Estimasi usaha digunakan untuk memprediksi jumlah waktu yang diperlukan oleh seseorang atau sekelompok untuk mencapai tugas/aktivitas/proses yang diberikan. Proses dalam mengestimasi usaha terdiri dari:
1. Membuat model usaha
2. Membuat sebuah perkiraan usaha
Lebih dari 30 tahun terakhir, beberapa teknik untuk melakukan estimasi usaha sudah diajukan. Teknik untuk melakukan estimasi usaha dibagi menjadi tiga ketegori (Shepperd, Schofield, & Kitchenham, 1996), yaitu:
1. Pendapat ahli
Proses estimasi teknik ini dilakukan dengan melalui pendapat para ahli secara subjektif berdasarkan pada pengalaman di masa lalu dari mengatur proyek yang sama sebelumnya. Proses estimasi usaha menggunakan pendapat ahli terdiri dari:
a. Ahli melihat faktor-faktor yang mempengaruhi estimasi usaha dan biaya yang berhubungan dengan proyek baru dimana usaha yang butuh diestimasi.
b. Berdasarkan data yang diingat atau yang diambil dari proyek yang sudah selesai di masa yang usahanya sudah diketahui.
c. Berdasarkan data dari poin (a) dan (b), dilakukan estimasi usaha untuk proyek baru secara subjektif. Estimasi usaha yang tepat bisa diberikan jika terdapat proyek yang sama dengan proyek di masa lalu.
2. Model algoritma
Salah satu model algoritma adalah COnstructive COst MOdel (COCOMO):
Nilai a dan b merupakan jenis atau mode proyek yang sedang berjalan, EstSizeNewProject merupakan estimasi ukuran dari proyek baru dan Effort Adjustment Factor (EAF) berdasarkan pada 15 pemicu biaya yang dihitung dan dijumlahkan.
(Boehm, 1981) mengusulkan tiga tipe proyek, yakni:
a. Organic mode – proyek sederhana yang melibatkan tim kecil yang bekerja di lingkungan yang dikenal dan stabil.
b. Semi-detached mode – proyek yang melibatkan tim dengan pengalaman yang bervariasi. Jenis ini di antara organic mode dan embedded mode.
c. Embedded mode – proyek kompleks yang dikembangkan dibawah pengawasa ketat dan biasanya memiliki hambatan yang cukup besar. Tim sebagian besar terdiri dari tenaga yang berpengalaman.
Tabel 2.16. Usaha Pengembangan pada Intermediate COCOMO
Development mode Intermediate Effort Equation
Organic DE = EAF * 3.2 * (SIZE)1.05
Semi-deteched DE = EAF * 3.0 * (SIZE)1.12
Embedded DE = EAF * 2.8 * (SIZE)1.2
EAF merupakan hasil dari 15 pemicu biaya yang dapat dilihat di tabel 2.17. Multipliers dari pemicu biaya adalah Very Low, Low, Nominal, High, Very High and Extra High. Misalkan untuk sebuah proyek, jika RELY adalah Low, Data adalah High, CPLX adalah Extra High, TIME adalah Very High, STOR adalah High, dan parameter lainnya adalah nominal makan EAF = 0.75 * 1.08 * 1.65 * 1.30 * 1.06 * 1.0. Jika
nilai-nilai kategori semua 15 pemicu biaya adalah “Nominal”, maka EAF adalah sama dengan 1.
Tabel 2.17. 15 Pemicu Biaya pada Intermediate COCOMO
No
Cost Driver Symbol
Very
Low Low Nominal High Very High Extra High 1 RELY 0.75 0.88 1.00 1.15 1.40 ─ 2 DATA ─ 0.94 1.00 1.08 1.16 ─ 3 CPLX 0.70 0.85 1.00 1.15 1.30 1.65 4 TIME ─ ─ 1.00 1.11 1.30 1.66 5 STOR ─ ─ 1.00 1.06 1.21 1.56 6 VIRT ─ 0.87 1.00 1.15 1.30 ─ 7 TURN ─ 0.87 1.00 1.07 1.15 ─ 8 ACAP ─ 0.87 1.00 1.07 1.15 ─ 9 AEXP 1.29 1.13 1.00 0.91 0.82 ─ 10 PCAP 1.42 1.17 1.00 0.86 0.70 ─ 11 VEXP 1.21 1.10 1.00 0/90 ─ ─ 12 LEXP 1.14 1.07 1.00 0.95 ─ ─ 13 MODP 1.24 1.10 1.00 0.91 0.82 ─ 14 TOOL 1.24 1.10 1.00 0.91 0.83 ─ 15 SCED 1.23 1.08 1.00 1.10 1.10 ─
15 pemicu biaya secara luas diklasifikasikan menjadi 4 kategori (Boehm, 1981) (Xu & Khoshgoftaar, 2004):
a) Product: RELY - Required software reliability DATA - Data base size
CPLX - Product complexity b) Platform: TIME - Execution time
STOR - Main storage constraint VIRT - Virtual machine volatilit
TURN - Computer turnaround time
c) Personel: ACAP - Analyst capability
AEXP - Applications experience PCAP - Programmer capability
VEXP - Virtual machine experience LEXP - Languange experience
d) Project: MODP - Modern programing
TOOL - Use of software tools
SCED - Require developmet schedule
Bergantung pada proyek, multiplikator pemicu biaya akan bervariasi dan dengan demikian EAF mungkin lebih besar dari atau kurang dari 1, sehingga mempengaruhi usaha. (Xu & Khoshgoftaar, 2004).
3. Teknik kecerdasan buatan
Salah satu jenis teknik kecerdasan buatan adalah logika fuzzy. Menurut (Li, 1997) logika fuzzy merupakan basis pengetahuan atau sistem basis aturan-aturan. Inti dari sistem fuzzy adalah basis pengetahuan yang terdiri dari apa yang disebut aturan fuzzy IF-THEN. Aturan fuzzy adalah pernyataan IF-THEN di mana beberapa kata yang ditandai dengan fungsi keanggotaan yang berkelanjutan. Sebagai contoh dari aturan fuzzy IF-THEN adalah: IF the speed of a car is high, IF-THEN apply less force to the accelerator.
Logika fuzzy merupakan sebuah metodologi sistem kontrol penyelesaian masalah yang cocok diimplementasikan dalam sistem, mulai
dari sistem yang sederhana, kecil, embedded micro-controllers, hingga yang besar, jaringan, multi channel PC dan sistem kontrol. Logika fuzzy menyediakan sebuah cara yang sederhana untuk mendapatkan kesimpulan berdasarkan informasi yang kabur, ambigu, tidak tepat atau bahkan yang hilang. Umumnya, logika fuzzy adalah metode cukup efektif untuk sistem yang model matematikanya tidak diketahui atau tidak dapat dibuat (Aydin, Karakose, & Akin, 2009).
Sebuah sistem menggunakan logika fuzzy memiliki hubungan langsung dengan konsep fuzzy (seperti fuzzy sets, variable linguistic, dll) dan logika fuzzy. Yang paling populer sistem logika fuzzy dapat dikategorikan menjadi tiga jenis: Pure fuzzy logic systems, Takagi and Sugeno’s fuzzy system, dan fuzzy logic system with fuzzier dan defuzzifier (Ziauddin, Kamal, Khan, & Nasir, 2013).
Logika Fuzzy dimulai dengan konsep teori himpunan fuzzy. Ini adalah teori kelas dengan batas-batasan yang tidak tajam, dan dianggap sebagai perpanjangan dari teori himpunan klasik. Keanggotaan µ dari elemen x dari himpunan klasik A, sebagai bagian dari alam semesta X, didefinisikan sebagai berikut (Ziauddin, Kamal, Khan, & Nasir, 2013):
Menurut (Emami, 1997) pemodelan Fuzzy merupakan suatu pendekatan untuk membentuk sistem model degan menggunakan bahasa deskriptif berdasarkan logika fuzzy dengan proporsi fuzzy. Logika fuzzy menggunakan tiga langkah untuk mencapai sebuah solusi crips untuk
banyak persoalan: a crips-to-fuzzy transformation (“fuzzification”), mekanisme inferensi aturan yang berlaku, dan fuzzy-to-crips transformation (“defuziffication”). Yang terlihat di gambar, Crips Input ditransformasikan ke fuzzy domain, data dimanipulasi, dan hasilnya ditransformasikan kembali kedalam domain chips. (Attaran, 1996).
Gambar 2.7. Struktur dan Komponen Sistem Fuzzy (Attaran, 1996)
Pada gambar 2.8 merupakan Fuzzy Membership Function dengan Kurva 2.8a adalah tringular fuzzy number, kurva di gambar 2.8b adalah trapezoidal fuzzy number, dan pada kurva 2.8c adalah bell sharped fuzzy number (Ziauddin, Kamal, Khan, & Nasir, 2013).
(2.8a) (2.8b) (2.8c)