Prediksi Productivity Factor pada Estimasi Use Case Points dengan Pemilihan Hyperparameter SVM Menggunakan Particle Swarm Optimization

Jabbar, Farisna Hamid (2024) Prediksi Productivity Factor pada Estimasi Use Case Points dengan Pemilihan Hyperparameter SVM Menggunakan Particle Swarm Optimization. S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_2000018170_JUDUL__240917124302.pdf Download (2MB)
	Text (BAB I) T1_2000018170_BAB_I__240917124302.pdf Download (223kB)
	Text (BAB II) T1_2000018170_BAB_II__240917124302.pdf Restricted to Registered users only Download (651kB) | Request a copy
	Text (BAB III) T1_2000018170_BAB_III__240917124302.pdf Restricted to Registered users only Download (635kB) | Request a copy
	Text (BAB IV) T1_2000018170_BAB_IV__240917124302.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) T1_2000018170_BAB_V__240917124302.pdf Restricted to Registered users only Download (214kB) | Request a copy
	Text (Daftar Pustaka) T1_2000018170_DAFTAR_PUSTAKA__240917124302.pdf Restricted to Registered users only Download (223kB) | Request a copy

Abstract

Productivity factor (PF) merupakan salah satu penggerak utama pada saat proses perhitungan estimasi usaha dalam dalam Use Case Point (UCP). Salah satu perhitungan nilai PF dapat dilakukan dengan menggunakan algoritma klasifikasi Support Vector Machine (SVM). Hal ini dikarenakan Support Vector Machine cocok digunakan dalam berbagai jenis permasalahan prediksi dan klasifikasi. Hanya saja, performa SVM bergantung kepada kualitas pengaturan nilai hyperparameter, penalty parameter, dan fungsi kernel yang mana dapat memengaruhi performa akurasi. Oleh karena itu penelitian ini dilakukan untuk melakukan pemilihan hyperparameter SVM dengan menggunakan algoritma Particle Swarm Optimization sehingga diharapkan dapat meningkatkan akurasi prediksi productivity factor pada estimasi use case point.

Untuk keperluan eksperimen, digunakan data yang terdiri dari himpunan dataset historis yang biasa digunakan untuk keperluan estimasi usaha perangkat lunak, terutama model UCP. Dataset terdiri dari 10 fitur yaitu: Actual Effort, size, E1, E2, E3, E4, E5, E6, E7, E8. Pengembangan metode pada penelitian ini terdiri dari tiga tahapan utama. Tahapan terdiri dari pembentukan cluster menggunakan Bisecting k-Medoids, optimasi SVM untuk memprediksi PF, dan estimasi effort regresi linear berganda. Hasil pengembangan metode yang didapat akan divalidasi dengan menggunakan teknik LOOCV (Leave One Out Cross Validation). Sedangkan teknik evaluasi yang digunakan, adalah pengujian nilai dengan menggunakan metrik pengujian yaitu Absolute Error (AE), dan Mean Absolute Error (MAE).

Hasil dari pengujian yang dilakukan menghasilkan mean absolute error terbaik dengan nilai 453.94 dimana menghasilkan nilai yang lebih akurat, dibandingkan model standar UCP (Schneider & Winters, dan Fixed Productivity Factor 30). Dengan pengaturan parameter Particle Swarm Optimization (PSO) bernilai partikel size = 30 dan iterasi = 25. Hasil eksperimen membuktikan algoritma SVM + PSO dapat digunakan dalam proses estimasi Use Case Points (UCP).

Item Type:	Thesis (S1)
Keyword:	productivity factor, effort estimation, use case point, support vector machine, optimasi, particle swarm optimization
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	userperpus2 userperpus2
Date Deposited:	03 Feb 2025 02:17
Last Modified:	03 Feb 2025 02:17
URI:	http://eprints.uad.ac.id/id/eprint/79243

Actions (login required)

View Item