Browsing by Author "Ceren Özge, Atmaca"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Yazılım projelerinde efor analizi ve tahmini
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Ceren Özge, Atmaca; Faruk, Elaldı
    Bu çalışmada, yazılım proje yönetimindeki efor tahmini konusunda sınıflandırma tabanlı bir yaklaşımın nasıl uygulandığı incelenmiştir. Yazılım projelerinde çoğunlukla manuel ve uzman yargısına dayalı olarak yapılan efor tahmininin daha hızlı, tutarlı ve tekrar edilebilir bir şekilde gerçekleştirilmesini amaçlayan bu çalışma, yazılım firmaları için zaman ve maliyet açısından tasarruf edilebilecek, aynı zamanda tutarlı ve güvenilir tahminler elde edilebilecek bir sistem önerisinde bulunmuştur. Araştırma kapsamında, yazılım efor tahmini için lojistik regresyon algoritması ile iki farklı sınıflandırma modeli geliştirilmiştir. Oluşturulan modele ilişkin uyum iyiliği istatistikleri ve modelin sınıflandırma başarısı hesaplanarak araştırma sonuçları analiz edilmiş, açıklama oranı ve başarı oranı yüksek sonuçlar elde edildiği görülmüştür. Bununla birlikte oluşturulan iki model ile veri ön işleme çalışmalarının sınıflandırma modeline etkileri incelenmiş, aynı veri seti ile literatürde yapılan çalışmalarla karşılaştırma sağlanmıştır. This study examines how a classification-based approach is applied to effort estimation in software project management. Aimed at achieving faster, more consistent, and repeatable effort estimation in software projects, which are mostly reliant on manual and expert judgment, this study proposes a system where software companies can save time and costs while obtaining consistent and reliable estimates. Within the scope of the research, two different classification models were developed for software effort estimation using the logistic regression algorithm. The goodness-of-fit statistics of the constructed model and the classification success of the model were analyzed, revealing high explanatory and accuracy rates. Additionally, the effects of data preprocessing on the classification model were investigated, and comparisons were made with studies in the literature using the same dataset.