Accuracy Improvement of the Estimations Effort in Constructive Cost Model II Based on Logic Model of Fuzzy

Putri, Rahmi Rizkiana; Sarno, Riyanarto; Siahaan, Daniel; Ahmadiyah, Adhatus Solichah; Rochimah, Siti

doi:10.1166/asl.2017.8767

Cited by 13 publications

(9 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…f. Update velocity and position of the optimization based on equation 3and (4). The new regulatory formula for parameter A in equation (5) and (6), similarly for parameter B in equation 7and (8). The equation for updating the velocity and position of parameter A is given as follows…”

Section: Methodsmentioning

confidence: 99%

“…The technique of algorithmic refers to the existence of a mathematical equation to estimate software costs, whereas non-algorithmic techniques refer to the absence of mathematical equations to estimate software costs [3]. This includes the analogy method [4], artificial neural network [5,6], fuzzy logic [7,8], genetic algorithm [9], and Cuckoo optimalization [10]. The cost estimated is expressed in terms of currency ($).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Optimizing Effort Parameter of COCOMO II Using Particle Swarm Optimization Method

2018

Self Cite

View full text Add to dashboard Cite

Estimating the effort and cost of software is an important activity for software project managers. A poor estimate (overestimates or underestimates) will result in poor software project management. To handle this problem, many researchers have proposed various models for estimating software cost. Constructive Cost Model II (COCOMO II) is one of the best known and widely used models for estimating software costs. To estimate the cost of a software project, the COCOMO II model uses software size, cost drivers, scale factors as inputs. However, this model is still lacking in terms of accuracy. To improve the accuracy of COCOMO II model, this study examines the effect of the cost factor and scale factor in improving the accuracy of effort estimation. In this study, we initialized using Particle Swarm Optimization (PSO) to optimize the parameters in a model of COCOMO II. The method proposed is implemented using the Turkish Software Industry dataset which has 12 data items. The method can handle improper and uncertain inputs efficiently, as well as improves the reliability of software effort. The experiment results by MMRE were 34.1939%, indicating better high accuracy and significantly minimizing error 698.9461% and 104.876%.

show abstract

Section: Methodsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Optimizing Effort Parameter of COCOMO II Using Particle Swarm Optimization Method

2018

Self Cite

View full text Add to dashboard Cite

show abstract

“…Kemampuan pemodelan baru yang utama pada COCOMO II adalah model software sizing, yang melibatkan Object Points, Function Points, LOC, model nonlinear untuk digunakan kembali pada perangkat lunak dan rekayasa ulang, pendekatan eksponen untuk pemodelan disekonomi software skala relative, dan beberapa penambahan, penghapusan, serta update cost driver dari COCOMO sebelumnya. Adapun beberapa penelitian sebelumnya yang menggunakan metode ini menggunakan fuzzy trapesium untuk merancang ulang EM dari COCOMO II agar hasil EM lebih akurat [14]. Akan tetapi, penelitian berikut memperbaiki hasil akurasi COCOMO II menggunakan FG, karena jika menggunakan fuzzy trapesium, transisinya tidak sebaik Gaussian, sehingga hasil yang dicapai masih jauh dari Actual Effort [5].…”

Section: A Constructive Cost Model IIunclassified

“…• Menghitung MRE di tiap lebah yang sudah mencari nilai E. • Membandingkan hasil akurasi estimasi usaha dan biaya menggunakan COCOMO II FG pada data set Cocomosdr dan NASA 93-dem [14].…”

Section: B Metode Bee Colony Optimizationunclassified

See 1 more Smart Citation

Peningkatan Akurasi Estimasi Usaha dan Biaya COCOMO II Berdasarkan Gaussian dan BCO

Putri¹,

Siahaan²,

Sarwosri³

2017

Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

Self Cite

View full text Add to dashboard Cite

Abstract-An accurate effort and cost estimation provides good management for software projects. Less accurate estimation will affect the management of the software project and cause the ineffectiveness of the project development process. The addition of cost driver, introduced by Barry Boehm in 2000, is used in this paper to provide better accuracy, because it has covered the entire section in the estimation. However, in this paper, the accuracy of effort and cost estimation by COCOMO II Fuzzy Gaussian method is still far from actual effort. Therefore, the accuracy can still be increased using Bee Colony Optimization (BCO), as seen in the MMRE loyal results. The value of parameter A and B on COCOMO II is also changed with the initial gradual of 0.01 to give optimal value on a certain gradual. Based on the result of the implementation, the error accuracy of effort estimation and software project cost is reduced by 38%, compared to previous research. In conclusion, the proposed method can increase the accuracy of effort and cost estimation.Intisari-Perkiraan usaha dan biaya yang akurat memberikan manajemen yang baik untuk proyek perangkat lunak. Perkiraan usaha dan biaya yang kurang akurat akan memengaruhi manajemen proyek perangkat lunak dan menyebabkan kurang efektifnya proses pengembangan proyek tersebut. Penambahan cost driver yang diperkenalkan Barry Boehm pada tahun 2000 digunakan dalam makalah ini guna memberikan akurasi yang lebih baik, karena telah mencakup keseluruhan bagian yang diestimasi. Namun, dalam makalah ini akurasi hasil perkiraan usaha dan biaya dengan metode COCOMO II Fuzzy Gaussian masih jauh dari Actual Effort. Oleh sebab itu, peningkatan akurasi hasil COCOMO II Fuzzy Gaussian masih dapat dilakukan dengan menggunakan metode Bee Colony Optimization (BCO) yang meliputi hasil optimasi yang lebih baik, terlihat dari hasil MMRE loyal. Tidak hanya menggunakan metode BCO saja, tetapi juga dilakukan perubahan nilai parameter A dan B pada COCOMO II dengan gradual awal adalah 0,01 untuk mencapai nilai optimal pada gradual tertentu. Berdasarkan hasil implementasi metode yang diusulkan, kesalahan akurasi perkiraan usaha dan biaya proyek perangkat lunak dapat turun 38%, dibandingkan dengan penelitian sebelumnya. Jadi, metode yang digunakan berhasil meningkatkan akurasi perkiraan usaha dan biaya.Kata Kunci-Usaha, perkiraan biaya proyek perangkat lunak, Constructive Cost Model II, akurasi, Fuzzy Gaussian, Bee Colony Optimization.I. PENDAHULUAN Pengembangan perangkat lunak merupakan proses yang tidak sepenuhnya sempurna. Di dalamnya sering terdapat keterlambatan, kegagalan, hingga ditolaknya suatu proyek perangkat lunak. Sebagai contoh perkiraan, manajemen, efisiensi biaya, dan usaha seluruh proyek, hal tersebut adalah faktor-faktor penting dalam pengukuran perkiraan proyek perangkat lunak. Manajemen yang baik dari pengembangan perangkat lunak dapat memperkirakan biaya dan sumber daya perangkat lunak yang tepat. Perkiraan biaya proyek adalah tugas memprediksi biaya, usaha, atau produktifitas yang dibutuhkan...

show abstract

A Hybrid Cuckoo Optimization and Harmony Search Algorithm for Software Cost Estimation

Puspaningrum

Sarno

2017

Procedia Computer Science

View full text Add to dashboard Cite

Accuracy Improvement of the Estimations Effort in Constructive Cost Model II Based on Logic Model of Fuzzy

Cited by 13 publications

References 0 publications

Optimizing Effort Parameter of COCOMO II Using Particle Swarm Optimization Method

Optimizing Effort Parameter of COCOMO II Using Particle Swarm Optimization Method

Peningkatan Akurasi Estimasi Usaha dan Biaya COCOMO II Berdasarkan Gaussian dan BCO

A Hybrid Cuckoo Optimization and Harmony Search Algorithm for Software Cost Estimation

Contact Info

Product

Resources

About