Estimasi upaya (effort estimation) adalah elemen krusial dalam keberhasilan proyek pengembangan perangkat lunak. Proses ini mendukung alokasi sumber daya, perencanaan proyek, dan pengambilan keputusan yang efektif. Dalam era digital ini, pembelajaran mesin (machine learning) sebagai bagian dari kecerdasan buatan, berperan penting dalam proses estimasi upaya ini.
Pembelajaran mesin membawa inovasi besar dengan mengembangkan algoritma yang mampu membuat prediksi akurat dari data yang ada. Salah satu pendekatan yang efektif adalah metode ensemble, yang menggabungkan beberapa model untuk meningkatkan akurasi prediksi. Studi menunjukkan bahwa teknik pembelajaran ensemble memberikan hasil prediksi yang lebih baik dalam estimasi upaya perangkat lunak.
Salah satu contoh teknik ensemble yang menonjol adalah Optimal Tree Ensemble (OTE). OTE menggabungkan pohon peringkat teratas (top-ranked trees) satu per satu dari Random Forests, menghasilkan prediksi yang lebih akurat. Selain itu, Gradient Boost Regressor (GBR) juga sering kali lebih unggul daripada metode lain seperti regression tree dan linear regression. GBR mampu mencapai skor akurasi tinggi dengan nilai R2 sebesar 99%. Penelitian juga mengungkap bahwa kombinasi teknik Support Vector Machine (SVM) dan regresi memberikan prediksi yang lebih baik daripada teknik solo.
Studi terbaru mengenai 40 artikel terkait estimasi upaya perangkat lunak menunjukkan bahwa teknik ensemble dalam pembelajaran terawasi (supervised learning) dapat meningkatkan akurasi prediksi daripada teknik non-ensemble. Teknik ensemble biasanya digunakan untuk seting parameter, pemilihan fitur, dan pembobotan fitur. Metode pembelajaran terawasi digunakan untuk memilih fitur yang relevan dalam data latih (training data). Sementara itu, metode pembelajaran tidak terawasi (unsupervised learning) banyak digunakan untuk pemilihan fitur, seting hyper-parameter, dan pra-proses data untuk mengoptimalkan model. Pembelajaran penguatan (reinforcement learning) digunakan untuk menentukan nilai parameter pemilihan fitur guna memastikan relevansi dan kontribusi data terhadap estimasi upaya perangkat lunak. Metode pembelajaran mesin yang paling umum digunakan dalam penelitian estimasi upaya perangkat lunak meliputi Jaringan Saraf Tiruan (Artificial Neural Networks), Regresi, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, dan Bootstrap Aggregation.
Meskipun pembelajaran mesin telah membawa banyak inovasi dalam estimasi upaya perangkat lunak, masih terdapat tantangan yang memerlukan solusi di masa depan. Tantangan ini termasuk mengatasi ketidakseimbangan data, mengidentifikasi metode ensemble paling efektif, dan menganalisis faktor-faktor yang mempengaruhi penerapan metode ensemble untuk meningkatkan akurasi. Maka dari itu, Dengan terus mengembangkan dan menyempurnakan teknik-teknik ini, peluang estimasi upaya dalam proyek pengembangan perangkat lunak dapat lebih akurat, sehingga mendukung kesuksesan proyek secara keseluruhan.
Penulis : Eva Hariyanti
Link artikel ilmiah: https://journals2.ums.ac.id/index.php/khif/article/view/2803
