Estimasi Pada Effort Perangkat Lunak dengan Pendekatan Feed Forward Neural Network Backpropagation (FFNN-BP)

As'ary Ramadhan(1*)

(1) 
(*) Corresponding Author

Sari


Estimasi biaya pengembangan proyek perangkat lunak merupakan salah satu masalah yang kritis dalam rekayasa perangkat lunak. Kegagalan dari proyek perangkat lunak diakibatkan ketidak akuratannya estimasi sumber daya yang dibutuhkan. Beberapa model telah dikembangkan dalam beberapa puluh tahun belakangan ini. Untuk meberikan keakuratan dalam estimasi biaya proyek perangkat lunak masih menjadi tantangan hingga saat ini. Tujuan dilakukannya penelitian ini meningkatkan akurasi estimasi biaya proyek perangkat lunak dengan menerapkan algoritma genetika sebagai proses pelatihan pada Feed Forward Neural Network Backpropagation (FFNN-BP) yang mengakomodasi formula dari Post Architecture Model (COCOMO II). Magnitude of Relative Error (MRE) dan Mean Magnitude of Relative-Error (MMRE) digunakan sebagai pengkuran indikasi kinerja. Hasil percobaan menunjukkan bahwa model yang diusulkan memberikan hasil estimasi biaya proyek perangkat lunak menjadi lebih akurat dari COCOMO II dan FFNN-BP. Dalam kasus ini MMRE untuk COCOMO II adalah 74.68%, FFNN-BP adalah 39.90% .

 

Kata kunci: COCOMO II, Machine Learning, Proyek Manajemen IT, Backpropagation

Teks Lengkap:

PDF

Referensi


Attarzadeh, I, and Ow, S, H., 2010, A novel soft computing model to increase the accuracy of software development cost estimation, Computer and Automation Engineering (ICCAE), The 2nd International Conference on., 3, 603-607

Boehm, B, Clark, B, Horowitz, B, Madachy, E, Shelby, R, Westland, R, and Chris., 1995, Cost Models for Future Software Life Cycle Processes: COCOMO 2.0, Annals of Software Engineering, 1, 57- 94

Charette, 2005, We waste billions of dollars each year on entirely preventable mistakes, IEEE Spectrum, 42-49.

Chen, Wen, C, T, Lin YuWu, and Sheng, C, 2014, A unified evolutionary training scheme for single and ensemble of feedforward neural network, Neurocomputing, 143, 347-361.

Dave, Dutta, V, S, and Kamlesh, 2014, Neural network based models for software effort estimation: A review, Artificial Intelligence Review, 42, 295-307.

Kaushik, A Soni, a K, and Soni, R, 2012, An adaptive learning approach to software cost estimation, Computing and Communication Systems (NCCCS), National Conference on, 1-6.




DOI: http://dx.doi.org/10.31602/tji.v12i2.4576

Refbacks

  • Saat ini tidak ada refbacks.


© 2019 Technologia   p-ISSN: 2086-6917    e-ISSN: 2656-8047

-------------------------------------------------------------------------------------------

This work is licensed under a Creative Commons Attribution 4.0 International License.