Incorporating Cost driver substitution to improve the effort using Agile COCOMO II

Litoriya, Ratnesh; Sharma, Narendra; Kothari, Abhay

doi:10.1109/conseg.2012.6349494

Cited by 14 publications

(5 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Meminimalisir biaya pengembangan perangkat lunak pada proyek yang dihasilkan maka dapat meningkatkan kualitas proyek yang dikerjakan. Secara tradisional, proyek pengembangan perangkat lunak berkualitas tinggi adalah proyek yang tidak memakan biaya cost drivers [3] selama pengembangan perangkat lunak yang meliputi dari produk, perangkat keras, sumberdaya manusia dan proyek. Selama proses pengujian serta dapat memberikan penilaian kepada user sebagai dasar untuk memenuhi kebutuhan meraka [1].…”

Section: Pendahuluanunclassified

Penanganan Data Tidak Seimbang Menggunakan Hybrid Method Resampling Pada Algoritma Naive Bayes Untuk Software Defect Prediction

Lutfi,

Arsanto,

Amrulloh

et al. 2023

INFORMAL

View full text Add to dashboard Cite

Software defect prediction is software data that is used to identify a software module and can also be used to predict software defects. Before carrying out further trials, it is necessary to carry out special handling, especially by using algorithm models as predictions of software defects with the aim of obtaining information from the device being developed. Therefore, it is necessary to predict software defects using appropriate classification and prediction methods, so that the resulting accuracy results are better. In this study, the naïve Bayes algorithm was used as a classification with a resampling technique approach to handle unbalanced data, including SMOTEENN and SMOTETomek. The best accuracy results in the research conducted were 92.5% on the Nasa Repository PC4 dataset

show abstract

Section: Pendahuluanunclassified

Penanganan Data Tidak Seimbang Menggunakan Hybrid Method Resampling Pada Algoritma Naive Bayes Untuk Software Defect Prediction

Lutfi,

Arsanto,

Amrulloh

et al. 2023

INFORMAL

View full text Add to dashboard Cite

show abstract

“…Litoriya, et al [5] conducted an analysis of the cost drivers that affect directly the cost estimation model accuracy and a substitution process has done for those drivers with nearest values to show and prove the decrease in the software cost using Agile COCOMO II. In 2017, Saljoughin ejad and Kha tibi [6 ] proposed a new study based on COCOMO model to enhance and improve the accuracy of the software cost estimation process.…”

Section: Software Cost Estimation Reviewmentioning

confidence: 99%

A Review of Machine Learning Models for Software Cost Estimation

Arslan

2019

Review of Computer Engineering Research

View full text Add to dashboard Cite

Software cost estimation is a critical task in software projects development. It assists project managers and software engineers to plan and manage their resources. However, developing an accurate cost estimation model for a software project is a challenging process. The aim of such a process is to have a better future sight of the project progress and its phases. Another main objective is to have clear project details and specifications to assist stakeholders in managing the project in terms of human resources, assets, software, data and even in the feasibility study. Accurate estimation results with definitely helps the project manager to do better estimation for the project cost, the time required for various project phases and resources or assets. This paper builds a software cost estimation model using machine learning approach. Different machine learning algorithms are applied to two public datasets to predict the software cost in the early stages. Results show that machine learning methods can be used to predict software cost with a high accuracy rate. Contribution/Originality: This study contributes to the existing literature by enhancing the results of thirteen Machine Learning algorithms on two datasets. The evaluation criteria used in this work are R², MAE, RMAE, RAE, and RRSE. The aim of the proposed model is to predict the effort using dataset attributes and compare them with the actual effort in order to measure the error using different criteria.

show abstract

“…Seiring dengan berjalannya waktu, praktikpraktik pemrograman pasti mengalami perubahan yang mengakibatkan ketertinggalan model lama sehingga estimasi dengan menggunakan model lama tersebut tidak dapat memberikan tingkat ketepatan yang tinggi. Oleh karena itu, COCOMO II dirancang untuk beradaptasi kepada perubahan praktik-praktik pemrograman dengan ikut mempertimbangkan hal-hal seperti code reusability [1]…”

Section: Pendahuluanunclassified

Perbandingan Hasil Analisis Aplikasi dengan Metode COCOMO I dan II

Baqir

Hidayati

2015

JURNAL MULTIMEDIA NETWORKING INFORMATICS

View full text Add to dashboard Cite

Abstrak-Ada beberapa metode yang sudah dikembangkan untuk melakukan perkiraan upaya yang dibutuhkan oleh seseorang atau sebuah tim dalam mengembangkan sebuah perangkat lunak. Diantaranya adalah metode analisis Function Point, Line of Code, dan Constructive Cost Model (COCOMO). Artikel ini berfokus kepada model COCOMO I dan II. Untuk mencari perbedaan COCOMO I dan II, dilakukan estimasi pada sebuah aplikasi .NET yang menggunakan Windows Forms. Pada COCOMO I, terjadi peningkatan hampir 100% terhadap usaha yang dibutuhkan untuk mengembangkan aplikasi yang dilakukan di fase basic dan intermediate. Hal tersebut karena cost driver yang mempengaruhi tingkat usaha penyelesaian dapat dikenali sehingga dapat mengubah perencanaan untuk meningkatkan pemanfaatan sumber daya yang telah diberikan. Pada COCOMO II fase Application Composition, hasil estimasi yang didapatkan tidak berbeda jauh dengan hasil estimasi dengan menggunakan basic COCOMO I, karena tidak memperhitungkan faktor atau hal-hal yang dapat mempengaruhi hasil estimasi yang dilakukan pada fase lanjutan. Hasil estimasi fase Early Design mirip dengan hasil perhitungan Intermediate COCOMO karena ada tujuh cost driver baru yang teridentifikasi. Pada fase Post-Architectural hasil estimasi meningkat hampir dua kali lipat dari perhitungan fase sebelumnya. Ini menunjukkan aplikasi yang dianalisis membutuhkan usaha yang tinggi untuk melakukan pengembangan lebih lanjut.

show abstract

Incorporating Cost driver substitution to improve the effort using Agile COCOMO II

Cited by 14 publications

References 22 publications

Penanganan Data Tidak Seimbang Menggunakan Hybrid Method Resampling Pada Algoritma Naive Bayes Untuk Software Defect Prediction

Penanganan Data Tidak Seimbang Menggunakan Hybrid Method Resampling Pada Algoritma Naive Bayes Untuk Software Defect Prediction

A Review of Machine Learning Models for Software Cost Estimation

Perbandingan Hasil Analisis Aplikasi dengan Metode COCOMO I dan II

Contact Info

Product

Resources

About