Perpustakaan Digital ITB

Software Effort Estimation (SEE) merupakan umbrella term yang yang mencakup perhitungan biaya, usaha dan segala sesuatu yang terkait dengan kompo-nen biaya software. SEE dilakukan untuk mendapatkan estimasi biaya komponen-komponen tersebut pada tahap perencanaan. Estimasi biaya tersebut berkaitan de-ngan penganggaran (budgeting) dari software project tersebut. Estimasi yang diha-rapkan adalah estimasi yang tidak lebih (overestimation) atau yang kurang (underes-timation) agar penganggaran dengan biaya aktualnya cenderung sesuai. Penelitian terkait SEE ditujukan untuk menghasilkan metode-metode yang meningkatkan nilai akurasi estimasi biaya pada software project. Penelitian ini membahas masalah ting-kat akurasi pada SEE. Salah satu metode SEE adalah menggunakan Functional Link Artificial Neural Network (FLANN). Terkait dengan pembelajaran mesin—tepatnya Artificial Neural Network (ANN)—terdapat ruang untuk terus mengoptimisasi pem-belajarannya. Tujuan: Penelitian ini bertujuan untuk membentuk model FLANN dengan optimisasi Metaheuristic Algorithm (MA) yang diharapkan menghasilkan pembelajaran dengan error rate lebih kecil daripada MA pada model-model yang sudah ada. Metode: Menerapkan MA lainnya yakni Whale Optimization Algorithm Modified Mutualism Phase (WOAmM). Model yang diusulkan tersebut kemudian dibandingkan dengan model-model FLANN dengan optimisasi MA yang sudah ada, dengan FLANN tanpa optimisasi MA sebagai baseline. Keseluruhan model tersebut dievaluasi dengan MAR dan SA. Terakhir, hasil dari evaluasi SEE tersebut diujikan dengan Friedman Test dan posthoc Nemenyi Test. Hasil: Model yang diusulkan menghasilkan akurasi yang lebih tinggi daripada baseline. Model ini juga meng-hasilkan akurasi yang lebih tinggi daripada model dengan optimisasi MA lainnya. Kesimpulan: Model yang diusulkan menghasilkan kinerja SEE yang lebih baik da-ripada baseline dan model-model lainnya. Model ini juga terbukti unggul daripada model-model lainnya secara signifikansi statistik.