Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Grey Wolf Optimizer Termodifikasi Menggunakan Chaotic Uniform Initialization Untuk Estimasi Effort Cocomo

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 12 No. 3 (2025) · hlm. 671–680

DOI
10.25126/jtiik.2025128901
ISSN
2528-6579, 2355-7699
Terbit
2025-06-30
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek. Abstract COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.

Inggris

COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek. Abstract COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.

Kata kunci

Jaringan kolaborasi para penulis

11 penulis · 22 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Gadjah Mada
  • Universitas Ahmad Dahlan
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Wahyu WilopoUniversitas Gadjah Mada1
Fikri FarisUniversitas Gadjah Mada1
Fandi FadliansyahUniversitas Gadjah Mada1
SunardiAfiliasi tidak diketahui1
Kartika FirdausyUniversitas Ahmad Dahlan1
retno wahyusariAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Grey Wolf Optimizer Termodifikasi Menggunakan Chaotic Uniform Initialization Untuk Estimasi Effort Cocomo</dc:title>
	<dc:title xml:lang="en">Grey Wolf Optimizer Termodifikasi Menggunakan Chaotic Uniform Initialization Untuk Estimasi Effort Cocomo</dc:title>
	<dc:creator xml:lang="en">Ardiansyah</dc:creator>
	<dc:creator xml:lang="en">Handayaningsih, Sri</dc:creator>
	<dc:creator xml:lang="en">Fathurrizki, Deva</dc:creator>
	<dc:creator xml:lang="id">Ardiansyah</dc:creator>
	<dc:creator xml:lang="id">Handayaningsih, Sri</dc:creator>
	<dc:creator xml:lang="id">Fathurrizki, Deva</dc:creator>
	<dc:subject xml:lang="id">estimasi effort</dc:subject>
	<dc:subject xml:lang="id">proyek perangkat lunak</dc:subject>
	<dc:subject xml:lang="id">grey wolf optimizer</dc:subject>
	<dc:subject xml:lang="id">optimasi metaheuristik</dc:subject>
	<dc:subject xml:lang="id">COCOMO</dc:subject>
	<dc:subject xml:lang="en">effort estimation</dc:subject>
	<dc:subject xml:lang="en">software project</dc:subject>
	<dc:subject xml:lang="en">grey wolf optimizer</dc:subject>
	<dc:subject xml:lang="en">metaheuristic optimization</dc:subject>
	<dc:subject xml:lang="en">COCOMO</dc:subject>
	<dc:description xml:lang="id">COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek.
 
Abstract
COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.</dc:description>
	<dc:description xml:lang="en">COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek.
 
Abstract
COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2025-06-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8901</dc:identifier>
	<dc:identifier>10.25126/jtiik.2025128901</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 12 No 3: Juni 2025; 671-680</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 12 No. 3: Juni 2025; 671-680</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.123</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8901/1450</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>