Perbaikan Akurasi Model Estimasi Usaha Pengembangan Perangkat Lunak Menggunakan Stacking Ensemble Learning Dengan Optimasi Bayesian Hyperpameter Tuning

Yusuf, Muhammad (2025) Perbaikan Akurasi Model Estimasi Usaha Pengembangan Perangkat Lunak Menggunakan Stacking Ensemble Learning Dengan Optimasi Bayesian Hyperpameter Tuning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025231066-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Estimasi usaha pengembangan perangkat lunak sangat penting dalam manajemen proyek, karena estimasi yang tidak akurat dapat menyebabkan ketidakpuasan klien, pembekakan biaya dan bahkan kegagalan proyek. Oleh karena itu, diperlukan teknik estimasi yang akurat untuk memastikan proyek diselesaikan tepat waktu, sesuai biaya, dan memenuhi kualitas yang diinginkan. Penelitian ini bertujuan untuk meningkatkan akurasi estimasi usaha pengembangan perangkat lunak dengan memanfatkan machine learning. Teknik yang digunakan adalah metode stacking yang dipadukan dengan bayesian hyperparameter tuning, sehingga menghasilkan kinerja yang lebih baik dibandingkan penelitian sebelumnya. Penelitian sebelumnya hanya menggunakan model tunggal tanpa optimasi hyperpameter yang mendalam, sehingga menghasilkan performa akurasi yang kurang memadai, dengan nilai R2 rata rata berkisar antara -3 sampai dengan 0,7 di setiap dataset. Dataset yang digunakan dalam penelitian ini terdiri dari 11 dataset publik. Hasil penelitian menunjukkan bahwa pembelajaran stacking, yang dioptimalkan dengan bayesian hyperparameter tuning, secara signifikan meningkatkan pada seluruh dataset dengan nilai R² di berada dikisaran 0,2 hingga 0,9. Hasil ini membuktikan bahwa pendekatan yang diusulkan secara efektif meningkatkan akurasi estimasi usaha dalam pengembangan perangkat lunak.
=========================================================================================================================================
Effort estimation in software development is crucial in project management, as inaccurate estimates can lead to client dissatisfaction, cost overruns, and even project failure. Therefore, accurate estimation techniques are essential to ensure that projects are completed on time, within budget, and with the desired level of quality. This study aims to improve the accuracy of software development effort estimation by leveraging machine learning. The technique employed is a stacking method combined with Bayesian hyperparameter tuning, which yields better performance compared to previous studies. Prior research generally utilized single models without comprehensive hyperparameter optimization, resulting in inadequate estimation performance, with average R² values ranging from below zero to 0.5 across various datasets. This study uses 11 public datasets. The results demonstrate that stacking, optimized with Bayesian hyperparameter tuning, significantly improves performance across all datasets, with R² values ranging from 0.2 to 0.9. These findings confirm that the proposed approach effectively enhances the accuracy of software development effort estimation.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Estimasi Usaha , Stacking , Ensemble Learning, Bayesian Hyperpameter tuning, Software Estimation, Ensemble Learning, Stacking, Hyperparameter Tuning, Bayesian Optimization, Machine Learning, Model Performance
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing T Technology > TA Engineering (General). Civil engineering (General) > TA174 Computer-aided design.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Muhammad Yusuf
Date Deposited:	23 Jul 2025 06:21
Last Modified:	23 Jul 2025 06:21
URI:	http://repository.its.ac.id/id/eprint/120851

Actions (login required)

View Item