IRPIIRPI
MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer ScienceSoftware 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.
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.
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.
| File size | 528.12 KB |
| Pages | 12 |
| DMCA | Report |
Related /
IOCSCIENCEIOCSCIENCE This research seeks to increase the precision of automatic rice plant disease detection, namely Brown Spot, Hispa, and Leaf Blast. The suggested methodThis research seeks to increase the precision of automatic rice plant disease detection, namely Brown Spot, Hispa, and Leaf Blast. The suggested method
STMIK DCISTMIK DCI Proses prediksi dilakukan dengan menyesuaikan parameter input dari pengguna melalui antarmuka web, kemudian diproses oleh model Random Forest yang telahProses prediksi dilakukan dengan menyesuaikan parameter input dari pengguna melalui antarmuka web, kemudian diproses oleh model Random Forest yang telah
AKMICIREBONAKMICIREBON Penelitian ini berhasil mengembangkan dan memvalidasi sistem pendukung keputusan pemeliharaan generator diesel pada KM. Bukit Siguntang, yang menghasilkanPenelitian ini berhasil mengembangkan dan memvalidasi sistem pendukung keputusan pemeliharaan generator diesel pada KM. Bukit Siguntang, yang menghasilkan
IRPIIRPI Penelitian berkontribusi pada digitalisasi layanan kesehatan sekolah, namun terbatas pada jumlah responden yang sedikit dan pengujian prototipe. PenelitianPenelitian berkontribusi pada digitalisasi layanan kesehatan sekolah, namun terbatas pada jumlah responden yang sedikit dan pengujian prototipe. Penelitian
IRPIIRPI Response time cloud computing berada pada rentang 215–293 ms dengan success rate mencapai 100%, sehingga memenuhi kategori excellent untuk pengalamanResponse time cloud computing berada pada rentang 215–293 ms dengan success rate mencapai 100%, sehingga memenuhi kategori excellent untuk pengalaman
IRPIIRPI Pelabelan otomatis dengan IndoBERTweet memiliki metrik tinggi tetapi tidak seimbang, sementara pelabelan manual lebih seimbang. RoBERTa menawarkan keseimbanganPelabelan otomatis dengan IndoBERTweet memiliki metrik tinggi tetapi tidak seimbang, sementara pelabelan manual lebih seimbang. RoBERTa menawarkan keseimbangan
IRPIIRPI 5175, nilai model K-Means pada Davies-Bouldin Index sebesar 0. 7241, dan skor untuk K-Means terhadap Calinski-Harabasz Index sebesar 1414.3874. Klaster5175, nilai model K-Means pada Davies-Bouldin Index sebesar 0. 7241, dan skor untuk K-Means terhadap Calinski-Harabasz Index sebesar 1414.3874. Klaster
IRPIIRPI Evaluasi model dilakukan menggunakan cross-validation dengan 10 lipatan. Hasil penelitian menunjukkan bahwa stacking classifier mencapai akurasi keseluruhanEvaluasi model dilakukan menggunakan cross-validation dengan 10 lipatan. Hasil penelitian menunjukkan bahwa stacking classifier mencapai akurasi keseluruhan
Useful /
IRPIIRPI Model CNN dapat digunakan sebagai acuan utama dalam menerapkan analisis sentimen pada topik yang sejenis. Berdasarkan hasil pengujian yang dilakukan padaModel CNN dapat digunakan sebagai acuan utama dalam menerapkan analisis sentimen pada topik yang sejenis. Berdasarkan hasil pengujian yang dilakukan pada
IRPIIRPI Pengujian UAT dengan 30 responden menunjukkan tingkat kepuasan pengguna sebesar 85% terhadap kemudahan penggunaan sistem. Implementasi sistem ini diharapkanPengujian UAT dengan 30 responden menunjukkan tingkat kepuasan pengguna sebesar 85% terhadap kemudahan penggunaan sistem. Implementasi sistem ini diharapkan
IRPIIRPI Optimasi hyperparameter melalui Optuna berhasil meningkatkan akurasi model secara signifikan. Hasil Penelitian menunjukkan bahwa N-BEATS teroptimasi mencapaiOptimasi hyperparameter melalui Optuna berhasil meningkatkan akurasi model secara signifikan. Hasil Penelitian menunjukkan bahwa N-BEATS teroptimasi mencapai
IRPIIRPI Efektivitas aplikasi dievaluasi melalui uji Blackbox (integritas fungsional) dan User Acceptance Testing (UAT) (kegunaan praktis). Evaluasi ini memastikanEfektivitas aplikasi dievaluasi melalui uji Blackbox (integritas fungsional) dan User Acceptance Testing (UAT) (kegunaan praktis). Evaluasi ini memastikan