Yazılım Projelerinde Gözden Geçirme Bulgu Yoğunluğunu Etkileyen Faktörlerin Belirlenmesi: Bir Ar-Ge Kurumunda Uygulama Örneği

Yazılım projelerinde planlanan zamanda ve bütçede müşterinin istediği nitelikte ürün çıkarmak projenin ana hedefidir. Bir yazılım projesinin başlangıcından bitişine kadar proje planlama, analiz, tasarım, kodlama, tümleştirme, ve test süreçleri birbirleri ile etkileşimli olarak işletilir. Bu süreçlerin işletimi sonucunda ortaya çıkan ürünler (yazılım kodları, planlar, gereksinim dokümanları, tasarım dokümanları, test dokümanları, raporlar vb.) müşteriye teslim edilmeden önce gözden geçirme süreci ile gözden geçirilir. Müşteriye hatasız ürün vermeye destek olan bir süreç olduğu için gözden geçirme süreci bir projenin başarıyla bitirilmesinde önemli rol oynar. Bir gözden geçirme faaliyeti sonucunda hata sayısı, gözden geçirilen ürün büyüklüğü, gözden geçirme için harcanan süre, gözden geçirilen ürünlerin tür bilgileri elde edilir. Hata sayısının ürün büyüklüğüne oranı hata yoğunluğu bilgisini verir. Bu çalışmada yazılım projelerinde doküman gözden geçirmelerindeki hata yoğunluğuna etki eden faktörleri belirlemek için üç faktör, iki düzeyli ve dörder tekrarlı deney tasarımı gerçekleştirilmiştir. Hipotez testleri ile sonuçlar yorumlandığında; doküman gözden geçirmelerinde doküman büyüklüğü ve doküman tipi faktörlerinin hata yoğunluğuna anlamlı etkisinin olduğu, doküman gözden geçirme için harcanan işgücü faktörünün hata yoğunluğuna anlamlı etkisinin olmadığı görülmüştür.

___

  • IEEE Standard 1028-2008 for Standard for Software Reviews and Audits.
  • IEEE Standard 1012-2012 for Standard for System and Software Verification and Validation.
  • CMMI Model (Capability Maturity Model Integration) Development v2.0.
  • Wedyan F., Salameh H. B., Al-Ajloni W., Al-Manai S., 2015. Investigating the Relationship between Software Defect Density and Cost Estimation Drivers: An Empirical Study. Journal of Theoretical and Applied Information Technology, 82(3), 446-453.
  • Zhang W., Ma Z., Zhang Wenge, Lu Q., Nie X., 2015. Correlation Analysis of Software Defects Density and Metrics. Applied Mechanics and Materials, 713-715, 2225-2228.
  • Bosu A., Greiler M., Bird C., 2015. Characteristics of Useful Code Reviews: An Empirical Study at Microsoft. 12th Working Conference on Mining Software Repositories, Florence/Firenze, 16-24 May, 146-156.
  • Mandhan N., Verma D. K., Kumar S., 2015. Defect Density using Static Metrics. International Conference on Computing, Communication and Automation, Greater Noida-India, 15-16 May, DOI: 10.1109/CCAA.2015.7148499.
  • Al-Jamimi H. A., 2016. Toward Comprehensible Software Defect Prediction Models Using Fuzzy Logic. 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), Beijing-China, 26-28 August, 127 – 130.
  • Shah S. M. A., Morisio M., Torchiano M., 2013. Software Defect Density Variants: A Proposal. 4th International Workshop on Emerging Trends in Software Metrics (WETSoM), San Francisco-USA, 21 May, 56 – 61.
  • Chen J., Yang Y., Hu K., Xuan Q., Liu Y., Yang C., 2019. Multiview Transfer Learning for Software Defect Prediction. IEEE Journals & Magazines, 7, 8901 – 8916.
  • Xiao P., Yan X., Huang F., 2017. How Domain Knowledge Accumulation Influences Software Defects: An Empirical Analysis. IEEE International Conference on Software Quality, Reliability and Security Companion (QRS-C), Prague, 25-19 July, 24 – 30.
  • Yamashita K., Huang C., Nagappan M., Kamei Y., 2016. Thresholds for Size and Complexity Metrics: A Case Study from the Perspective of Defect Density. IEEE International Conference on Software Quality, Reliability and Security (QRS), Vienna, 1-3 August, 191 – 201.
  • Alfadel M., Kobilica A., Hassine J., 2017. Evaluation of Halstead and Cyclomatic Complexity Metrics in Measuring Defect Density. 9th IEEE-GCC Conference and Exhibition (GCCCE), Manama-Bahrain, 8-11 May, 1 – 9.
  • Hicks, C. R., 1973. Deney Düzenlemede İstatistiksel Yöntemler, Holt, Rinehart and Winston, United States of America.