Temuan Eksperimental
Eksperimen melibatkan tiga kelompok berbeda: satu menggunakan seluruh dataset tanpa klaster, satu lainnya dengan klaster k-means, dan ketiga dengan klaster berdasarkan variabel kategoris. Hasilnya mengejutkan. Pengelompokan, khususnya metode Industry Sector (IS), meningkatkan akurasi estimasi secara signifikan. Metode EEAC, ketika diterapkan dengan klaster IS, mengungguli model FPA tradisional.
Kriteria Evaluasi
Ketelitian studi terlihat dalam pilihan metrik evaluasinya. Metode yang tidak bias seperti Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE) digunakan, memastikan penilaian yang komprehensif dan akurat terhadap model yang diusulkan.
Implikasi untuk Pengembangan Perangkat Lunak
Temuan studi ini memiliki implikasi mendalam bagi manajemen proyek perangkat lunak. Dengan menggabungkan klaster dan pembelajaran mesin dengan metode estimasi tradisional, manajer proyek dapat mencapai estimasi yang lebih presisi, mengarah pada penggunaan sumber daya yang lebih baik dan keberhasilan proyek.
Kesimpulan
Studi "Toward Improving the Efficiency of Software Development Effort Estimation via Clustering Analysis" menandai kemajuan signifikan dalam metodologi manajemen proyek. Pendekatannya yang inovatif menawarkan cakrawala baru dalam estimasi usaha, menjanjikan masa depan di mana proyek perangkat lunak dapat dikelola dengan presisi dan efisiensi yang lebih besar.
