@thesis{thesis,
		author={Hanif Delfandi  Rahmat},
		title ={Optimasi bobot kompleksitas use case pada estimasi effort perangkat lunak Use Case Points menggunakan Grey Wolf Optimizer},
		year={2024},
		url={http://eprints.uad.ac.id/77221/},
		abstract={Estimasi effort merupakan suatu kegiatan penting dalam proyek pengembangan 
perangkat lunak. Estimasi dilakukan untuk mengetahui seberapa banyak sumber daya yang akan 
digunakan dan berapa lama waktu yang diperlukan untuk menyelesaikan sebuah proyek. Salah 
satu metode estimasi effort perangkat lunak yang dapat digunakan adalah Use Case Points 
(UCP). Metode estimasi effort Use Case Point (UCP) memiliki kelebihan mudah 
diimplementasikan untuk mengetahui estimasi awal proyek, prosedur perhitungannya 
didefinisikan dengan baik, performanya lebih baik dibanding penilaian pakar dan tidak selalu 
membutuhkan data histori proyek untuk estimasi. Sedangkan kelemahannya adalah berupa 
ketidakpastian faktor biaya dan penentuan klasifikasi yang memiliki perbedaan nilai pengali yang 
cukup tinggi. Oleh Karena itu, penelitian ini akan menggunakan algoritma Grey Wolf Optimizer 
(GWO) untuk menemukan bobot kompleksitas use case agar bisa meningkatkan performa 
akurasi estimasi UCP. 
Dalam penelitian ini dataset yang akan digunakan adalah dataset Silhavy yang terdiri 
dari 71 data proyek yang telah diselesaikan dan meliputi 12 atribut yaitu Simple Actors, Average 
Actors, Complex Actors, UAW, Simple UC, Average UC, Complex UC, UUCW, TCF, ECF, Real_P20, 
dan Real_Effort_Person_Hours. Teknik validasi yang digunakan adalah Leave One Out Cross 
Validation (LOOCV). Algoritma GWO dijalankan sebanyak 30 kali dengan peningkatan 5 kali 
setiap parameter populasi dan iterasi. Sedangkan, tahapan penelitian ini terdiri dari 
pengumpulan data, penyiapan alat, optimasi, evaluasi, uji statistik non parametrik wilcoxon, dan 
kesimpulan. 
Hasil penelitian ini menunjukkan bahwa rata-rata Mean Absolute Error (MAE) 
menggunakan algoritma Grey Wolf Optimizer (GWO) memberikan hasil yang lebih baik dengan 
nilai MAE sebesar 1101.831519. Sementara itu, estimasi effort tanpa menggunakan algoritma 
GWO menghasilkan nilai MAE sebesar 1810.872734. Dengan demikian, penggunaan algoritma 
GWO mampu menurunkan estimasi effort sebesar 39,15% dibandingkan dengan metode Use 
Case Points (UCP) tanpa algoritma. Berdasarkan uji statistik non-parametrik Wilcoxon, nilai 
Asymp. Sig. sebesar 0,00<0,05 menunjukkan bahwa algoritma GWO secara efektif dapat 
meningkatkan akurasi estimasi effort perangkat lunak dibandingkan dengan metode UCP tanpa 
algoritma.}
		}