Eksperimen Seleksi Fitur Pada Parameter Proyek Untuk Software Effort Estimation dengan K-Nearest Neighbor

• Main Authors: Fachruddin Fachruddin, Yovi Pratama
• Format: Article
• Language: English
• Published: Politeknik Harapan Bersama Tegal 2017-07-01
• Series: Jurnal Informatika: Jurnal Pengembangan IT
• Online Access: http://ejournal.poltektegal.ac.id/index.php/informatika/article/view/510

<em>Software Effort Estimation</em> adalah proses estimasi biaya perangkat lunak sebagai suatu proses penting dalam melakukan proyek perangkat lunak. Berbagai penelitian terdahulu telah melakukan estimasi usaha perangkat lunak dengan berbagai metode, baik metode <em>machine learning</em>  maupun non <em>machine</em> <em>learning</em>. Penelitian ini mengadakan set eksperimen seleksi atribut pada parameter proyek menggunakan teknik k-<em>nearest</em> <em>neighbours</em> sebagai estimasinya dengan melakukan seleksi atribut menggunakan <em>information gain</em> dan <em>mutual information</em> serta bagaimana menemukan  parameter proyek yang paling representif pada <em>software effort estimation</em>. Dataset <em>software estimation effort</em> yang digunakan pada eksperimen adalah  yakni albrecht, china, kemerer dan mizayaki94 yang dapat diperoleh dari repositori data khusus <em>Software Effort Estimation</em> melalui url http://openscience.us/repo/effort/. Selanjutnya peneliti melakukan pembangunan aplikasi seleksi atribut untuk menyeleksi parameter proyek. Sistem ini menghasilkan dataset arff yang telah diseleksi. Aplikasi ini dibangun dengan bahasa java menggunakan IDE Netbean. Kemudian dataset yang telah di-generate merupakan parameter hasil seleksi yang akan dibandingkan pada saat melakukan <em>Software Effort Estimation</em> menggunakan tool WEKA . Seleksi Fitur berhasil menurunkan nilai error estimasi (yang diwakilkan oleh nilai RAE dan RMSE). Artinya bahwa semakin rendah nilai error (RAE dan RMSE) maka semakin akurat nilai estimasi yang dihasilkan. Estimasi semakin baik setelah di lakukan seleksi fitur baik menggunakan <em>information gain</em> maupun <em>mutual information</em>. Dari nilai error yang dihasilkan maka dapat disimpulkan bahwa dataset yang dihasilkan seleksi fitur dengan metode <em>information gain</em> lebih baik dibanding <em>mutual information</em> namun, perbedaan keduanya tidak terlalu signifikan.