Akademik Veri Yönetim Sistemi
Sürdürülebilir Mühendislik Uygulamaları veTeknolojik Gelişmeler Dergisi, cilt.8, sa.2, ss.120-140, 2025 (Hakemli Dergi)
Yazılım projelerinde maliyet ve çaba tahmini, proje planlaması ve kaynak yönetimi açısından kritik bir öneme sahiptir. Geleneksel yöntemler yıllardır bu alanda kullanılmakta olsa da son yıllarda makine öğrenimi (ML) tabanlı modeller, doğruluk ve uygulanabilirlik açısından önemli avantajları bulunmaktadır. Bu çalışmada, yazılım geliştirme çaba tahmini alanında kullanılan geleneksel ve makine öğrenimi yöntemleri karşılaştırmalı olarak ele alınmıştır. Geleneksel yaklaşımların temel prensipleri açıklanmış, ardından makine öğrenimi tekniklerinin potansiyeli ve sınırlılıkları değerlendirilmiştir. Ayrıca, her iki yöntemin farklı veri setleri üzerindeki performansları incelenmiş, doğruluk, esneklik ve veri bağımlılığı gibi kriterler açısından karşılaştırmaları yapılmıştır. Sonuç olarak, tek bir yöntemin her veri setinde en iyi sonucu vermediği, ancak uygun veri ön işleme, özellik seçimi ve model yapılandırması ile makine öğrenimi tabanlı yaklaşımların geleneksel yöntemlere kıyasla daha üstün performans sergileyebildiği görülmüştür. Çalışma, yazılım çaba tahmini için model seçiminin proje bağlamına göre dikkatle yapılması gerektiğini vurgulamakta ve gelecekteki araştırmalar için çeşitli öneriler sunmaktadır.
Cost and effort estimation in software projects is critically important for project planning and resource management.Although traditional methods have been applied in this field for many years, machine learning (ML)-based models haverecently offered significant advantages in terms of accuracy and applicability. This study provides a comparative analysis oftraditional and ML-based approaches in software effort estimation. The fundamental principles of traditional approaches areexplained, followed by an evaluation of the potential and limitations of ML techniques. In addition, the performance of bothapproaches is examined on different datasets, comparing them in terms of accuracy, flexibility, and data dependency. Theresults indicate that no single method consistently produces the best outcome across all datasets; however, with proper datapreprocessing, feature selection, and model configuration, ML-based approaches can outperform traditional ones. The studyemphasizes that model selection for software effort estimation should be carried out carefully according to the projectcontext and presents several recommendations for future research.