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

Abstract

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