Yazılım hata tahmin modellerinin açıklanabilir yapay zekâ ile incelenmesi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: HALİME BAYRAKTAR

Danışman: ÖMÜR ŞAHİN, BAHRİYE AKAY

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Yazılımda hataların tespit edilmesi kaliteli bir yazılım ve yazılıma olan güvenin oluşturulması için önemlidir. Çalışmada; PROMISE veri tabanında yer alan CM1 ve PC1 veri setleri kullanılarak, hem geleneksel makine öğrenimi modelleri (RF, GB) hem de derin öğrenme modelleri (MLP, LSTM, RNN, CNN) üzerinde kapsamlı bir değerlendirme yapılmıştır. Veri setlerindeki belirgin sınıf dengesizliği SMOTE yöntemiyle giderilmiş ve modeller 5 katlı çapraz doğrulama ile değerlendirilmiştir. Performans ölçütleri olarak Doğruluk, Kesinlik Geri çağırma, F1-Puanı, AUC-ROC kullanılmıştır. Model performansının ötesinde, bu çalışmanın temel amacı Yazılım Hata Tahmini kapsamında yalnızca yazılımın hatalı olup olmadığını belirlemekle kalmayıp; aynı zamanda tahmine en fazla ve en az etki eden özellikleri ortaya koymak, bu özelliklerin sonuca katkılarının yönünü (pozitif/negatif) belirlemek ve bu etkilerin altında yatan nedenleri yorumlayabilmektir. Etkisi diğer özelliklere kıyasla daha düşük olan özellikler, modele gürültü katma potansiyelleri nedeniyle veri setinden çıkarılıp, tekrar performans ölçümü yapılmış ve özellik azaltımı işleminin tahmin performansını artırdığı gözlemlenmiştir. Çalışmanın özgün yönlerinden bir diğeri ise, açıklanabilirlik çıktılarının veri setlerinin istatistiksel korelasyon yapılarıyla karşılaştırılmasıdır. Tüm bu yönleriyle çalışma, SDP alanında performans–açıklanabilirlik bütünleşik analiz çerçevesi sunmakta ve literatürde artan XAI odaklı araştırmalara metodolojik katkı sağlamaktadır.