Scrum Dan Waterfall Menggunakan Random Forest Teknik Reduksi Fitur (LDA dan PCA)

Nasihun Amin Suhardiyan Putra (Universitas Bina Nusantara, Jakarta, Indonesia)
Maria Seraphina Astriani (Universitas Bina Nusantara, Jakarta, Indonesia)

Jurnal Sains dan Teknologi
Vol. 14 No. 3 (2025): October

Pengukuran kinerja programmer masih sulit dilakukan secara objektif karena penilaian manual HR cenderung subjektif dan inkonsisten. Tujuan penelitian ini yaitu membangun model evaluasi kinerja programmer berbasis machine learning dalam proyek ERP, serta membandingkan pengaruh dua metodologi pengembangan (Scrum vs Waterfall ). Penelitian ini memanfaatkan 3.742 record historis dari Redmine pada dua proyek ERP (Scrum dan Waterfall ) untuk memprediksi kinerja programmer (High, Medium, Low) menggunakan Random Forest. Tahapan meliputi preprocessing, feature engineering, dan feature selection, dengan eksperimen oversampling (SMOTE), reduksi dimensi (PCA, LDA), serta kombinasinya. Model dievaluasi menggunakan akurasi, presisi, recall, dan F1-Score, sementara LIME digunakan untuk menafsirkan faktor kinerja yang paling berpengaruh. Hasil penelitian menunjukkan bahwa Random Forest baseline menjadi model paling optimal dengan akurasi 87,43%, presisi 88,27%, recall 87,43%, dan F1-score 87,45%, tanpa memerlukan teknik balancing maupun reduksi dimensi. Analisis LIME mengungkapkan perbedaan signifikan antara Scrum dan Waterfall : kinerja programmer pada Waterfall  lebih dipengaruhi oleh produktivitas dan ketepatan waktu, sedangkan Scrum lebih menekankan kualitas melalui revisi dan bug pasca-rilis.