SISTEM PENAMBANG TERM INDIKATOR PADA PELATIHAN KEBUTUHAN NON-FUNGSIONAL BERBASIS ISO/IEC 9126

Transkripsi

1 SISTEM PENAMBANG TERM INDIKATOR PADA PELATIHAN KEBUTUHAN NON-FUNGSIONAL BERBASIS ISO/IEC 926 Wwk Suharso ), St Rochmah 2),2) Program Magster Jurusan Teknk Informatka Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember, Surabaya, 60, Indonesa e-mal : wwksuharso@yahoo.com, st_r@yahoo.com ABSTRAK Kebutuhan Non-Fungsonal (NFRs) berkatan erat dengan kebutuhan kualtas perangkat lunak. Umumnya semua karakterstk kebutuhan kualtas perangkat lunak merupakan NFRs. Akan tetap setap NFRs tdak selalu berkatan dengan kualtas-kualtas tertentu dar sstem, contohnya kebutuhan yang berkatan dengan aspek legal dan polts. NFRs sult ddentfkas karena secara eksplst basanya dnyatakan dalam bahasa alam. Untuk menambang term-term ndkator pada setap tpe NFRs, anals basanya menggunakan sekumpulan pelathan yang dklasfkas sebelumnya dar daftar kebutuhan yang ada. Klasfkas awal secara manual tersebut mengandung aspek subjektvtas yang besar sehngga dbutuhkan sstem otomas data pelathan NFRs. Dsampng tu banyaknya perbedaan karakterstk kebutuhan kualtas perangkat lunak yang dtawarkan oleh pelbaga model kualtas menyebabkan kebngungan dalam menentukan aspek kualtas sehngga dbutuhkan suatu model standar. Oleh karena tu, peneltan n membangun suatu kerangka kerja yang akan mengotomas data pelathan NFRs dan penambangan term ndkator berbass model kualtas ISO/IEC 926. Metode yang dgunakan adalah cosne measure pada model vector space untuk mengukur seberapa kuat suatu term ndkator merepresentaskan suatu tpe NFRs tertentu, dan dbantu oleh WordNet untuk memperoleh kesamaan kata. Sstem n menghaslkan sekumpulan term ndkator yang terklasfkas dalam setap tpe NFRs. Uj coba telah dlakukan pada dataset tertentu dar spesfkas kebutuhan tngkat tngg dengan melbatkan WordNet atau tdak. Haslnya menunjukkan bahwa WordNet mampu menngkatkan nla pembobotan lebh tngg pada keluaran data pelathan dan term ndkator K=5 teratas dengan WordNet darpada tanpa WordNet. Kata kunc : Kebutuhan Non-Fungsonal (NFRs), Penambang Term Indkator, Kerangka Kerja, ISO/IEC 926, Cosne Measure, WordNet PENDAHULUAN Kebutuhan Non Fungsonal (Non-Functonal Requrements, dalam makalah n dsebut NFRs) memlk katan erat dengan kebutuhan kualtas perangkat lunak. Umumnya semua karakterstk kebutuhan kualtas perangkat lunak merupakan NFRs. Akan tetap setap NFRs tdak selalu berkatan dengan kualtas-kualtas tertentu dar sstem, contohnya kebutuhan yang berkatan dengan aspek legal dan polts (Vezens, 2008) (Wagner. et al, 2008). NFRs membatas pengembangan dan tngkah laku sstem perangkat lunak karena NFRs menentukan keseluruhan kualtas atau atrbut-atrbut yang harus dmlk sstem. Kualtas-kualtas tersebut msalnya antara lan keamanan, knerja, ketersedaan, ekstensbltas, dan portabltas. Oleh karena tu, penambangan term ndkator untuk setap tpe kualtas memlk peran pentng sebaga pembelajaran pengklasfkas NFRs dalam pendeteksan dan pengklasfkasan awal NFRs untuk menentukan rancangan arstektur dan kebutuhan kualtas perangkat lunak (Cleland-Huang. et al, 2006) (Casamayor. et al, 200) (Vezens, 2008).

2 Spesfkas kebutuhan tngkat tngg yang berkatan dengan NFRs secara eksplst basanya dnyatakan dalam bahasa alam. Bahasa alam cukup sult untuk ddentfkas dalam hal konsep kualtas dan relas-relas yang muncul dantara elemen-elemennya (Kof, 2004). Bahkan analss manual terhadap kebutuhan bahasa alam membutuhkan banyak waktu dan rawan kesalahan (Vlas. et al, 20). Peneltan sebelumnya telah mengusulkan sstem penambang term ndkator menggunakan data pelathan pengklasfkas NFRs pada pendekatan pembelajaran dawas (supervsed learnng) dengan metode probablstk, dan pembelajaran setengah-dawas (semsupervsed learnng) dengan metode nave bayesan (Cleland-Huang. et al, 2006) (Casamayor. et al, 200). Dalam pendekatan pertama, sebagan besar kebutuhan dklasfkas terlebh dahulu oleh anals. Data pelathan n dgunakan oleh sstem penambang untuk menemukan sekumpulan term ndkator berbobot dar setap tpe NFRs. Term-term ndkator n dgunakan dalam pembelajaran pengklasfkas untuk mengenal tpe NFRs dar kebutuhan baru. Pendekatan kedua, sejumlah kecl kebutuhan ddentfkas oleh anals. Data pelathan n dgunakan secara langsung dalam pembelajaran pengklasfkas NFRs. Hal n menyebabkan anals harus secara manual memberkan sejumlah klasfkas awal dar spesfkas kebutuhan yang ada. Kedua pendekatan n ddentfkas mempunya dua masalah utama. Permasalahan pertama adalah subjektvtas yang besar dar anals secara manual menyapkan sejumlah contoh atau kebutuhan terklasfkas pada awal sebelum pembelajaran, sehngga dbutuhkan suatu sstem otomas pelathan NFRs. Permasalahan kedua adalah banyaknya aspek kualtas yang dtawarkan oleh model-model kualtas sepert model McCall, Boehm, Dromey, FURPS, BBN, Star, dan ISO menyebabkan kebngungan dalam menentukan aspek kualtas, sehngga dbutuhkan suatu model standar. Peneltan n mengajukan solus untuk membangun suatu kerangka kerja otomas berbass model kualtas standar nternasonal ISO/IEC 926. Kerangka kerja n menyedakan suatu sstem otomas data pelathan NFRs dan penambangan term ndkator untuk menghndar subjektvtas anals. Sedangkan model kualtas standar menyedakan termnolog umum untuk menangan komplekstas aspek kualtas perangkat lunak. Model kualtas ISO/IEC 926 dnyatakan lebh lengkap dan bermanfaat sehngga dapat mengurang kebngungan dalam menentukan aspek kualtas (Al-Qutash, 200) (Behkamal. et al, 2009). Kerangka kerja n memlk dua tahap utama yatu otomas data pelathan dan penambangan term ndkator. Tahap pertama merupakan kontrbus utama peneltan untuk menghaslkan sejumlah daftar kebutuhan terklasfkas secara otomats sebaga data pelathan. Proses n dbantu oleh WordNet untuk mempertmbangkan aspek kesamaan kata pada term-term dasar dar atrbut kualtas ISO/IEC 926. Tahap kedua melakukan penambangan untuk menemukan sekumpulan term ndkator dar data pelathan (Cleland-Huang. et al, 2006). METODE Kerangka kerja peneltan n secara keseluruhan terdr dar empat tahap sebagamana Gambar. Makalah n hanya fokus pada dua tahap awal yatu otomas data pelathan dan penambangan term ndkator. Sedangkan dua tahap terakhr tdak djabarkan. Tahap Otomas Data Pelathan Pada tahap n dsapkan term-term dasar yang terklasfkas berdasarkan tpe NFRs dar 2 atrbut kualtas ISO/IEC 926, dan dataset tertentu bers daftar spesfkas kebutuhan yang tdak terklasfkas. Dataset n dlakukan pra-proses dengan tokensas, pembuangan stopword dan stemmng sehngga dperoleh term-term dasar. Selanjutnya setap term dasar dar tpe NFRs tertentu akan dperluas dengan mencar kesamaan kata menggunakan WordNet. Bak term-term perluasan tpe NFRs dan term-term dataset 2

3 dlakukan pembobotan TF-IDF, dan pengukuran derajat kemrpan menggunakan cosne measure. Pengukuran n dlakukan antara term-term dalam tpe NFRs tertentu dan kebutuhan-kebutuhan dalam suatu dataset. Berdasarkan hasl pengukuran n dtetapkan nla ambang batas rata-rata untuk menghaslkan sejumlah kecl kebutuhan yang terklasfkas dalam setap tpe NFRs. Tahap Penambangan Term Indkator Sejumlah kecl data pelathan dalam tahap pertama dgunakan oleh penambang dalam pelathan untuk menemukan sekumpulan term ndkator berbobot berdasarkan tpe NFRs dar ISO/IEC 926. Pembobotan n dhtung menggunakan TF-IDF untuk memberkan suatu bobot dar term-term ndkator potensal dalam setap tpe NFRs tertentu. Bobot n menyatakan seberapa kuat suatu term merepresentaskan suatu tpe NFRs tertentu. Tahap Otomas Data Pelathan Tpe NFRs-ISO XML (Sekumpulan Term Dasar Terklasfkas) Perluasan Synonym WordNet Dataset Tertentu (Daftar Kebutuhan Tdak Terklasfkas) Pembobotan TF-IDF Mengukur Derajat Kemrpan Kebutuhan Tranng sets (Sejumlah Kecl Kebutuhan Terklasfkas) Anals Kebutuhan Penambang Indkator Predks Umpan Balk NFRs (Daftar Kebutuhan Non Fungsonal Terklasfkas) Pengklasfkas NFRs Indkator Term Tahap Valdas Hasl NFRs Tahap Pengklasfkasan Tahap Penambangan Gambar. Kerangka Kerja Sstem Penambang Term Indkator Dalam metode cosne measure bak dokumen dan query dlakuan pengndekan dengan cara yang sama sehngga menghaslkan vector dalam suatu ruang dmens. Masng-masng vector dsebut unt pengndeksan yang berbeda (t ). Bobot dar t d dokumen D dalam koleks dokumen dsebut ω D (t ). Bobot n dperoleh dar nla TF-IDF. Oleh karena tu relevans dar suatu dokumen D terhadap query Q dtetapkan sebaga Cos(Q,D) (Tekl. et al, 2009). Akan tetap dalam peneltan n objek yang dproses adalah bars kebutuhan dalam suatu dokumen. Sehngga D dasumskan sebaga suatu bars kebutuhan dan Q sebaga suatu bars query dar tpe NFRs. Tekl (Tekl. et al, 2009) memberkan formula TF-IDF standar adalah ω D ( t ) = TF IDF : - TF = ( t menekankan berapa kal term t muncul dalam dokumen D - N IDF = log Dmana N adalah jumlah total dokumen dalam koleks dokumen, dan df ( t df(t,d) adalah jumlah dokumen yang mengandung term t. 3

4 Sulstyo (Sulstyo et al, 2008) menyatakan berapun besarnya nla TF apabla N = df ( t maka akan dperoleh nla IDF=0. Oleh karena tu dtambahkan nla pada ss IDF. Sedangkan untuk mendapatkan nla nterval 0 dan maka dlakukan normalsas pada bobot ω D (t ). Sehngga formula matemats yang dgunakan sebaga berkut n. TF = ( t () = log N IDF df ( t + (2) N tf ( t xlog + df ( t ) ω D ( t ) = N 2 ( tf ( t x log + ) df ( t ) (3) t M r= Cos( Q, D) = ω ( t ) xω ( t ) (4) Q D HASIL DAN PEMBAHASAN Pada bagan otomas data pelathan Q dtetapkan sebaga tpe NFRs tertentu yang mengandung term-term dasar, dan D dtetapkan sebaga bars kebutuhan dalam suatu dokumen. Dengan demkan, TF akan menghtung frekuens kemunculan suatu term t dalam bars kebutuhan D, dan IDF akan menghtung pecahan dar bars-bars kebutuhan yang bers term t dalam suatu dokumen. Dokumen n merujuk ke bars-bars kebutuhan dalam suatu fle teks kasus pengujan. Perhtungan cosne measure akan menekankan pada tngkat kemrpan bars-bars kebutuhan dalam suatu dokumen dengan setap bars query tpe NFRs tertentu. Dberkan tahapan proses pengukuran kemrpan kebutuhan dalam contoh berkut n.. Sebelumnya, setap bars kebutuhan dlakukan proses tokensas, pembuangan stopword, dan stemmng agar dperoleh term-term dasar. Sementara term-term dasar dar setap tpe NFRs dlakukan pencaran snonm menggunakan WordNet. 2. Proses pembobotan pada setap daftar kata sebaga berkut. a. Metode TF Dberkan daftar kata dar bars kebutuhan dan tpe NFRs tertentu, serta frekuens kemunculannya menggunakan persamaan. Tabel. Daftar Frekuens Kata (TF) Kebutuhan Kata TF TpeNFR_ T_ T_2 2 T_3 3 Kebutuhan_ T_2 3 T_3 2 T_4 b. Metode IDF Berdasarkan daftar kata dalam Tabel, maka dhtung IDF untuk setap kata menggunakan persamaan 2. Sebaga contoh hubungan kata T_ pada TpeNFR_ dan Kebutuhan_ : IDF = log (2/) + =,30 4

5 Dengan cara yang sama untuk semua kata yang lan, maka akan dperoleh hasl perhtungan IDF sebagamana Tabel 2. Tabel 2. Hasl Perhngan IDF Kata (Term) IDF T_,30 T_2 T_3 T_4,30 c. Metode TF-IDF Berdasarkan Tabel dan 2, dlakukan pembobotan TF-IDF melalu persamaan 3 sehngga dhaslkan bobot dar masng-masng kata sebagamana Tabel 3. Tabel 3. Pembobotan TF-IDF Kebutuhan Kata TF * IDF ( ω D (t ) ) TpeNFR_ Q Kebutuhan_ D T_ 0,339 T_2 0,52 T_3 0,782 T_2 0,782 T_3 0,52 T_4 0,339 d. Metode Cosne Measure Pengukuran tngkat kemrpan kebutuhan berdasarkan persamaan 4. M Cos( Q, D) = ω ( t ) xω ( t ) r= Q D = (ω QT * ω DT ) + (ω QT2 * ω DT2 ) + (ω QT3 * ω DT3 ) + (ω QT4 * ω DT4 ) = (0,339 * 0) + (0,52*0,782) + (0,782*0,52) + (0*0,339) = 0,86733 Dengan cara yang sama dperoleh nla kemrpan antara tpe NFRs tertentu dan kebutuhan-kebutuhan lannya. Penentuan nla ambang batas rata-rata dan pemlhan satu tpe NFRs yang palng kuat akan menghaslkan kebutuhan-kebutuhan yang terklasfkas dalam setap tpe NFRs sebaga data pelathan. Pada penambang term ndkator Q dtetapkan sebaga tpe NFRs tertentu, dan D dtetapkan sebaga kebutuhan yang terklasfkas dalam tpe NFRs Q. Term-term ndkator dar tpe NFRs Q dtemukan dengan mempertmbangkan sekumpulan kebutuhan D dar semua tpe NFRs Q pada suatu data pelathan. Dengan demkan, TF akan menghtung frekuens kemunculan suatu term t dalam masng-masng kebutuhan D, dan IDF akan menghtung pecahan dar sekumpulan kebutuhan D dar semua tpe NFRs Q yang mengandung term t dalam suatu data pelathan. Sehngga bobot TF-IDF dar masng-masng term pada tpe NFRs tertentu hanya mempertmbangkan sekumpulan kebutuhan D dar semua tpe NFRs Q. Masng-masng term dberkan suatu nla pembobotan TF-IDF, dan term-term n durutkan secara menurun. Term K teratas ddentfkas sebaga term-term ndkator pada tpe Q tertentu. Hasl pemlhan nla K=5 pada masng-masng tpe NFRs dhaslkan dengan melbatkan WordNet atau tdak. 5

6 Pengujan otomas data pelathan menggunakan 23 dokumen kebutuhan yang tdak terklasfkas pada dataset waterloo dan 2 tpe NFRs berdasarkan ISO/IEC 926. Skenaro pengujan dfokuskan pada pemanfaatan WordNet atau tdak untuk mengetahu adanya penngkatan jumlah kebutuhan yang terklasfkas dalam tpe NFRs. Sedangkan pengujan penambangan term ndkator dlakukan pada dua skenaro. Skenaro pertama otomas data pelathan dan sstem penambang sama-sama tanpa WordNet. Skenaro kedua otomas data pelathan dan sstem penambang sama-sama melbatkan WordNet. Keduanya menghaslkan K=5 term. Evaluas dar bobot term ndkator K=5 menunjukkan bahwa WordNet mampu menngkatkan nla pembobotan rata-rata dar 2 tpe NFRs. KESIMPULAN DAN SARAN Berdasarkan hasl data pelathan menunjukkan bahwa penggunaan WordNet dapat menngkatkan total jumlah kebutuhan yang terklasfkas dalam tpe NFRs. Sedangkan pada hasl penambangan term ndkator menunjukkan penngkatan pembobotan rata-rata dar 2 tpe NFRs. Dsmpulkan bahwa kerangka kerja sstem penambang term ndkator yang melbatkan WordNet memlk knerja yang lebh bak dalam menghaslkan data pelathan dan menemukan term-term ndkator dar data pelathan tersebut. DAFTAR PUSTAKA (2pt Tmes new roman) Cleland-Huang, J., Settm, R., Zou, X., Solc, P., (2006), The Detecton and Classfcaton of Non-Functonal Requrement wth Applcaton to Early Aspects, 4th IEEE Internatonal Requrements Engneerng Conference. Casamayor, A., Godoy, D., Campo, M., (200), Identfcaton Of Non-Functonal Requrements In Textual Specfcatons: A Sem-Supervsed Learnng Approach, Elsever Informaton and Software Technology. Vezens, C., (2008), Qualty Requrements, Insttut fur Informatk der Technschen Unverstat Munchen. Glnz, M., (2007), On Non-Functonal Requrements, 5th IEEE Internatonal Requrements Engneerng Conference. ISO/IEC, (200), ISO/IEC 926- Software Engneerng-Product Qualty-Part : Qualty Model, Frst edton Al-Qutash, R.E., (2009), An Investgaton of the Weaknesses of the ISO 926 Internatonal Standard, IEEE Second Internatonal Conference. Al-Qutash, R.E., (200), Qualty Models n Software Engneerng Lterature: An Analytcal and Comparatve Study, Journal of Amercan Scence. Al-Kldar, H., Cox, K., Ktchenham, B., (2005), The Use and Usefulness of the ISO/IEC 926 Qualty Standard, IEEE. Behkamal, B., Kahan, M., Akbar, M.K., (2009), Customzng ISO 926 qualty model for evaluaton of B2B applcatons, Elsever Informaton and Software Technology Wagner, S., Dessenboeck, F., Wnter, S., (2008), Managng Qualty Requrements Usng Actvty-Based Qualty Models, ACM Kof, L., (2004), Natural Language Processng For Requrements Engneerng: Applcablty To Large Requrements Documents Vlas, R, Robnson, W.N., (20), A Rule-Based Natural Language Technque for Requrements Dscovery and Classfcaton n Open-Source Software Development Projects, IEEE, Proceedngs of the 44th Hawa Internatonal Conference. Mannng, C.D, Raghavan, P., Schütze, H., (2009), An Introducton to Informaton Retreval, Cambrdge Unversty Press, England 6

7 Tekl, J., Chber, R., Yetongnon, K., (2009), An overvew on XML smlarty: Background, current trends and future drectons, Elsever Computer Scence. Sulstyo, W., Sarno, R., (2008), Auto Matchng Antar Dokumen Dengan Metode Cosne Measure, Semnar Nasonal Teknolog Informas dan Komunkas, Indonesa. Sulstyo, W., Sarno, R., (2008), Pemodelan Kesesuaan Dokumen Sekurt Manajemen Aset Teknolog Informas Menggunakan Algortma Extended Weghted-Tree, Program Magster Teknk Informatka, FTIF, ITS Surabaya. Mulawan, I.W., Sahaan, D.O, Sarwosr, 20, Analss Ambgutas Kebutuhan Perangkat Lunak Berdasarkan Acuan SMART Requrements, Program Magster Teknk Informatka, FTIF, ITS Surabaya 7