Abstract
Software effort estimation memainkan peran penting pada proyek perangkat lunak. Hal ini dikarenakan jika hasil estimasi tidak akurat, maka akan memberikan dampak negatif untuk pengembang dan klien perangkat lunak. Beberapa metode untuk software effort estimation telah dikembangkan tetapi mempunyai kelemahan yan mendasar; keterlibatan subyektifitas selama proses estimasi yag dapat menurunkan tingkat akurasi estimasi. Maka dari itu, diperlukan pendekatan lain untuk menghilangkan keterlibatan subyektifitas. Pendekatan lain yang dapat dilakukan adalah menggunakan machine learning. Pendekatan ini telah digunakan dalam berbagai aktivitas rekayasa perangkat lunak. Hal ini dapat dilakukan karena masih menggunakan konsep yang sama untuk software effort estimation yaitu penggunaan data historical. Salah satu metode machine learning yang dapat digunakan yaitu Support Vector Regression (SVR). Namun, terdapat 2 permasalahan yang dihadapi ketika menggunakan metode ini; pemilihan fitur yang akan digunakan dan pencarian kombinasi parameter yang optimal. Semua permasalahan ini dapat diselesaikan dengan pengoptimasian. Salah satu metode optimasi yag dapat digunakan yaitu Particle Swarm Optimization (PSO). PSO telah terbukti memiliki kinerja yang baik dalam pemilihan fitur dan pencarian kombinasi parameter yang optimal. Hasil dari uji coba menunjukkan bahwa estimasi dapat memiliki rata-rata tingkat error sebesar 0,5907 dan hasil yang lebih baik daripada metode lain. Dari hasil tersebut, dapat disimpulkan bahwa PSO dapat menyelesaikan permasalahan optimasi SVR dalam software effort estimation.
