Peningkatan Akurasi Perencanaan Sprint dalam Pengembangan SaaS Agile dengan Menggunakan Random Forest yang Dioptimalkan melalui Bayesian Optimization

Oleh :
Yunita Kartika Putri - V3923019 - Sekolah Vokasi

YUNITA KARTIKA PUTRI, 2026. PENINGKATAN AKURASI PERENCANAAN SPRINT DALAM PENGEMBANGAN SAAS AGILE DENGAN MENGGUNAKAN RANDOM FOREST YANG DIOPTIMALKAN MELALUI BAYESIAN OPTIMIZATION. Program Studi Diploma III Teknik Informatika, Sekolah Vokasi, Universitas Sebelas Maret, Surakarta. Perencanaan sprint menentukan ruang lingkup pekerjaan, kapasitas tim, pembagian tugas, dan target penyelesaian dalam pengembangan perangkat lunak berbasis Agile Scrum. Namun, proses ini masih menghadapi estimasi beban kerja yang kurang akurat, backlog yang belum siap, pembagian tugas yang tidak merata, serta keterbatasan data historis. Penelitian ini bertujuan merancang dan membangun ScrumApps, aplikasi Software as a Service berbasis web untuk pengelolaan proyek Agile Scrum dan prediksi keberhasilan sprint menggunakan Random Forest Classifier yang dioptimalkan melalui Bayesian Optimization. Model dikembangkan menggunakan 238 data sprint dari Agile Scrum Sprint Velocity Dataset yang telah melalui proses seleksi, pembersihan, validasi, pra-pemrosesan, dan rekayasa fitur. Evaluasi dilakukan menggunakan stratified holdout 80:20 dan repeated five-fold cross-validation sebanyak tiga pengulangan. Sistem dikembangkan dengan model Waterfall menggunakan React.js, Express.js, FastAPI, dan MySQL. Pengujian holdout menghasilkan accuracy 93,75%, balanced accuracy 93,92%, precision 90,00%, recall 94,74%, F1-score 92,31%, ROC-AUC 98,00%, dan PR-AUC 96,86%. Pengujian cross-validation menghasilkan accuracy 90,34%, balanced accuracy 89,76%, precision 88,04%, recall 87,10%, F1-score 87,57%, ROC-AUC 97,52%, dan PR AUC 96,25%. Seluruh 38 skenario Black Box Testing berhasil, sedangkan pengujian SUS terhadap 10 responden memperoleh skor rata-rata 90 dengan kategori Acceptable, Grade A, dan Excellent. ScrumApps dapat digunakan sebagai sistem pendukung keputusan bagi Scrum Master dalam menyusun rencana sprint yang lebih realistis, terukur, dan berbasis data.Kata Kunci: Agile Scrum, Optimasi Bayesian, Pembelajaran Mesin, Perencanaan Sprint, Random Forest.