Optimasi metode Averaging Ensemble model dengan particle Swarm optimization untuk Estimasi Software Effort

ABSTRAK

Kemajuan pesat teknologi informasi dan komunikasi (TIK) telah mengubah cara operasional bisnis, dengan aplikasi perangkat lunak menjadi pilar utama industri modern. Namun, estimasi biaya pengembangan perangkat lunak tetap menjadi tantangan kritis bagi perusahaan teknologi di era persaingan ini. Estimasi biaya yang akurat dan responsif sangat penting untuk menjamin keberhasilan bisnis. Penelitian ini mengusulkan penggunaan Averaging Ensemble Model untuk meningkatkan akurasi estimasi usaha perangkat lunak (Software Effort Estimation, SEE) dengan memanfaatkan data penggerak biaya COCOMO. Model ini menggabungkan prediksi dari Random Forest (RF) dan XGBoost untuk mencapai kinerja yang lebih unggul. Analisis perbandingan menggunakan dataset NASA93 dan China menunjukkan bahwa Averaging Ensemble Model secara konsisten mengungguli model RF dan XGBoost secara terpisah, dengan nilai Root Mean Square Error (RMSE) masing-masing sebesar 0,0313 dan 0,0155. Model ini menunjukkan prediksi yang stabil dan mendekati nilai aktual, menegaskan keandalannya dan efektivitasnya. Penelitian di masa depan dapat mengeksplorasi penambahan model dasar lainnya serta penerapan pendekatan ini pada dataset yang lebih beragam untuk meningkatkan ketahanan dan generalisasi. Penelitian ini menegaskan potensi ensemble learning dalam menghadapi kompleksitas estimasi biaya perangkat lunak

ABSTRACT

The rapid advancement of information and communication technology (ICT) has transformed business operations, with software applications becoming a cornerstone of modern industries. However, estimating software development costs remains a critical challenge for technology companies in this competitive era. Accurate and responsive cost estimation is crucial to ensuring business success. This study proposes the use of an Averaging Ensemble Model to enhance the accuracy of Software Effort Estimation (SEE) by leveraging COCOMO cost driver data. The model combines predictions from Random Forest (RF) and XGBoost to achieve superior performance. Comparative analysis using the NASA93 and China datasets demonstrates that the Averaging Ensemble Model consistently outperforms RF and XGBoost as standalone models, with Root Mean Square Error (RMSE) values of 0.0313 and 0.0155, respectively. The model exhibits stable predictions closely aligned with actual values, affirming its reliability and effectiveness. Future research may explore adding other base models and applying this approach to more diverse datasets to enhance robustness and generalizability. This study highlights the potential of ensemble learning in addressing the complexities of software cost estimation.

مستخلص البحث

التقدم السريع في تكنولوجيا المعلومات والاتصالات (ICT) قد غير من طريقة عمل الشركات، حيث أصبحت التطبيقات البرمجية حجر الزاوية في الصناعات الحديثة. ومع ذلك، لا يزال تقدير تكاليف تطوير البرمجيات تحديًا كبيرًا للشركات التكنولوجية في هذا العصر التنافسي. يعتبر التقدير الدقيق والاستجابة السريعة للتكاليف أمرًا حاسمًا لضمان نجاح الأعمال. تقترح هذه الدراسة استخدام نموذج التجميع المتوسط (Averaging Ensemble Model) لتحسين دقة تقدير جهد البرمجيات (Software Effort Estimation - SEE) من خلال الاستفادة من بيانات محركات التكلفة لنموذج . يدمج النموذج التنبؤات الناتجة عن Random Forest (RF) وXGBoost لتحقيق أداء متفوق. يوضح التحليل المقارن باستخدام مجموعتي بيانات NASA93 وChina أن نموذج التجميع المتوسط يتفوق باستمرار على نماذج RF وXGBoost المستقلة، حيث بلغت قيم Root Mean Square Error (RMSE) 0.0313 و0.0155 على التوالي. يعرض النموذج تنبؤات مستقرة وقريبة جدًا من القيم الفعلية، مما يؤكد موثوقيته وفعاليته. يمكن للبحوث المستقبلية استكشاف إضافة نماذج أساسية أخرى وتطبيق هذا النهج على مجموعات بيانات أكثر تنوعًا لتعزيز المرونة وقابلية التعميم. تسلط هذه الدراسة الضوء على إمكانات التعلم التجميعي في مواجهة تعقيدات تقدير تكاليف البرمجيات.