Optimasi bobot kompleksitas use case pada estimasi effort perangkat lunak Use Case Points menggunakan Grey Wolf Optimizer
Total View This Week0
Total View This Week0
Institusion
Universitas Ahmad Dahlan
Author
Hanif Delfandi, Rahmat
Subject
Q Science (General)
Datestamp
2024-10-30 01:24:49
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.
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.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
