Prediksi Software Effort Estimation Menggunakan Metode Hybrid SVR PSO

Abstract

Pada penelitian ini mengangkat topik SEE (Software Effort Estimation) atau estimasi upaya pengembangan perangkat lunak, yaitu salah satu hal krusial dalam mengembangkan proyek perangkat lunak. Estimasi yang tidak akurat dapat mengakibatkan kegagalan proyek. Berbagai macam metode pendekatan digunakan untuk menghasilkan estimasi yang akurat. Metode machine learning seperti Support Vector Regression (SVR) menawarkan solusi yang menjanjikan, namun performanya sangat sensitif terhadap pemilihan hyperparameter. Particle Swarm Optimization (PSO) digunakan untuk mencari hyperparameter optimal SVR. Dataset yang digunakan pada penelitian ini adalah NASA93 dan desharnais. Rumusan masalah penelitian ini adalah bagaimana perbandingan performa metode hibrida SVR-PSO dalam mengestimasi upaya perkembangan perangkat lunak pada dataset NASA93 dan desharnais. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa metode hibrida SVR-PSO pada dataset NASA93 dan Desharnais dalam estimasi upaya perangkat lunak. Selain itu, penelitian ini juga membandingkan penggunaan seleksi fitur pada hasil evaluasi kinerja model. Hasil yang diperoleh dari penelitian ini adalah kinerja model pada dataset NASA93 memiliki performa terbaik dengan diterapkannya seleksi fitur. Penggunaan 5 fitur dengan korelasi tertinggi pada dataset NASA93 dengan rasio data 80:20 menghasilkan nilai evaluasi MAE 116.6932, RMSE 221.3378, dan MAPE 49.01%. sedangkan kinerja model pada dataset Desharnais memiliki performa terbaik justru dicapai dengan menggunakan semua fitur yang ada pada rasio data 90:10. Hasil evaluasi yang diperoleh adalah MAE 931.2771, RMSE 1152.7492, dan MAPE 29.68%. Saran untuk penelitian selanjutnya adalah kesesuaian pemilihan dataset serta penentuan metode seleksi fitur berpengaruh terhadap kinerja model dan hasil evaluasi. Ketika dataset yang digunakan cocok dan sesuai dengan metode yang digunakan serta didukung oleh metode seleksi fitur yang tepat, maka kinerja model lebih baik sekaligus memperoleh hasil akurasi yang baik.