TUGAS REVIEW JURNAL
Nama : Langgeng Pambudhy
Kelas :
3KB07
NPM :
23115781
Judul : Komparasi Metode Machine Learning dan Non
Machine Learning untuk Estimasi Usaha Perangkat Lunak.
Review Jurnal: Komparasi
Metode Machine Learning dan Non Machine Learning untuk Estimasi Usaha Perangkat
Lunak.
Identitas
Judul : Komparasi Metode Machine
Learning dan Non Machine Learning untuk Estimasi Usaha Perangkat
Lunak.
Penulis : Ega Kartika Adhitya,
Romi Satria Wahono dan Hendro Subagyo
Tahun : December 2015
Halaman : 109-113
PENDAHULUAN
Dalam pendahuluan dijelaskan latar belakang penulisan
jurnal ini. Dapat di lihat bahwa jurnal ini mengungkit bahasan tentang
perangkat lunak, karena jika tidak ada perangkat lunak maka tidak dapat
menjalankan perangkat keras yang ada. Untuk estimasi pengembangan perankga
lunak dibagi menjadi dua metode, yaitu. Metode Non Machine Learning yang
merupakan metode konvesinal dengan tingkat keakuratan rendah dan metode Matching
Learning yang tealah digunakan untuk pengembangan perangkat lunak.
Proyek perangkat lunak bersifat dinamis sehingga sulit
untuk menemukan metode estimasi yang cocok untuk proyek perangkat lunak
misalnya, kinerja yang lebih baik dapat dicapai dengan menghilangkan beberapa
atribut, yang dengan ini dapat menghilangkan atribut yang tidak relevan dimana
hal ini dapat meningkatkan akurasi estimasi. Untuk meningkatkan akurasi
diperlukan algoritma seleksi atribut. Yang dibagi 2 tipe yaitu filter
dan wrappting namun Hasil precision
dari tipe wrapper lebih tinggi daripada tipe filter
TUJUAN
Tujuan jurnal ini untuk menseleksi fitur, baru-baru ini
digunakan di bidang rekayasa perangkat lunak untuk meningkatkan akurasi, model
biaya perangkat lunak. Ide di balik memilih subset paling informatif fitur yang
tersedia berasal dari hipotesis bahwa mengurangi dimensi dataset secara
signifikan akan mengurangi kompleksitas dan waktu yang diperlukan untuk
mencapai perkiraan menggunakan teknik pemodelan tertentu.
METODE
PENELITIAN
1. Model
dan variabel penelitian. Variabel yang digunakan yaitu variabel eksogen
(variabel bebas), intervening (variabel antara) dan variabel endogen
(variabel terikat).
2. Metode Pengukuran. Pada metode
pengukuranyang digunagkan yaitu dengan memberikan pertanyaan (kuesioner) kepada
para sampel.
3. Metode Analisis. Metode ini yaitu metode
dengan menitikberatkan kuantitatif (perhitungan) maka hasil yang didapatkan
berupa angka.
HASIL DAN PEMBAHASAN
K-NN mempunyai nilai RSME yang paling baik,
dengan nilai RMSE 6.2 untuk dataset Albercth dan 9.4 untuk dataset Desherhanis.
NN menghasilkan RMSE 11.7 poin untuk dataset Albercth dan 10.8 untuk dataset
Desherhanis . SVM menghasilkan RMSE 11.1 untuk dataset Albercth dan 11 untuk
dataset Desherhanis. Dari hasil tersebut, maka dapat kita simpulkan kNN
merupakan metode machine learning yang baik.
Gambar ini dapat
ketahui bahwa FP mempunyai nilai RSME yang paling baik, dengan nilai RMSE 4.6
poin untuk dataset Albercth dan 21.3 poin untuk dataset Desherhanis. UCP
menghasilkan RMSE 8.8 poin untuk dataset Albercth dan 64.3 poin untuk dataset
Desherhanis. Dari hasil tersebut, maka dapat kita simpulkan FP merupakan metode
non-machine learning yang baik. Gambar ini merupakan grafik komparasi RMSE
metode non- machine learning
Perbandingan
Hasil Metode Machine Learning dan Non-Machine Learning
pada penelitian
ketiga ini dikomparasikan antara kNN dan FP dan menghasilkan kNN sebagai metode
terbaik untuk estimasi perangkat lunak. Gambar 4 merupakan hasil komparasi
metode machine learning dan non machine learning terbaik untuk estimasi
perangkat lunak
kNN untuk dua dataset baik dataset Albercth dan dataset
Deshernanis, algoritma seleksi atribut FS mendapatkan hasil yang paling baik
untuk digunakan pada estimasi usaha perangkat lunak.
KESIMPULAN
SVM didapatkan
kNN dengan hasil terbaik dengan nilai RMSE yang paling baik, dengan nilai RMSE
6.2 untuk dataset Albercth dan 9.4 untuk dataset Desherhanis. Hasil dari metode
non ML antara FP dan UCP didapatkan FP mempunyai nilai RSME yang paling baik,
dengan nilai RMSE 4.6 untuk dataset Albercth dan 21.3 untuk dataset
Desherhanis. Dapat disimpulkan hasil dari komparasi antara kNN dan FP dan
menghasilkan kNN sebagai metode terbaik untuk estimasi perangkat lunak.
Seleksi atribut FS mendapatkan hasil yang terbaik. Dengan
menggunakan kNN untuk dua dataset baik dataset Albercth dan dataset
Deshernanis, algoritma Seleksi Atribut FS mendapatkan hasil yang paling baik
untuk digunakan pada estimasi usaha perangkat lunak.menghasilkan kNN dengan
Seleksi Atribut FS sebagai metode terbaik untuk estimasi perangkat lunak.
DAFTAR PUSTAKA
Tidak ada komentar:
Posting Komentar