Performa tim dalam pengembangan perangkat lunak sangat penting untuk mencapai hasil akhir yang optimal. Pembentukan tim yang saling bekerja sama dengan baik memerlukan perhatian pada beberapa aspek, seperti potensi individu, sinergi, dan hubungan yang baik (team chemistry) dalam hal komunikasi, kerja sama, dan aspek sosial lainnya. Sebagai contoh, sebuah tim yang terdiri dari individu yang memiliki potensi tinggi belum tentu akan mencapai hasil yang optimal jika mereka tidak memiliki sinergi yang baik antar anggota tim, yang dapat menghambat pengembangan perangkat lunak. Pada kasus dalam penelitian ini telah dibentuk tim pengembang perangkat lunak berdasarkan hasil penilaian aspek kinerja individu, dari hasil penilaian tersebut dibentuk tim secara otomatis dengan menggunakan algoritma best-path yang bertujuan untuk mengkompulir hasil semua model penilaian individu menjadi kombinasi tim yang dinilai optimal. Namun hasil pembentukan masih perlu dilakukan analisis dan pembuktian apakah hasil tersebut merupakan hasil optimal yang menghasilkan tim yang optimal sesuai dengan komposisi dan kebutuhan tim. Analisis tersebutlah yang akan menjadi fokus dalam penelitian ini.
Penelitian ini akan menganalisis pemodelan yang digunakan untuk menarik kesimpulan mengenai performansi individu dalam tim pengembang perangkat lunak. Penelitian ini akan menguji data yang sudah diimplementasikan dalam perkuliahan Rekayasa Perangkat Lunak di Program Studi S1 Sistem Informasi di Universitas Telkom. Pengujian akan dilakukan berdasarkan data perolehan nilai perkuliahan dalam empat tahun terakhir. Hasil pengujian tersebut akan membuktikan dan memprediksi penilaian berdasarkan pemodelan pembentukan tim yang telah dirancang, sebagai tolak ukur keberhasilan pembentukan tim yang optimal Harapannya, hasil tersebut dapat memberikan umpan balik terhadap sikap kerja individu dalam tim dan menciptakan pemodelan yang mencerminkan kriteria ideal dalam pembentukan tim pengembang perangkat lunak.
Keywords : Data Mining, Prediction, Feature Importance, Academic Performance Analysis, Decision Trees, Random Forest, Gradient Boosting