Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Software effort estimation (SEE) is critical in project management, yet accuracy is often compromised by project complexity. To address this, this study proposes an innovative hybrid method Particle Swarm Optimization (PSO) - Extreme Gradient Boosting (XGBoost) for SEE. The PSO algorithm optimizes the hyperparameters of XGBoost, improving its ability to model nonlinear relationships in software project data, thereby reducing estimation errors. Experimental results on China and Nasa93 datasets show that PSO-XGBoost significantly outperforms traditional methods and standalone machine learning models. The proposed method achieves a lower Root Mean Square Error (RMSE) of 0.024 for China and 0.0653 for Nasa93 demonstrating its effectiveness in providing precise effort estimation. Despite its computational complexity and reliance on quality data, this study contributes to the SEE field by presenting a practical and reliable solution, assisting software managers in resource planning and decision making.

Conclusion

Penelitian ini mengevaluasi kinerja PSO dalam penyesuaian hiperparameter model XGBoost, membandingkannya dengan pendekatan optimasi Genetic Algorithm dan Random Search.Hasil eksperimen menunjukkan bahwa PSO-XGBoost secara konsisten menunjukkan kinerja yang kuat, terutama pada dataset yang lebih besar dan lebih kompleks.Meskipun PSO-XGBoost menunjukkan kinerja yang kompetitif pada dataset NASA93, namun sedikit lebih rendah dibandingkan Random Search-XGBoost.Pada dataset China, PSO-XGBoost secara signifikan mengungguli GA-XGBoost dan Random Search-XGBoost, mencapai RMSE sebesar 0,024.

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, perlu dilakukan penyetelan lebih lanjut terhadap parameter internal PSO, seperti inertia_weight, cognitive_weight, dan social_weight, serta jumlah partikel untuk mengidentifikasi konfigurasi optimal yang memaksimalkan konvergensi dan akurasi pada berbagai karakteristik dataset SEE. Kedua, eksplorasi pendekatan hibrida lanjutan, seperti menggabungkan PSO dengan algoritma optimasi global lain atau mengintegrasikan PSO-XGBoost dengan teknik feature selection yang lebih canggih, dapat meningkatkan efektivitas model. Ketiga, penelitian lebih lanjut perlu dilakukan dengan menguji penerapan PSO-XGBoost pada beragam dataset SEE yang lebih luas, termasuk dataset dengan dimensi fitur yang sangat tinggi atau yang berasal dari berbagai domain industri, untuk secara komprehensif mengevaluasi generalisasi model dan memastikan keandalannya dalam berbagai skenario aplikasi dunia nyata.

References

1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. analysis effect data scaling performance machine... jurnal.iaii.or.id/index.php/RESTI/article/view/1517Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i analysis effect data scaling performance machine jurnal iaii index php RESTI article view 1517

Metadata

File size	528.12 KB
Pages	12
DMCA	Report