การประเมินเวลาในการบำรุงรักษาซอร์สโคดจากโคดสเมล

The Source code maintenance time classifications from code smell

Name: พัชรประภา คำเขียว

ThaSH: การบำรุงรักษาซอฟต์แวร์

ThaSH: วิศวกรรมซอฟต์แวร์

ThaSH: การเรียนรู้ของเครื่อง

Abstract: งานวิจัยนี้ศึกษาการบำรุงรักษาซอฟต์แวร์โดยประเมินระยะเวลาในการแก้ไขซอร์สโคดและวิเคราะห์ผลกระทบของโคดสเมลจากข้อมูลโครงการโอเพนซอร์ส 3 โครงการ ได้แก่ Seatunnel, Pulsar และ Ozone โดยใช้เทคนิค Machine Learning เพื่อวิเคราะห์ความสัมพันธ์ระหว่างโคดสเมลกับระยะเวลาแก้ไขซอร์สโคด และวิเคราะห์ผลกระทบของโคดสเมลแต่ละชนิดต่อระยะเวลาบำรุงรักษา โดยใช้ SonarQube ตรวจจับโคดสเมลและวิเคราะห์ผลต่อเวลาแก้ไขในแต่ละรอบพัฒนา การศึกษานี้ใช้ Mann-Whitney U Test เพื่อวิเคราะห์ผลกระทบของโคดสเมลแต่ละประเภทพร้อมประเมินขนาดของผลกระทบด้วย Cliff’s Delta วิเคราะห์ความสัมพันธ์ระหว่างโคดสเมลด้วย Spearman’s Rank Correlation และจัดกลุ่มด้วย Hierarchical Clustering ก่อนคัดเลือกตัวแทนแต่ละกลุ่มด้วย Combinatorial Feature Selection เพื่อสร้างชุดข้อมูลสำหรับทดลองโมเดล Machine Learning เช่น LightGBM และ Random Forest จากคำถามงานวิจัยข้อแรกผลการศึกษาพบว่าหากโคดสเมลบางส่วนมีผลกระทบ และความสัมพันธ์กับระยะเวลาในการแก้ไขในระดับต่ำ ในทางกลับกันหากโคดสเมลมีผลกระทบสูง และตัวแปรมีความสัมพันธ์กันมาก โมเดลจะสามารถเรียนรู้และวิเคราะห์ได้แม่นยำมากขึ้น ซึ่งช่วยเพิ่มประสิทธิภาพในการบำรุงรักษาซอฟต์แวร์ ดังนั้นในการศึกษาครั้งนี้พบว่าโคดสเมลสามารถนำไปใช้เพื่อคาดการณ์ระยะเวลาในการบำรุงรักษาโคด ได้อย่างมีประสิทธิภาพ ช่วยให้ทีมพัฒนาซอฟต์แวร์สามารถวางแผนและจัดลำดับความสำคัญของงานบำรุงรักษาได้ดีขึ้น

Abstract: This study analyzes the impact of code smells on time modification using data from three open-source projects—Seatunnel, Pulsar, and Ozone—applying machine learning to examine their relationship. The research examines how different types of code smells detected by SonarQube affect the maintenance time modification during each development cycle. The Mann-Whitney U test was used to assess the impact of each code smell type, with effect sizes measured by Cliff’s Delta. Spearman’s Rank Correlation analyzed relationships among code smell types, followed by hierarchical clustering to group them. Representative code smells were selected using Combinatorial Feature Selection to build datasets for machine learning experiments with models such as LightGBM and Random Forest. The study found that when code smells have low impact and weak correlation with time modification, machine learning models perform poorly. ; In contrast, high-impact and strongly correlated code smells improve model accuracy, supporting more efficient software maintenance. Therefore, code smells can be effectively used to predict maintenance time, helping development teams plan and prioritize maintenance tasks more efficiently.

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: ชาติชาย ดวงสอาด

Role: อาจารย์ที่ปรึกษา

Name: ภาสกร พรรณจิตต์

Role: อาจารย์ที่ปรึกษา

Created: 2568

Modified: 2568-10-18

Issued: 2568-10-18

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมซอฟต์แวร์

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	632131002.pdf	2.31 MB

ใช้เวลา

0.041499 วินาที