การทำนายผลการรีวิวโค้ดในโครงการโอเพนซอร์สบนกิตฮับ

ปานทิพย์ พู่พุฒ

dc.contributor.advisor	พรศิริ หมื่นไชยศรี
dc.contributor.author	ปานทิพย์ พู่พุฒ
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2019-02-26T14:08:22Z
dc.date.available	2019-02-26T14:08:22Z
dc.date.issued	2561
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/61596
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2561
dc.description.abstract	กระบวนการรีวิวโค้ดบนกิตฮับ เป็นกระบวนการที่สำคัญกระบวนการหนึ่งในการทำงานบนกิตฮับ โดยนักพัฒนาซอฟต์แวร์จะทำการร้องขอการนำเข้าซอร์สโค้ดหลังจากทำการแก้ไขหรือเปลี่ยนแปลงซอร์สโค้ดเสร็จเรียบร้อยแล้ว ผู้ดูแลระบบจะเป็นผู้รีวิวซอร์สโค้ด โดยพิจารณาถึงคุณภาพ และรายละเอียดทั้งหมดของรายการร้องขอการนำเข้าซอร์สโค้ดนั้น ๆ จากการวิเคราะห์ผลการรีวิว พบว่ามีรายการร้องขอการนำเข้าซอร์สโค้ดจำนวนมาก ที่ไม่ผ่านการรีวิว เนื่องด้วยปัจจัยหลายประการ เช่น ความซับซ้อนของซอร์สโค้ด คุณภาพของซอร์สโค้ด รวมไปถึงจำนวนการเปลี่ยนแปลงไฟล์ เป็นต้น กระบวนการแก้ไขรายการร้องขอการนำเข้าซอร์สโค้ดที่ไม่ผ่านการรีวิวต้องใช้ความพยายาม และเวลาอย่างมากในการแก้ไข ซึ่งอาจส่งผลกระทบกับค่าใช้จ่ายของโครงการ หรือกำหนดการของโครงการได้ งานวิทยานิพนธ์นี้จึงออกแบบ แบบจำลองการทำนายผลการรีวิวโค้ดบนกิตฮับ โดยการวิเคราะห์ข้อมูลบนกิตฮับ กำหนดตัวแปรที่คาดว่าจะมีผลกระทบกับการรีวิวโค้ด รวมถึงการหาความสัมพันธ์ที่เกิดขึ้นบ่อยจากกฎความสัมพันธ์ จากนั้นทำการสร้างแบบจำลองการทำนายการรีวิวโค้ดบนกิตฮับด้วยวิธีการทางสถิติโลจิสติก และหลักการเรียนรู้ด้วยเครื่อง การวิเคราะห์โครงข่ายประสาทเทียมเพอร์เซปตรอนหลายชั้น ผลการทดลองแสดงสิบรายการร้องขอการนำเข้าซอร์สโค้ดที่พบบ่อยที่สุดในชุดข้อมูล และแบบจำลองการทำนายผลการรีวิวโค้ด โดยแบบจำลองที่ใช้ในการทำนายผลการรีวิวโค้ดที่ใช้การวิเคราะห์โลจิสติกในการวิเคราะห์ข้อมูลมีเปอร์เซ็นต์ความแม่นยำ 89.2307% และแบบจำลองที่ใช้การวิเคราะห์โครงข่ายประสาทเทียมเพอร์เซปตรอนหลายชั้น มีเปอร์เซ็นต์ความแม่นยำ 90.7692%
dc.description.abstractalternative	Code review on GitHub is an important method for code contribution that will be submitted when the developers would like to merge their code changed from their local machine to the main repository. The reviewer will check the source code quality and all pull request details. The pull request status may be rejected due to several factors, such as code complexity, code quality, the number of changed files, etc. Fixing the rejected pull requests will take some extra effort and time which may affect the project cost and timeline. This thesis design the predicting code review results model by analyzing the data on GitHub, assign the related factors and also discover relationships among impact factors by using association rules in Data mining. The predicting code review results on GitHub is created by the logistic regression analysis in Statistical analysis and the multilayer perceptron in Machine learning. The results show ten associate rules of the source code file format with the related variables. The accuracy of predicting code review results model that used the logistic regression method is 89.2307%. For the multilayer perceptron in Machine learning is 90.7692%.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2018.1259
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject	โอเพนซอร์สซอฟต์แวร์
dc.subject	การวิเคราะห์การถดถอยโลจิสติก
dc.subject	เหมืองข้อมูล
dc.subject	Open source software
dc.subject	Logistic regression analysis
dc.subject	Data mining
dc.subject.classification	Computer Science
dc.title	การทำนายผลการรีวิวโค้ดในโครงการโอเพนซอร์สบนกิตฮับ
dc.title.alternative	Predicting code review results in open source projects on GitHub
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิศวกรรมคอมพิวเตอร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject.keyword	การรีวิวโค้ด
dc.subject.keyword	กิตฮับ
dc.subject.keyword	รายการร้องขอการนำเข้าซอร์สโค้ด
dc.subject.keyword	ปัจจัยที่มีผลกับการรีวิวโค้ด
dc.subject.keyword	การวิเคราะห์การถดถอยโลจิสติก
dc.subject.keyword	การวิเคราะห์โครงข่ายประสาทเทียมเพอร์เซปตรอน
dc.subject.keyword	Code Review
dc.subject.keyword	Pull Request
dc.subject.keyword	GitHub
dc.subject.keyword	Open Source
dc.subject.keyword	Association Rules
dc.subject.keyword	Multi Layer Perceptron
dc.subject.keyword	Neural Network
dc.subject.keyword	Logistic Regression
dc.subject.keyword	Data Mining
dc.subject.keyword	Machine Learning
dc.subject.keyword	Statistical
dc.subject.keyword	Factor
dc.identifier.DOI	10.58837/CHULA.THE.2018.1259