PENGEMBANGAN FRAMEWORK DAN MODEL ANALISIS RISIKO PROYEK AGILE DENGAN PENDEKATAN BAYESIAN NETWORK

MUFTI KENIA KUSUMAWARDANI, Budi Hartono, S.T., MPM., Ph.D

2014 | Skripsi | S1 TEKNIK INDUSTRI

Faktor ketidakpastian merupakan hal yang tidak terpisahkan dalam proyek apapun, tak terkecuali proyek pengembangan perangkat lunak. Ketidakpastian yang tidak ditanggulangi dengan baik dapat menyebabkan permasalahan bagi kelangsungan proyek seperti keterlambatan dan overbudget yang dapat berujung pada ketidakpuasan klien. Untuk mengantisipasi hal tersebut, telah dikembangakan beberapa metode untuk memprediksi durasi proyek, salah satunya yaitu metode AgileEVM yang merupakan pengembangan metode Earned Value tradisional. Metode AgileEVM telah mengalami penyesuaian pada metrik-metriknya sehingga dapat diaplikasikan pada proyek pengembangan perangkat lunak yang menggunakan salah satu Agile methodologies yaitu Scrum dalam memprediksi durasi proyek. Akan tetapi, AgileEVM memiliki keterbatasan yaitu belum dapat mengakomodir faktor ketidakpastian pada proyek ke dalam prediksi. Oleh karena itu, penelitian ini bertujuan mengembangkan framework dan model yang dapat mengkuantitatifkan ketidakpastian dan menggunakannya sebagai input dalam memprediksi durasi dan biaya proyek. Bayesian Network (BN) digunakan sebagai tool untuk menganalisis risiko yang mempengaruhi pelaksanaan proyek. Selain dapat mengkuantitatifkan unsur ketidakpastian, Bayesian Network juga dapat mengatasi keterbatasan data historis dan dapat diperbarui setiap kali informasi baru mengenai risiko diperoleh. Langkah awal yaitu mengumpulkan informasi risiko proyek yang didokumentasikan dalam Risk Register. Risiko yang teridentifikasi berdampak pada seberapa banyak story point yang dapat diselesaikan tim dalam satu Sprint. Berdasarkan informasi tersebut, model BN kemudian dibangun dan disimulasikan menggunakan simulasi Monte Carlo. Simulasi memberikan nilai estimasi sprint velocity yang merupakan masukan dalam mengestimasi total durasi. Estimasi total biaya dilakukan berdasarkan hasil estimasi durasi yang telah dilakukan sebelumnya. Estimasi dilakukan setiap akhir iterasi dan informasi pada setiap Sprint menjadi masukan bagi estimasi pada Sprint selanjutnya. Model kemudian diimplementasikan untuk memprediksi durasi dan biaya pada salah satu proyek pengembangan sistem informasi di Yogyakarta. Hasil prediksi kemudian diuji akurasinya dan dibandingkan dengan akurasi hasil prediksi yang menggunakan model AgileEVM. Dengan nilai MAPE 10,83%, uji akurasi menunjukkan bahwa model BN dapat memprediksi total durasi proyek dengan lebih baik dibandingkan dengan AgileEVM. Untuk prediksi total biaya, hasil prediksi model BN memiliki nilai MAPE sebesar 7,763%, sedangkan model AgileEVM memiliki nilai MAPE sebesar 2,832%.

Uncertainty is an integral part in project of any size or consequence, including software development projects. Uncertainties that are poorly managed may hinder the project's sustainability, cause schedule delay and/or cost overruns, further resulting in client's dissatisfaction and trust issues. Hence, estimating and planning are critical to the success of any software development project. Several planning and estimating methods that increase the likelihood of project success have been developed. AgileEVM is one of the previously researched methods used to estimate a project's duration. AgileEVM is developed from traditional EVM, having adjusted its metrics as to make it applicable to projects implementing the Agile (Scrum) method. The downside of this method, however, is that it has not taken project's uncertainties into account, causing the estimation result to be flawed. Therefore, this research aims to develop a framework and model that are able to quantify project's uncertainties, using them as the input to estimating project's duration and total cost. Bayesian Network (BN) is the tool used to analyze risks that affect project's performance. Bayesian Network is able to overcome the shortcomings in project's historical data while being renewed should any new information regarding the risks be obtained. The estimation method begins by collecting risk-related information and summarizing them in a Risk Register. The identified risks will affect the number of story points the team will be able to complete in an iteration. According to the information, a Bayesian model is then built and run using Monte Carlo Simulation. The simulation will give the estimation of team's velocity number which will be the input in estimating project's total duration. Based on those information, an estimation of project's total cost is then done. Both estimations are done by the end of each iteration, and risk information in one iteration will be the input for the next iteration estimation. The constructed model is implemented in an information system development project to predict its duration and cost. The accuracy of the prediction's result is measured and compared to that of AgileEVM model. With the MAPE score of 10,83%, the accuracy test shows that BN model prediction's result is better than AgileEVM's in predicting total duration. In total cost estimation, BN model has the MAPE score of 7,763% while AgileEVM's MAPE is 2,832%.

Kata Kunci : Bayesian Network, Risk Register, Scrum, AgileEVM, Software Development Projects, Project Duration, Project Cost