Prediksi Software Effort Estimation Menggunakan Metode Hybrid SVR PSO
Tahun 2025 · Penulis: Sofyatul Masykuroh
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,850
Tahun 2026 · Penulis: Dewana Kretarta Lokeswara
Implementasi Model Vision Transformer dalam Klasifikasi Citra Batik Indonesia
Batik merupakan warisan budaya Indonesia yang memiliki nilai seni tinggi dengan beragam motif dari berbagai daerah. Keberagaman ini sering menyulitkan masyarakat dalam mengenali motif batik tanpa pengetahuan sebelumnya. Penelitian terdahulu menunjukkan bahwa C
- Cosine 0,843
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat
- Cosine 0,839
Tahun 2026 · Penulis: Ahmad Ghulam Ramadhan Nugroho
Analisis Komparasi Kinerja Seleksi Fitur (CFS, LDA, dan OPLS-DA) Pada Electronic Nose Untuk Klasifikasi Mutu Kopi Arabika
Penggunaan instrumen Electronic Nose (E-Nose) untuk proses klasifikasi mutu kopi Arabika seringkali dihadapkan pada kendala fundamental berupa tingginya dimensi data serta masalah multikolinearitas ekstrem antar sensor. Fenomena tersebut dapat memicu terjadiny