Tuning of COCOMO Model Parameters by using Bee Colony Optimization

Chalotra, Sherry; Sehra, Sumeet Kaur; Brar, Yadwinder Singh; Kaur, Navdeep

doi:10.17485/ijst/2015/v8i14/70010

Cited by 28 publications

(17 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The proposed model was able to provide good estimation capabilities. Chalotra et al [8] have implemented Bee Colony Optimization (BCO), a meta-heuristic way to optimize the parameters of COCOMO. The results obtained show that the proposed BCO based model is able to improve the accuracy of cost estimation and also outperform other models.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Evolutionary Computing Techniques for Software Effort Estimation

Sehra¹,

Brar²,

Kaur³

2017

IJCSIT

Self Cite

View full text Add to dashboard Cite

show abstract

Section: Related Workmentioning

confidence: 99%

“…In recent years, evolutionary computing algorithms have been used in software effort estimation by various researchers [5,8,17,22,29,30]. Although numerous models have been proposed still no model has been found to be highly accurate or efficient approach in all the environments.…”

Section: Introductionmentioning

confidence: 99%

Evolutionary Computing Techniques for Software Effort Estimation

Sehra¹,

Brar²,

Kaur³

2017

IJCSIT

Self Cite

View full text Add to dashboard Cite

show abstract

“…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]. COCOMO II juga dapat diperbaiki menggunakan BCO untuk mencapai hasil yang optimal [10]. Beberapa penelitian yang menggunakan COCOMO II hanya sebatas meningkatkan akurasi dengan metode lainnya.…”

Section: A Constructive Cost Model IIunclassified

“…Karena kompleksitas dan tingginya persyaratan perangkat lunak menuntut hasil akurasi yang lebih baik, makalah ini mengusulkan penggunaan BCO untuk memperbaiki akurasi dan mengoptimalkan biaya perangkat lunak [10]. BCO adalah contoh pendekatan sempurna untuk pemodelan jenis kecerdasan.…”

Section: Bee Colony Optimization (Bco)unclassified

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)

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