Peningkatan Efisiensi Estimasi Ukuran Software Berbasis Function Point Dengan Model Pembelajaran Mendalam
Lidya Nurhapsari Prasetya ningsih
Â
Peningkatan efisiensi estimasi ukuran software yang berbasis pada Function Point dengan menggunakan model pembelajaran dalam (deep learning). Model yang diusulkan adalah BiLSTM-CRF (Bidirectional Long Short-Term Memory-Conditional Random Field), yang dilatih pada kebutuhan yang telah diberi label sebelumnya untuk mengklasifikasikan tipe function point dari kebutuhan baru dalam domain yang sama. Metode ini diuji pada 29 proyek nyata yang disediakan oleh mitra industri. Hasil eksperimen menunjukkan bahwa model NER (Named Entity Recognition) memiliki presisi dan nilai F1 pada analisis function point berbasis BiLSTM-CRF sebesar 94.5% dan 80.3% masing-masing. Selain itu, ada peningkatan efisiensi dalam proses estimasi ukuran software sebesar rata-rata 38.6%, yang merupakan peningkatan signifikan untuk estimasi ukuran software yang berbasis function point.
 Metodologi yang terkait dengan estimasi ukuran software menggunakan Function Point Analysis (FPA) dan pengembangan model pembelajaran mendalam
Function Point Analysis (FPA) adalah metode yang telah mapan untuk mengestimasi ukuran software dengan menguraikan sistem menjadi komponen fungsional. Penelitian ini mengambil pendekatan inovatif dengan menggabungkan metode tradisional FPA dengan teknologi terbaru dalam pembelajaran mendalam untuk meningkatkan efisiensi dan akurasi estimasi ukuran software. Pengenalan fungsi dalam sistem merupakan langkah awal di mana sistem dianalisis untuk mengidentifikasi komponen-komponen fungsional utama seperti External Input, External Output, Internal Logical File, External Interface File, dan Inquiry. Setiap komponen ini kemudian dinilai untuk kompleksitasnya berdasarkan interaksi dengan data dan kontrol informasi yang terlibat. Setelah identifikasi dan penilaian awal komponen-komponen fungsional, metode penelitian melanjutkan dengan proses pelabelan data untuk melatih model pembelajaran mendalam. Model yang digunakan adalah BiLSTM-CRF, yang merupakan kombinasi dari Bi-directional Long Short-Term Memory (BiLSTM) dan Conditional Random Field (CRF). Model ini dilatih dengan dataset yang telah dilabeli untuk mengklasifikasikan dan mengenali jenis-jenis function point dari persyaratan baru dalam domain yang sama. Selanjutnya, model yang telah dilatih diuji menggunakan data nyata dari proyek-proyek software untuk menilai kemampuannya dalam mengestimasi ukuran software dengan tepat. Penelitian ini mengusulkan bahwa penggunaan model pembelajaran mendalam dapat secara signifikan mengurangi waktu dan sumber daya yang dibutuhkan untuk estimasi ukuran software, terutama dalam skenario pengembangan software skala besar.
Kesimpulan
Penelitian ini mengidentifikasi bahwa pendekatan saat ini untuk estimasi upaya dalam pengembangan software kerap kali terhambat oleh ketergantungan pada dataset metrik yang spesifik, seperti ISBSG dan NASA, yang tidak selalu mudah diakses atau relevan dengan kebutuhan industri khusus, terutama dalam konteks Software Cost Estimation (SCE). Hal ini menimbulkan kesulitan dalam mengadopsi model SCE yang ada, yang oleh banyak perusahaan dianggap sebagai proses yang mahal dan memakan waktu. Sebagai respons terhadap tantangan ini, penelitian ini memperkenalkan metode baru yang memanfaatkan teknik pembelajaran mendalam untuk meningkatkan efisiensi dalam analisis function point, sebuah metrik utama dalam SCE. Model yang diusulkan, yang mengadopsi arsitektur BiLSTM-CRF, dirancang untuk otomatis mengekstrak fitur function point dari kalimat dalam dokumen persyaratan, dengan tujuan mengurangi keterlibatan manual yang intensif dan mempercepat proses estimasi. Dengan mengimplementasikan model ini, penelitian mengusulkan potensi peningkatan signifikan dalam akurasi dan kecepatan estimasi, yang pada gilirannya dapat mengurangi biaya dan waktu yang diperlukan untuk pengembangan software, sembari mempertahankan atau bahkan meningkatkan keandalan hasil estimasi.
