Sistem kecerdasan buatan pengelolaan sumber daya developer menggunakan algoritma genetika

INDONESIA:

Pengelolaan sumber daya developer yang efektif dan efisien merupakan tantangan utama dalam industri pengembangan perangkat lunak. Masalah utama yang dihadapi adalah penempatan developer pada proyek yang tidak sesuai dengan keahlian mereka, yang dapat mengakibatkan penurunan produktivitas dan kualitas hasil kerja. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan sistem kecerdasan buatan dengan algoritma genetika sebagai solusi untuk mengoptimalkan penempatan developer pada proyek yang sesuai dengan keahlian mereka. Algoritma genetika adalah metode komputasi yang meniru proses evolusi alami untuk menemukan solusi optimal. Metode ini dimulai dengan membangkitkan populasi awal yang diinisialisasi secara acak, di mana setiap individu dalam populasi merepresentasikan solusi potensial.

Proses evolusi kemudian diterapkan melalui seleksi, crossover (pindah silang), dan mutasi. Siklus ini berulang hingga mencapai solusi yang optimal atau kondisi penghentian tertentu. Hasil uji coba menunjukkan bahwa skenario ketiga, dengan tingkat crossover sebesar 0,4 dan mutasi sebesar 0,2, memberikan performa terbaik dengan recognition rate mencapai 83%. Hal ini menandakan bahwa kombinasi parameter tersebut berhasil mencapai keseimbangan yang optimal antara eksplorasi dan eksploitasi dalam ruang solusi.

ENGLISH:

Effective and efficient management of developer resources is a major challenge in the software development industry. The main problem faced is the placement of developers on projects that do not match their expertise, which can result in decreased productivity and quality of work. To address this issue, this research proposes the use of an artificial intelligence system with a genetic algorithm as a solution to optimize the placement of developers on projects that match their expertise. The genetic algorithm is a computational method that mimics the natural evolution process to find optimal solutions. This method begins by generating an initial population randomly, where each individual in the population represents a potential solution.

The evolution process is then applied through selection, crossover, and mutation. This cycle repeats until an optimal solution or a predetermined stopping condition is reached. The experimental results show that the third scenario, with a crossover rate of 0.4 and a mutation rate of 0.2, provides the best performance with a recognition rate of 83%. This indicates that the combination of these parameters achieves an optimal balance between exploration and exploitation within the solution space.

ARABIC:

تمثّل الإدارة الفعالة والمؤثرة لموارد المطوّرين تحدّيًا كبيرًا في صناعة تطوير البرمجيات. المشكلة الرئيسية التي نواجهها هي وضع المطوّرين في مشاريع لا تتناسب مع مهاراتهم، مما قد يؤدّي إلى انخفاض الإنتاجية وجودة مخرجات العمل. للتغلب على هذه المشكلة يقترح هذا البحث استخدام نظام الذكاء الاصطناعي مع الخوارزميات الجينيّة كحلّ لتحسين وضع المطوّرين في المشاريع التي تناسب مهاراتهم. الخوارزمية الجينية هي طريقة حسابية تحاكي العملية التطوّرية الطبيعية لإيجاد الحلول المثلى. تبدأ هذه الطريقة بتوليد مجتمع أوّليّ تمت تهيئته بشكل عشوائيّ، حيث يمثّل كلّ فرد في المجتمع حلاًّ محتملاً.

يتمّ بعد ذلك تنفيذ العملية التطوّرية من خلال الاختيار والعبور والطفرة. تتكرر هذه الدورة حتى الوصول إلى الحلّ الأمثل أو حالة توقّف معينة. وأظهرت نتائج الاختبار أن السيناريو الثالث بمعدل عبور 0.4 وطفرة 0.2 يقدّم أفضل أداء بمعدل التعرف الذي يصل إلى 83%. .وهذا يدلّ على أن مجموعة المعلمات نجحت في تحقيق التوازن الأمثل بين الاستكشاف والاستغلال في مساحة الحلّ.