A ssociati o n rule mi ni ng: An ap plic ation  in cou n se lin g   and h e l p -seek i ng be hav ior of ado lesce nts.  Behav iour R e se arch Metho d s.  200 7; 39(2): 25 9-26 6.  [12]  Li C, F an M. G ener ating  asso ciatio n rul e s ba sed o n  threa d e d  frequ ent patt e rn tree.  Co mp ut Eng Ap pl .  200 4; 4: 188-1 92 (in C h in ese) .  [13]  Hain in g Li, Ying xi ong So ng,  Yingch un Li. Perfo rmanc e Anal ys is and  Exp e rim ental  Stud y  o n  F l a t   Optical Com b  Generati on.  T E LKOMNIKA   Indon esi an Jo urna l  of Electri c al Eng i ne eri n g.  2013; 1 1 (1):   28-3 9 .  [14]  Guihu a  Z hen g ,  Quanlon g Guan. F u zz y  C o mpre hens ive  Evaluati on S o ft w a r e  of T e achi ng Qual it y  Based on Entr opy .   T E LKOMNIKA Indo nesi an Jo urn a l  of Electrical  En gi neer ing.  201 3;   11(3): 131 3- 132 1.  [15]  Z H AO Qian, Z H ENG Jun,  LI Jing. S o ft w a r e  Re lia bi lit y M ode lin g  w i t h  T e sting-Effort F unctio n  a n d   Imperfect Deb ugg ing.  T E LK OMNIKA Indon esia n Journ a l  of Electrical En gin eeri ng.  20 1 2 ; 10(8): 199 2- 199 8.  [16]  W anjia ng  H an,  T i anbo  Lu,  S un Y i .  R e sear ch o n  th e Pr o b le m Mod e l  of  GUI bas ed  o n  Kn ow led g e   Discovery i n  D a tabas e . Proceed ings of the  2013 Intern ati ona l Confer en ce on Soft w a r e  Engi ne erin g   and C o mput er Scienc e. 201 3: 5-9.  Evaluation Warning : The document was created with Spire.PDF for Python.