Effort estimation perlu dilakukan dalam proses pengembangan perangkat lunak dengan menggunakan Scrum. Hal tersebut untuk menentukan waktu yang diperlukan oleh tim pengembang untuk menyelesaikan user stories dan juga menentukan tingkat kompleksitas sprint yang akan dijalankan. Estimasi yang tidak akurat dapat berdampak user stories pada sprint sebelumnya harus dibawa kembali ke sprint berikutnya, pembengkakan anggaran, keterlambatan pengiriman proyek, serta perkiraan jadwal yang salah. Penelitian ini merancang suatu alur metode yang selanjutnya dinamakan PREP, yang dapat digunakan untuk meningkatkan ketepatan proses estimasi yang berfokus pada peningkatan kualitas user stories. Rancangan PREP dievaluasi dengan melihat penurunan jumlah bugs dan penghitungan akurasi estimasi dengan Balanced Relative Errorbias (BREbias). Implementasi PREP menunjukkan hasil pengurangan bugs dari 46,7% menjadi 15,9% dan meningkatkan akurasi estimasi sebesar 23,63%. Hasil validasi PREP menunjukkan tren yang positif untuk aspek kesukaan/sukacita (delight), tingkat usaha (effort), dan tingkat penerapan (functionality), tetapi memerlukan waktu dan pemahaman yang tinggi untuk mengimplementasikannya.

---

Effort estimation needs to be done in the software development process using Scrum. This is to determine the time needed by the development team to complete user stories and determine the level of complexity of the sprint. Inaccurate estimates can result in user stories from the previous sprint having to be carried over to the next sprint, budget overruns, project delivery delays, and incorrect schedule estimates. This study designed a method, referred to as PREP, which can be used to improve the accuracy of the estimation process that focuses on improving the user stories' quality. The PREP design is evaluated by looking at the reduction in the bugs amount and calculating the accuracy of the estimate with Balanced Relative Error bias (BREbias). The implementation of PREP shows the results of reducing bugs from 46.7% to 15.9% and increasing the estimation accuracy by 23.63%. The results of the PREP validation show a positive trend for aspects of delight, effort, and functionality, but require a lot of time and understanding to implement them.