KOMBINASI MEDIAN WEIGHTED INFORMATION GAIN DENGAN K-NEAREST NEIGHBOR PADA DATASET LABEL MONTHS SOFTWARE EFFORT ESTIMATION

Abstract

Software Effort Estimation adalah salah satu masalah tertua dan paling penting yang dihadapi dalam manajemen proyek perangkat lunak. Algoritma k-Nearnest Neighbor (k-NN) menunjukkan hasil yang akurat untuk kumpulan data kecil dan mampu mengatasi data yang outlier. Namun algoritma k-NN memiliki kelemahan yaitu tidak dapat toleran terhadap fitur yang tidak relevan. Dataset public software effort dengan label memiliki beberapa jenis masalah utama yang paling sering ditemui dalam dataset dengan label monts yaitu data outlier, nilai yang hilang dan fitur yang tidak relavan (irrelevant featur). Penelitian ini mengusulkan metode kombinasi seleksi fitur Weighted Information Gain (WIG) dengan menggunakan kriteria (threshold) median dengan algoritma k-NN untuk menyelesaikan masalah fitur yang tidak relevan. Hasil komparasi memperlihatkan bahawa nilai RMSE terkecil pada dataset China sebesar 1936.004 menggunakan metode Median-WIG k-NN, pada dataset Desharnais sebesar 2690.469 menggunakan metode Median-WIG k-NN, pada dataset Kitchenham sebesar 1382.579 menggunakan metode Median-WIG k-NN. Hasil komparasi seluruh pengujian tersebut diketahui bahwa metode usulan Median Weigthed Information Gain dengan k-NN terbukti mampu meningkatkan akurasi estimasi yang ditunjukkan dengan penurunan nilai RMSE yang signifikan pada seluruh dataset. Dengan penggunaan metode yang diusulkan dengan menghilangkan fitur yang tidak relevan mampu meningkatkan akurasi estimasi yang dilihat dari penurunan nilai RMSE secara signifikan menjadi lebih kecil