Penulis Mohammad Hendrew P.
Pendahuluan:
Dalam pengembangan perangkat lunak, estimasi ukuran adalah kunci untuk menentukan jadwal dan biaya proyek. Salah satu metode yang sering digunakan adalah teknik "Backfiring", yang mengonversi metrik "Function Point" menjadi baris kode sumber. Namun, metode ini memiliki margin kesalahan yang tinggi. Dalam artikel ini, kita akan mengeksplorasi bagaimana teknik neuro-fuzzy dapat digunakan untuk mengkalibrasi rasio konversi backfiring, sehingga meningkatkan akurasi estimasi.
Apa itu Function Point Backfiring?
Function Point Backfiring adalah sebuah metode yang digunakan dalam estimasi ukuran perangkat lunak. Ini merupakan pendekatan yang mengonversi "Function Points" (FP) menjadi "Source Lines of Code" (SLOC). Intinya, metode ini menyediakan cara untuk mengestimasi jumlah baris kode yang akan dihasilkan berdasarkan analisis function points dari perangkat lunak yang akan atau telah dikembangkan.
Artikel ini fokus pada bagaimana menggabungkan kecerdasan buatan, khususnya jaringan saraf (neural networks) dan logika fuzzy, untuk meningkatkan akurasi dalam mengonversi Function Points menjadi Source Lines of Code (SLOC). Dengan melakukan kalibrasi ini, peneliti bertujuan untuk mengurangi margin kesalahan yang sering terjadi dalam metode konversi tradisional, sehingga memberikan estimasi ukuran perangkat lunak yang lebih tepat.
Masalah dengan Metode Backfiring Tradisional:
- Backfiring mengubah Function Point menjadi Source Lines of Code (SLOC) dengan rasio konversi.
- Meskipun populer, metode ini rentan terhadap kesalahan yang signifikan.
Mengapa Neuro-Fuzzy?
- Teknik neuro-fuzzy menggabungkan neural network dan fuzzy logic, yang telah terbukti meningkatkan kinerja dalam model prediksi perangkat lunak.
- Ini memungkinkan untuk kalibrasi rasio konversi yang lebih presisi.
Proses Kalibrasi Menggunakan Neuro-Fuzzy:
- Rasio konversi diatur dalam "fuzzy sets" berdasarkan level bahasa pemrograman.
- Neural network digunakan untuk mengkalibrasi set-set fuzzy ini, dengan berfokus pada data dari standar internasional seperti ISBSG.
Hasil dan Evaluasi:
- Penelitian menggunakan 287 data point untuk membandingkan rasio konversi yang dikalibrasi dengan yang asli.
- Hasil menunjukkan peningkatan kecil dalam akurasi, tetapi tidak secara konsisten menunjukkan perbaikan yang signifikan atas model tradisional.
Kesimpulan: