=Paper=
{{Paper
|id=Vol-1721/UYMS16_paper_107
|storemode=property
|title=Yazilim Maliyet Tahmininde Yapay Sinir Aglari Kullanimi
|pdfUrl=https://ceur-ws.org/Vol-1721/UYMS16_paper_107.pdf
|volume=Vol-1721
|authors=Mesut Keskin,Gulfem Isiklar Alptekin
|dblpUrl=https://dblp.org/rec/conf/uyms/KeskinA16
}}
==Yazilim Maliyet Tahmininde Yapay Sinir Aglari Kullanimi==
https://ceur-ws.org/Vol-1721/UYMS16_paper_107.pdf
Yazılım Maliyet Tahmininde İşlev Puanı Analizi ve Yapay
Sinir Ağları Kullanımı
Mesut Keskin, Gülfem Işıklar Alptekin
Galatasaray Üniversitesi, Bilgisayar Mühendisliği Bölümü, İstanbul
mesutkskn@gmail.com,gisiklar@gsu.edu.tr
Özet. Yazılım maliyet tahmini, proje yöneticilerini her daim zorlayan iş-
lerin başında gelmiştir. Yapılan tahmini gerçek değere yaklaştırmak, ya-
zılım geliştirme süreci boyunca süre ve bütçe kısıtlarını daha iyi kontrol
edebilmek demektir. Akademik yazında, her birinin kendine has olumlu
veya olumsuz yönleri olan birden fazla tahmin yöntemi önerilmiştir. Bu
makalede, özellikleri iyi bilinen bir yazılım projesinin maliyet tahmini
öncelikle işlev puanı analizi (İPA) yöntemiyle gerçekleştirilmiştir.
İPA’nin başlıca dezavantajları çok sayıda öznel değerlendirme içermesi
ve öğrenme eğrisinin oldukça uzun olmasıdır. Ardından, aynı maliyet
tahmini, yapay sinir ağları (YSA) kullanılarak yinelenmiştir. Gerçek de-
ğerlerle karşılaştırıldığında, tahminlerdeki doğruluk %90’ın üzerinde
çıkmıştır. Deneysel çalışmalar sayesinde, YSA kullanılarak, gerçek so-
nuçlara oldukça yakın değerler bulunabileceğine inanılmıştır.
Anahtar Sözcükler Yazılım Maliyet Tahmini, Yapay Sinir Ağları, İşlev
Puanı Analizi, Yazılım Proje Yönetimi.
1 Giriş
Yazılım maliyet tahmini, yazılım mühendisleri için en karmaşık problemlerden biri-
dir. Maliyet tahmini, yazılımın geliştirilmesi sürecinde gerekecek toplam maliyetin tah-
min edilmesi işlemidir. Yazılım projesinin planlanmasını ve ayrıntılı şekilde izlenme-
sini gerektirir. Global yazılım pazarının, 2018’de 32.4 milyar $’ı bulması beklenmek-
tedir. Bu büyümeye paralel olarak yazılım geliştirme maliyetleri de artmaktadır. Stan-
dish Group Chaos raporuna göre, 2015 yılında gerçekleştirilen projelerin %52’si bütçe,
süre veya kaynak kısıtlarını aşarak, %19’u ise tamamen başarısız şekilde sonuçlanmış-
tır. Büyük tahmin hatalarını engellemek amaçlı önerilen yöntemler başlıca iki sınıfa
ayrılırlar: Algoritmik yöntemler (ör: Constructive Cost Model (COCOMO), Putnam
yöntemi, işlev puanı analizi, doğrusal modeller, vs.) ve algoritmik olmayan yöntemler
(uzman görüşü, analoji yöntemiyle tahmin, kazanmak için fiyatlama, Parkinson yasası,
makine öğrenmesi yöntemleri, vs.) Algoritmik yöntemlerde, geçmiş veriler ve dene-
yimlerle oluşturulan matematik denklemleri kullanılır. Algoritmik olmayanlarda ise,
466
benzer geçmiş projelerden faydalanılır. Son dönemde yapılan bir çalışmada, global ya-
zılım geliştirme projelerinin %28.5’unda işlev puanı analizi, %14.2’sinde sinir ağları
yaklaşımı kullanıldığı belirtilmiştir [1]. Tüm bu değişik yaklaşımlar arasında, en çok
kullanılanı COCOMO’dur [2][3]. Regresyon esaslı olan bu tahmin yöntemiyle, süre ve
efor tahmini de yapılabilir. COCOMO seçilmiş 63 yazılım projesinin analizi sonucu
ortaya çıkarılmıştır. En bilinen kısıtı, yazılım geliştirme hayat döngüsünün ilk evrele-
rinde yapılan proje büyüklüğü tahmininin çok belirsiz olmasıdır. Ayrıca, yöntem bu 63
projeye göre önerildiği için, tekrar ayarlamasının yapılması gereklidir. Bu bildiride, ke-
sinliği arttırma amacıyla, yapay sinir ağları yöntemi içine COCOMO II’nin parametre-
leri dahil edilmiştir. Algoritmik olmayan yöntemler arasında yer alan makine öğren-
mesi yöntemleri, başlıca iki sınıfa ayrılabilir: Sinir ağları ve bulanık yöntemler. Bir ya-
pay sinir ağı sistemi, birden fazla yapay nöron ve aralarındaki ilişkilere bağlı ağırlık-
lardan oluşur. Geri yayılım (back propagation) algoritması, ağın çıktılarını gerçek çık-
tılarla karşılaştıran ve yazılım maliyet tahmininde kullanılmak üzere uygun olan bir
algoritmadır [4]. Bildiride kullanılan iki yöntemin uygulanması için, ayrıntıları ve içe-
riği iyi bilinen bir yazılım projesi olan ‘E-Bursum’ seçilmiştir. İP analizinin gerçeğe
yaklaşımı %74-%97 aralığında bulunurken, YSA ile elde edilen değerler %92-%98 ara-
lığında olmuştur.
2 Kullanılan Yazılım ve İşlev Puanı Analizi
İPA, A.J. Albrecht tarafından, kod satır sayısı (Lines of Code-LOC) yaklaşımına al-
ternatif olarak önerilen, akademik yazında üzerinde çok çalışılan bir maliyet yaklaşı-
mıdır [5]. Albrecht, işlev/ fonksiyon puanlarının satır sayısından çok daha belirleyici
olduğuna inanmaktadır. İPA, yazılımdaki fonksiyonları karmaşıklıkları ve yaptıkları
işlere göre sınıflandırıp saymaktadır. Bunu yapmak, yöneticilerin verimliliği takip ede-
bilmelerini ve yazılım geliştirme maliyetlerini tahmin edebilmelerini sağlamaktadır.
Yöntemin ilk aşamasında, UFP (Unadjusted Function Points) hesaplanmaktadır. Ar-
dından bu değerler, VAF (Value Adjustment Factor) kullanılarak İP (Fonksiyon/İşlev
Puanı) hesaplamakta kullanılacaktır [6]. Kullanılan yazılımdaki bileşenler, karmaşıklık
seviyelerine göre beş sınıfa ayrılmıştır (Tablo 1). Projedeki her dosyanın, Tablo 1’deki
verilere göre hesaplanan bir UFP değeri mevcuttur. UFP değeri, aşağıdaki denklem
uyarınca hesaplanır:
UFP = [│Harici girdi│* w1] + [│Harici çıktı│* w2] + [│Harici sorgu│* w3] +
[│Dahili dosya│* w4] + [│Harici arayüz│* w5] (1)
Öğrencilere burs bulmak/atamak için kullanılan ‘E-Bursum’ projesinin başlıca üç mo-
dülü bulunmaktadır: Finans, çevrim içi akıl hocalığı (mentoring), öğrenci işleri. Tablo
2 her modülün bileşenleri karmaşıklıklarına göre özetlemiştir.
Tablo 1. Bileşenlerin karmaşıklıklarına göre sınıflandırılması
Düşük Orta Yüksek
1 Harici girdi 3 5 6
2 Harici çıktı 4 6 7
3 Harici sorgu 3 5 6
4 Dahili dosya 7 13 15
5 Harici arayüz 5 9 10
467
Tablo 2. Modüler, bileşenler ve karmaşıklıkları
Modül 1: Bileşenler Modül 2: Bileşenler Modül 3: Bileşenler
Giriş ekranı Düşük Kayıt ekranı Düşük Kayıt ekranı Düşük
Burs başvurusu Yüksek Bireysel test Yüksek Blog Orta
Profil bilgileri Düşük Mentor profili Düşük Sponsor profili Düşük
Başvuru ekranı Yüksek Öğrenci profili Düşük Öğrenci profili Düşük
Eski öğrenciler Düşük Eski mentorler Düşük Belge indirme Yüksek
Duyurular Orta Duyurular Orta Burs başvurusu Yüksek
Sohbet Orta Sohbet Orta Sohbet Orta
Mentor bulma Yüksek News part Orta
Çevrim içi mentor Yüksek
Raporlar Orta
Üç modüle ait UFP değerleri sırasıyla, UFP1, UFP2 ve UFP3 olarak tanımlanmıştır.
UFP1= [(1*3)+(2*5)+(2*6)]+[(2*4)+(2*6)+(1*7)]+ [(1*5)]+[1*13] = 70
UFP2= [(1*3)+(2*5)+(2*6)]+[(3*4)+(2*6)+(1*7)] +[1*13] = 69
UFP3= [(1*3)+(2*5)+(2*6)]+[(2*4)+(2*6)+(1*7)]+[1*5] = 57
UFP değerlerinin hesaplanmasının ardından, VAF değerleri yardımıyla son işlev pu-
anları (İP) hesaplanabilir. VAF, 0 (en düşük) ve 5 (en yüksek) seviyeleri arasında de-
ğerlendirilen 14 genel sistem özelliğinden oluşmaktadır. Bu 14 değerin toplamı toplam
etki derecesini (Total Degree of Influence-TDI) vermektedir.
Tablo 3. VAFs – Genel Sistem Özellikleri (GSCs) Değerlendirmesi [7]
Modül 1 Modül 2 Modül 3
1 Sistem güvenilir yedekleme ve kurtarma gerektiriyor 5 2 5
mu?
2 Veri iletişimi gerekiyor mu? 3 3 5
3 Dağıtık fonksiyon var mı? 3 2 3
4 Performans çok önemli mi? 3 4 5
5 Sistem, yaygın kullanılan bir işletim sistemi ortamında 4 2 4
mı çalışacak?
6 Sistem çevrim içi veri girişi gerektiriyor mu? 3 2 5
7 Çevrim içi veri girişi, giriş işlemlerinin birden fazla ekran 3 2 4
ya da işlem üzerinden olmasını mı gerektiriyor?
8 Ana dosyalar çevrim içi mi güncelleniyor? 4 2 5
9 Girdiler, çıktılar, dosyalar ve sorgular karmaşık mı? 1 1 3
10 Kod yeniden kullanılabilir olarak mı tasarlanmış? 3 3 4
11 İç süreç karmaşık mı? 3 2 3
12 Dönüşüm ve kurulum tasarım içinde mi? 1 3 2
13 Uygulama değişik kurumlarda birden fazla kurulum ge- 4 1 3
rektirecek şekilde mi tasarlanmış?
14 Uygulama kullanıcı tarafından kolaylıkla kullanılması ve 4 5 5
değiştirebilmesi üzerine mi tasarlanmış?
Üç modülün 14 GSC açısından değerlendirmesi Tablo 3’de yapılmıştır. Sonraki
adımda üç modüle ait TDI değerleri, TDI1, TDI2, ve TDI3, hesaplanmıştır.
TDI Cevapi (2)
i 1...14
Buna göre TDI1 = 44, TD2 = 34, TD3 = 56.
468
Teknik bakış açısıyla yazılımın boyutunu ölçen etmen olan Technical Complexity
Factor (TCF) denklem (3) kullanılarak hesaplanabilir:
TCF 0.65 0.01* TDI (3)
Üç modüle ait TCF değerleri şu şekildedir:
TCF1 = 0.65 + 0.01 * 44 = 1.09, TCF2 = 0.65 + 0.01 * 34 = 0.99,
TCF3 = 0.65 + 0.01 * 56 = 1.21
Son işlev puanı UFP ve TCF değerleri kullanılarak hesaplanır:
İP = UFP * TCF (4)
Buna göre: İP1 = 76.30, İP2 = 68.31, İP3 = 68.97.
‘E-Bursum’ yazılımın gerçek satır sayısı (LOC) bilindiği için, yaklaşımın gerçeğe
ne kadar yaklaştığı ölçülebilmiştir (Tablo 4). Bunun için, kullanılan programlama dili
ve işlev puanlarını birleştiren denklem (5) kullanılmıştır:
LOC = İP * PHP dilinin katsayısı (5)
Buna göre LOC1 = 5112.1, LOC2 = 4576.77, LOC3 = 4620.99.
Tablo 4. İPA sonuçları ve gerçek değerlerin karşılaştırılması
İPA’nin tahmin ettiği satır sayısı Gerçek satır sayısı Yaklaşık
Modül 1 5112.1 5280 96.80%
Modül 2 4576.77 5620 81.44%
Modül 3 4620.99 6228 74.19%
Proje büyüklüğünü/maliyetini satır sayısı parametresiyle tahmin etmek yaygın kul-
lanılan bir yöntemdir. Satır sayısı esaslı tahminler, geçmiş tecrübelere dayandığı için,
çoğu zaman bilimsel olmamakla eleştirilmektedirler. İPA, sade bir tahmin yöntemi ol-
duğu için, programlama bilgisi az olan kişiler tarafından bile kullanılabilmektedir. Ko-
dun büyük kısmının girdi ve çıktılardan oluşan tip projelere daha uygundur. Ancak,
projeler her zaman böyle değildir. Buna bir çözüm olarak, İPA’ne bir ek olarak Feature
Point yaklaşımı ortaya atılmıştır [8]. Bu yaklaşım, girdi ve çıktılarla birlikte, kullanılan
algoritmaları da göz önüne alarak toplam karmaşıklığı hesaplamaktadır.
3 Yapay Sinir Ağları Yaklaşımı
Sinir ağlarını eğitmeye yarayan birden fazla algoritma olsa da, geri yayılım (back
propagation) algoritması kullanılmıştır. YSA’daki her katman nöronlar ve bunlar ara-
sındaki ilişkilerden oluşmaktadır [9]. Nöronlar arasındaki ağırlıklar öğrenme sürecinde
kullanılmaktadır. Geri yayılım algoritması, girdiler ve elde edilmesi istenen çıktıları
alarak, ağırlıkları bu iki kümeyi birbirine yaklaştırmak için ayarlar [10]. YSA yaklaşı-
mının performansını arttırmada seçilen parametre kümesinin rolü büyüktür. Parametre
kümesi seçimi için öncü çalışmalardan birinde, COCOMO’nun ölçüt kümesi alınmıştır
[11]. Önerdiğimiz çalışmada, COCOMO II ve [12]’de önerilen parametre kümesi üze-
rine, görsel kalite ve rekabet gibi iki parametre daha eklenmiştir. Önerilen sinir ağı Şe-
kil 1’de gösterilmiştir. YSA yaklaşımı sonuçları, gerçeğe daha yakın sonuçlar elde edil-
mesini sağlamıştır (Tablo 5).
469
Şekil 1. Önerilen yapay sinir ağı topolojisi
Tablo 5. YSA sonuçları ve gerçek değerlerin karşılaştırılması
YSA’nın tahmin ettiği satır sayısı Gerçek satır sayısı Yaklaşık
Modül 1 5158.5 5280 97.70%
Modül 2 5355.8 5620 95.30%
Modül 3 5751.5 6228 92.35%
4 Sonuç ve Öneriler
Bu bildiride, ‘E-bursum’ yazılımına ilk önce işlev puanı analizi uygulanmıştır. Elde
edilen sonuçlar tatmin edici bulunmuştur. İşlev puanı analizinin avantajı, maliyet tah-
mininin yazılım gereksinim analizi sırasından itibaren yapılabilecek olması, uygulama
araçlarından, yöntemlerinden veya programlama dillerinden bağımsız olması ve teknik
dünyaya çok yakın olmayan kullanıcıların bile uygulayabilecek olmasıdır. İPA sonra-
sında yöntem olarak, tahmin işinin daha az öznel ve otomatik şekilde yapılabilmesini
sağlayabilecek makine öğrenmesi yöntemlerinden biri olan sinir ağları seçilmiştir. Pro-
jenin büyüklüğü ve karmaşıklığı arttıkça, İPA’nin performansı da düşmektedir. YSA
yöntemi, gerçeğe oldukça yakın tahminler vermiştir. Yazılım yaşam döngüsünün ilk
evrelerinde bile, gerçekçi tahmin yapmaya izin verebilecektir. Sinir ağında parametre
470
olarak seçilen ölçütler, istendiği takdirde değiştirilebilir, ekler yapılabilir. Makine öğ-
renmesi yöntemlerinin, kullandıkları veri sayısı arttıkça gerçeğe daha yakın tahminler
vermesi beklenir. Şirketler maliyet tahmininde bu yöntemi uyguladıkça, tahmin perfor-
mansının artacağına inanılmaktadır. Bir sonraki çalışmada, kurulan bu yapay sinir
ağını, bilinen başka birkaç yazılım projesine daha uygulanıp verdiği sonuçlara bakıla-
caktır.
5 Destek
Bu araştırma, 15.401.005 numaralı Galatasaray Üniversitesi Bilimsel Araştırma Pro-
jesi tarafından finansal olarak desteklenmektedir.
6 Kaynaklar
1. M.E. Bajta, A. Idri, J.L. Fernandez-Aleman, J.N. Ros, A. Toval, “Software cost
estimation for global software development – A systematic map and review study”,
International Conference on Evaluation of Novel Approaches to Software Engine-
ering, 2015, pp. 197-206.
2. I. Attarzadeh, S.H. Ow, “A novel soft computing model to increase the accuracy
of software development cost estimation”, International Conference on Computer
and Automation Engineering, vol. 3, 2010, pp. 603-607.
3. B.W. Boehm, Software Engineering Economics. 1981, Englewood Cliffs, NJ.
4. V. Khatibi, D.N.A. Jawawi, “Software cost estimation methods: A review”, Journal
of Emerging Trends in Computing and Information Sciences, vol. 2(1), 2010, pp.
21-29.
5. A. J. Albrecht, “Measuring Application Development Productivity”, Joint SHARE,
GUIDE, and IBM Application Development Symposium, Monterey, California,
IBM Corporation (1979), pp. 83–92.
6. R. Meli, L. Santillo, “Function point estimation methods: A comparative over-
view”, FESMA, vol. 99, 1999, pp. 6-8.
7. L. Arthur, Measuring Programmer Productivity and Software Quality. Wiley-In-
terscience, 1985.
8. C. Jones, The SPR Feature Point Method. Software Productivity Research Inc.,
1986.
9. A.R. Venkatachalam, “Software cost estimation using artificial neural networks”,
International Joint Conference on Neural Networks, 1993, pp. 987-990.
10. D.S. Touretzky, D.A. Pomerleau, “What’s hidden in the hidden layers?”, Byte, Au-
gust 1989, pp. 227-233.
11. G. Wittig, G. Finnie, “Estimating software development effort with connectionist
models”, Information and Software Technology, vol. 39, 1997, pp. 469-476.
12. O. Kalıpsız, M. Ayyıldız, “Yazılım Geliştirme Projelerinde Maliyet Tahminleme
Çalışmasında Kullanılabilecek Bir Ölçev Kümesi ve Bir Yapay Sinir Ağı Topolo-
jisi Önerisi”, 2009, YTU.
471