KLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126

Transkripsi

1 pissn: eissn: Vo 1 No 2 Jui 2015, KLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126 Denni Adi Ramadhani 1, Siti Rochimah 2, Umi Laii Yuhana 3 1,2,3 Program Studi Teknik Informatika, Fakutas Teknoogi Informasi, Institut Teknoogi Sepuuh Nopember denniadi@gmai.com, siti@its-sby.edu, yuhana@if.its.ac.id Abstrak Kebutuhan non-fungsiona merupakan saah satu faktor penting yang berperan daam kesuksesan pengembangan perangkat unak yang sering kai diupakan oeh pengembang sehingga menimbukan efek yang merugikan. Untuk mendapatkan kebutuhan non-fungsiona dibutuhkan suatu sistem otomatisasi identifikasi kebutuhan non fungsiona. Daam peneitian ini diusukan suatu sistem otomatisasi identifikasi kebutuhan non fungsiona dari kaimat kebutuhan berbasis agoritma kasifikasi FSKNN dengan pengembangan term pada data atih menggunakan sinonim dan gabungan hipernim dan sinonim berbasis ISO/IEC Daam pengujiannya dataset kaimat kebutuhan yang digunakan adaah 1342 kaimat dari 6 dataset yang berbeda. Hasi dari peneitian ini adaah pengembangan term dengan menggunakan gabungan hipernim dan sinonim dapat memperbaiki kinerja accuracy sebesar 8.1%, precision sebesar 13% dan reca sebesar 4.9%. Kata Kunci: kebutuhan non-fungsiona, kasifikasi muti-abe, Fuzzy Simiarity based K-Nearest Neighbour. Abstract Non-functiona requirements is one of the important factors that pay a roe in the success of software deveopment that is often forgotten by the deveoper, causing adverse effects. To obtain the non-functiona requirements needed an automation system identification non-functiona requirements. In this study proposed an an automation system of identification of non-functiona requirements from the requirement sentences based cassification agorithms FSKNN with term enrichment on training data using synonyms and combined hypernym and synonyms based on ISO / IEC In the testing phase the dataset of requirement sentence used was 1342 sentences from six different datasets Resuts of this research is the term enrichment by using a combination hypernym and synonyms can improve performance accuracy by 8.1%, precision by 13% and a reca by 4.9%. Keywords: Non-Functiona Requirement, muti-abe cassification, Fuzzy Simiarity based K-Nearest Neighbour. I. PENDAHULUAN Mengetahui kebutuhan non fungsiona yang berkaitan erat dengan aspek kuaitas perangkat unak merupakan sesuatu yang penting karena aspek kuaitas daam kebutuhan non fungsiona merupakan saah satu faktor yang berperan daam kesuksesan mengembangkan sebuah sistem. Dunia industri daam prakteknya juga terau fokus pada faktor kebutuhan fungsiona dan sering meupakan faktor kebutuhan non fungsiona hingga mencapai pada tahap desain dan pengembangan [1]. Pada kenyataannya jika aspek kuaitas kebutuhan non fungsiona tidak dipertimbangkan dan tidak diketahui maka menimbukan efek yang merugikan, baik untuk kesuksesan pengembangan sistem perangkat unak tersebut dan juga bagi para pemangku kepentingan. Masaah yang timbu karena kurang diperhatikannya identifikasi kebutuhan non-fungsiona daam pengembangan perangkat unak adaah kegagaan 1 kinerja ketika perangkat unak teah disebarkan (depoyment) ke ingkungan masyarakat [2] [3]. Efek merugikan juga dapat berdampak untuk para pemangku kepentingan, biasanya karena para pemangku kepentingan teah mengeuarkan dana besar untuk suatu proyek pengembangan perangkat unak yang pada akhirnya perangkat unak tersebut tidak berguna secara maksima [4]. Banyak peneitian yang teah diakukan untuk mengidentifikasi perangkat unak, saah satu peneitian seperti yang diakukan oeh Sankas dan Wiiams mengajukan sebuah sistem yang disebut dengan NFR Locator. Sistem ini terdiri dari dua proses yaitu pada proses pertama meakukan parsing dokumen kebutuhan menjadi kaimat kaimat yang tersusun daam bentuk directed graph, proses parsing ini menggunakan Stanford Natura Language Parser. Proses kedua meakukan kasifikasi terhadap kaimat hasi proses pertama dengan menggunakan pendekatan

2 Meek IT Information Technoogy Journa. Vo 1 No 2 Jui 2015, 2-6 pembeajaran diawasi berbasis agoritma KNN dan memanfaatkan fungsi distance metric Levenshtein untuk mengukur jarak data uji dengan data tetangga terdekatnya [5]. Pada peneitian ainnya juga mengajukan sebuah cara untuk menyeesaikan permasaahan identifikasi aspek kuaitas kebutuhan non fungsioan dengan pendekatan pembeajaran semi-diawasi (semi-supervised earning) berbasis agoritma Naive Bayes. Agoritma Naive Bayes digunakan untuk proses peatihan yang digabungkan dengan metode Expectation Maximization (EM) yang bertujuan untuk mengurangi jumah data atih. Proses pertama yaitu dengan meakukan praproses terhadap dokumen kebutuhan untuk mendapatkan term kunci dari dokumen, dan proses kedua adaah meakukan kasifikasi dengan metode gabungan tersebut. Dokumen yang tidak terabei dianggap memiiki kehiangan data karena kurangnya abe keas [6]. Beberapa peneitian diatas tidak mempertimbangkan pengembangan pada fitur atau term yang digunakan untuk meakukan proses kasifikasi. Fitur atau term pada data atih dapat dikembangkan dengan menggunakan sinonim dan hipernim dengan memanfaatkan dictionary Wordnet, sehingga fitur atau term yang akan digunakan pada data atih dapat berkembang maknanya secara ebih uas. Pada peneitian ini akan mengusukan sebuah sistem otomatisasi indentifikasi kaimat kebutuhan dengan menerapkan metode kasifikasi muti-abe berbasis agoritma FSKNN dengan menambahkan pengembangan term daam data atih berdasarkan hubungan gabungan hipernim dan sinonim berbasis Wordnet Kategori aspek kuaitas yang digunakan berbasis mode kuaitas standar internasiona ISO/IEC II. METODE Metode peneitian ini terdiri atas 3 tahap utama yaitu : otomatisasi peabean data atih dengan pengembangan term sinonim dan gabungan hipernim sinonim, tahap peatihan FSKNN yang terdiri dari subproses pengeompokan poa peatihan dan penghitungan prior probabiity dan niai ikeihoods, dan tahap kasifikasi FSKNN. 2.1 Tahap Otomatisasi Peabean Data Peatihan Pada fase data peatihan otomatisasi abe terdiri dari empat tahap: preprocessing, pengembangan term daam data peatihan berdasarkan hubungan gabungan antara hipernim dan sinonim, pembobotan tfidf, dan pengukuran niai kemiripan. Semua tahapan otomatisasi data training peabean didasarkan pada peneitian yang teah diakukan oeh Suharso dan Rochimah [7]. Kecuai pada fase kedua adaah kontribusi dari peneitian ini yaitu mengembangkan term pada data peatihan menggunakan sinonim dan gabungan poa hipernim dan sinonim seperti pada Gambar 1 dan Gambar 2. Gambar 1. Poa Pengembangan Term dengan Sinonim Gambar 2. Poa Pengembangan Term dengan Gabungan Hipernim dan Sinonim 2.2 Tahap Peatihan FSKNN Tahap peatihan Semantic-FSKNN terdiri dari dua tahap yaitu pengeompokan poa peatihan dan penghitungan prior probabiity [8]. 1. Pengeompokan Poa Peatihan Pengeompokan dokumen peatihan d 1, d 2,, d ke daam p kuster berbasis pada fuzzy simiarity measure. Diberikan dt(t i, c j ) dan dd(t i, c j ) yang merupakan distribusi term t i pada kategori c j, yang didefinisikan sebagai berikut: dt(t i, c j ) = dd(t i, c j ) = v=1 w ivy jv v=1 w iv v=1 sgn(w iv)y jv v=1 y iv Untuk 1 i m dan 1 j p, dimana : 1, jika x > 0 sgn(x) = { 0, jika x = 0 (1) (2) (3) Sehingga tentunya akan didapatkan 0 dt(t i, c j ) dan dd(t i, c j ) 1. Tahapan seanjutnya menghitung derajat keanggotaan t i terhadap kategori c j, pada proses penghitungan derajat keanggotaan t i terhadap kategori c j diberikan suatu penambahan formua baru agar niai yang didapatkan dari proses pengukuran keterkaitan semantik dapat ikut diperhitungkan. 2

3 pissn: eissn: Vo 1 No 2 Jui 2015, Penambahan formua tersebut adaah sebagai berikut : μ R (t i, c j ) = dt(t i,c j ) 1 u m,1 v p dt(t u,c v ) dd(t i,c j) 1 u m,1 v p dd(t u,c v ) (4) Untuk 1 i m dan 1 j p. Tahapan seanjutnya adaah menentukan fuzzy simiarity dari setiap dokumen d, d = w 1, w 2,, w m, terhadap kategori c j sebagai berikut : sim(d, c j ) = m i=1 μ R (t i,c j ) μ d (t i ) m μ R (t i,c j ) μ d (t i ) i=1 (5) Dimana dan merupakan fuzzy t-norm dan t- conorm yang secara berurutan didefinisikan sebagai berikut : Dan x y = x y (6) x y = x + y x y (7) μ d (t i ) = w i 1 v m w v (8) μ d (t i ) merupakan derajat keanggotaan dari term t i terhadap d. Tahapan terakhir adaah mendefinisikan derajat keanggotaan dari dokumen d terhadap kategori c j sebagai berikut : μ cj (d) = sim(d,c j) 1 v p sim(d,c v ) (9) Untuk 1 j p. Untuk setiap dokumen peatihan d i, 1 i, akan diakukan perhitungan μ cj (d i ), 1 j p, dengan menggunakan persamaan 15. Untuk mendefinisikan p kuster, S 1, S 2,, S p, adaah sebagai berikut : S v = {d u μ cv (d u ) α, 1 u (10) Untuk 1 v p, dimana α adaah threshod yang didefinisikan oeh user untuk digunakan daam proses peatihan. Untuk setiap d i, 1 i, didefinisikan search set G i untuk setiap S v G i jika dan hanya jika d i S v, 1 v p. Proses berikutnya akan dijeaskan pada pseudocode yang ditunjukkan pada Gambar 3, dengan catatan pada muanya S v =, 1 v p, dan G u =, 1 u. Keuaran yang berupa search set G 1, G 2,, G seanjutnya akan digunakan untuk menentukan data tetangga terdekat yang dapat membantu meakukan perhitungan niai prior probabiity dan niai ikeihood pada tahapan berikutnya. Gambar 3. Pseudo-code proses pengeompokan dan proses pendefinisian search set G i [8] 2. Penghitungan Prior Probabiity Diberikan P(H j ) yang merupakan prior probabiity yang harus diketahui niainya terebih dahuu sebeum meanjutkan ke daam setiap observasi, sedangkan P(E H j ) merupakan suatu keas ikeihood dan merupakan sebuah conditiona probabiity bahwa H j memiiki keterkaitan dengan observasi E. Perhitungan probabiitas ini diakukan dari poa peatihan yang didapatkan sebeumnya, sebagai berikut : P(H j = 1) = s+ i=1 y ji 2s+ (11) P(H j = 0) = 1 P(H j = 1) (12) Dimana s merupakan niai smoothing constant, yang biasanya berniai rea positif keci. Tahapan berikutnya meakukan perhitungan keas ikeihood P(E H j ). E dapat berniai 0,1,..., atau k. Untuk setiap dokumen peatihan d i, 1 i, dimana N i = d v1, d v2,, d vk merupakan k-nearest neighbor yang diambi dari search set G i dan n i = n 1 i, n 2 i,, n p i, yang merupakan vektor jumah abe yang didefinisikan : v k n i j = r=v 1 y jr (13) Untuk 1 j p. Tahap seanjutnya didefinisikan : Z(e, j) = i=1 y ji δ ei (j) (14) Z (e, j) = i=1 y ji δ ei (j) (15) Dimana y ji = 1 y ji dan δ ei (j) = { 1, jika e = n j i 0, jika e n j i (16) 3

4 Meek IT Information Technoogy Journa. Vo 1 No 2 Jui 2015, 4-6 Kemudian didefinisikan ikeihoods, sebagai berikut : P(E = e H j = 1) = P(E = e H j = 0) = s+z(e,j) (k+1)s+ k v=0 Z(v,j) s+z (e,j) (k+1)s+ k v=0 Z (v,j) (17) (18) Untuk setiap e = 0, 1,..., k dan j = 1, 2,..., p, karena ukuran dari G i, 1 i seau ebih keci daripada jumah poa peatihan awa, menghitung ikeihoods dapat diakukan secara efisien. 2.3 Tahap Kasifikasi FSKNN Proses testing daam agoritma FSKNN diakukan dengan menggunakan estimasi imum a posteriori (MAP). Dimisakan N i = {d v1, d v2,, d vk } merupakan satu set k-nearest neighbors untuk dokumen testing d t, dan n t = n 1 t, n 2 t,, n p t merupakan vektor jumah abe untuk d t (persamaan 2.15), untuk menentukan kategori mana yang memiiki hubungan dengan d t yaitu dengan cara menghitung vektor abe y t = y 1 t, y 2 t,, y p t dari dokumen d t dengan menggunakan estimasi imum a posteriori (MAP) sebagai berikut : 1, jika P(H j = 1 E = n t j ) > P(H j = 0 E = n t j ) y t j { 0, jika P(H j = 0 E = n t j ) > P(H j = 1 E = n t j ) (19) R[0,1], otherwise Untuk 1 j p, dimana H j adaah variabe acak untuk mengetahui masuk ke daam kategori c j atau tidak ( H j = 1 untuk iya, dan H j = 0 untuk tidak), E merupakan variabe untuk jumah dokumen daam N t yang berhubungan dengan kategori c j, dan R[0,1] mengindikasikan 0 atau 1 dipiih secara acak. Dengan menggunakan Bayes Rue didapatkan : P(H j = b E = n j t ) = P(H j=b)p(e=n j t H j =b) P(E=n j t ) (20) Untuk b = 0, 1. Oeh karena itu persamaan 19 akan berubah menjadi : 1, jika P(H j = 1)P(E = n t j H j = 1) > P(H j = 0)P(E = n t j H j = 0) y t j { 0, jika P(H j = 0)P(E = n t j H j = 0) > P(H j = 1)P(E = n t j H j = 1) R[0,1], otherwise (21) Untuk 1 j p. Tentunya untuk menghitung y j t harus ditemukan N t, dan menghitung P(H j ) (Persamaan 11 dan 12) dan juga P(E H j ) (Persamaan 17 dan 18). Perhitungan yang tidak tergantung pada d t dapat diakukan pada proses peatihan dan sisanya diakukan ketika proses kasifikasi. Berikut tahapan seama proses kasifikasi tersebut : 1. Hitung μ cj (d t ), 1 j p dengan Persamaan 9 menggunakan informasi atau hasi perhitungan yang diakukan dengan Persamaan 4, 5 dan Periksa jika μ cj (d t ) α untuk 1 j p, maka akan didapatkan search set untuk d t yaitu G t = S j1 S j2 S jh. 3. Temukan set N t dari k-nearest neighbors terhadap d t dari G t, dan dapatkan vektor jumah abe n t. 4. Hitung y j t, 1 j p menggunakan Persamaan 21 dengan menggunakan informasi yang teah dihitung daam proses peatihan dengan Persamaan 11, 12, 17 dan Jika y j t yang didapatkan berniai 1, maka d t termasuk ke daam kategori c j, jika sebaiknya maka d t tidak termasuk ke daam c j. III. HASIL DAN PEMBAHASAN Pada bab ini akan dibahas tentang dataset uji coba, skenario uji coba dan anaisis dari hasi uji coba. 3.1 Dataset Daam pengujian yang akan diakukan pada peneitian ini menggunakan dataset dari Promise [9], Itrust, CCHIT, Word Vista US Veterans Heath Care System Documentation, Onine Project Marking System SRS, Mars Express Aspera-3 Processing and Archiving Faciity SRS dengan tota keseuruhan jumah kaimat kebutuhan mencapai 1342 kaimat. Dimana 60% (805 kaimat) akan digunakan sebagai data atih dan 40% (537 kaimat) akan digunakan sebagai data uji. Hasi kasifikasi dari data uji nantinya akan dievauasi kinerjanya berdasarkan accuration, precision, reca, and hamming oss [10]. 3.2 Skenario Uji Coba Tahap uji coba pada peneitian ini akan diakukan dengan dua skenario yang berbeda yaitu uji coba kasifikasi FSKNN menggunakan data atih yang dikembangkan dengan sinonim dan skenario kedua yaitu uji coba kasifikasi FSKNN menggunakan data atih yang dikembangkan dengan gabungan hipernim dan sinonim. Masing masing skenario akan diuji dengan jumah tetangga terdekat (k) antara 10 hingga 55 dan setiap k diuji dengan niai ambang batas antara 0.1 hingga 0.9. Skenario pengujian ini ditujukan untuk mengetahui poa pengembangan term data atih terbaik antara sinonim dan gabungan hipernim 5 - dan 8 sinonim. 3.3 Hasi Uji Coba dan Anaisis Dari hasi uji coba pada kedua skenario diketahui bahwa jumah tetangga terdekat terbaik berada pada k = 30. Dengan hasi evauasi accuration, precision, reca, and hamming oss seperti yang ditunjukkan pada Tabe 1 dan perbandingan masing masing kinerja dapat diihat pada Gambar 4, 5, 6 dan 7. 4

5 pissn: eissn: Vo 1 No 2 Jui 2015, 5-6 Threshod FSKNN - Sinonim FSKNN - Gabungan Hipernim - Sinonim k=30 k=30 Hammingoss Accuracy Precision Reca Hammingoss Accuracy Precision Reca 0,1 0,292 0,175 0,396 0,225 0,324 0,204 0,435 0,276 0,2 0,303 0,2 0,411 0,308 0,342 0,27 0,426 0,43 0,3 0,286 0,268 0,447 0,412 0,325 0,271 0,453 0,413 0,4 0,255 0,323 0,503 0,499 0,317 0,297 0,462 0,461 0,5 0,254 0,34 0,501 0,526 0,275 0,36 0,53 0,546 0,6 0,217 0,382 0,581 0,528 0,24 0,413 0,621 0,577 0,7 0,199 0,417 0,659 0,553 0,249 0,393 0,616 0,547 0,8 0,236 0,354 0,537 0,531 0,26 0,385 0,604 0,542 0,9 0,2 0,402 0,662 0,539 0,187 0,483 0,792 0,559 Pada Gambar 4 diatas dapat diketahui bahwa kinerja hamming oss (tingkat kesaahan) pada kasifikasi FSKNN dengan data atih yang dikembangkan menggunakan sinonim ebih rendah dibandingkan kasifikasi FSKNN dengan data atih pengembangan gabungan hipernim dan sinonim. Dari grafik pada Gambar 4 diatas dapat diketahui bahwa pengembangan dengan menggunakan gabungan hipernim dan sinonim tidak efektif untuk kinerja hammingoss karena dapat memicu tingkat kesaahan yang ebih tinggi. Tingkat kesaahan yang ebih tinggi dikarenakan pengembangan dengan menggunakan gabungan hipernim dan sinonim dapat mencakup makna term atau fitur yang ebih uas dibandingkan hanya dengan menggunakan sinonim saja. Gambar 4. Perbandingan kinerja Hammingoss antara pengembangan Sinonim dan Gabungan Hipernim Sinonim Gambar 5. Perbandingan kinerja Accuracy antara pengembangan Sinonim dan Gabungan Hipernim Sinonim Pada Gambar 5 dapat diketahui bahwa secara mayoritas kinerja accuracy pada kasifikasi FSKNN dengan menggunakan pengembangan data atih gabungan hipernim dan sinonim ebih tinggi dibandingkan kasifikasi FSKNN dengan menggunakan pengembangan data atih dari sinonim saja. Titik optimum teretak pada ambang batas 0.9 dengan niai 48.3% dan dapat diketahui kenaikan niainya sebesar 8.1% dari niai FSKNN dengan pengembangan sinonim pada ambang batas yang sama. Pada Gambar 6 dibawah dapat diketahui kinerja precision untuk kasifikasi FSKNN dengan pengembangan gabungan hipernim dan sinonim ebih tinggi secara mayoritas dengan titik optimum teretak pada ambang batas 0.9 dengan niai 79.2% dan kenaikan niainya sebesar 13% dari niai FSKNN dengan pengembangan sinonim pada ambang batas yang sama. Pada Gambar 7 dibawah dapat diketahui kinerja reca untuk kasifikasi FSKNN dengan pengembangan gabungan hipernim dan sinonim ebih tinggi secara mayoritas dengan titik optimum teretak pada ambang batas 0.6 dengan niai 57.7% dan kenaikan niainya sebesar 4.9% dari niai kinerja reca FSKNN dengan pengembangan sinonim pada ambang batas yang sama. 5

6 Meek IT Information Technoogy Journa. Vo 1 No 2 Jui 2015, 6-6 Gambar 6. Perbandingan kinerja Precision antara pengembangan Sinonim dan Gabungan Hipernim Sinonim Gambar 7. Perbandingan kinerja Precision antara pengembangan Sinonim dan Gabungan Hipernim Sinonim IV. KESIMPULAN Dari hasi uji coba pada peneitian ini dapat disimpukan bahwa pengembangan term atau fitur pada data atih dengan menggunakan gabungan hipernim dan sinonim terbukti dapat meningkatkan kinerja accuracy, precision, dan reca dibandingkan dengan pengembangan term atau fitur menggunakan sinonim saja, tetapi pengembangan term atau fitur dengan menggunakan data atih juga memberikan kinerja hamming oss yang ebih tinggi dibandingkan pada pengembangan term menggunakan sinonim. DAFTAR PUSTAKA [1] S. Uah, M. Iqba and A. M. Khan, "A Survey on Issues in Non-Functiona Requirements Eicitation," in 2011 Internationa Conference on Computer Networks and Information Technoogy (ICCNIT), Peshawar, Pakistan, [2] Finkestein and J. Dowe, "A Comedy of Errors: the London Ambuance Service case study," in Proceedings of the 8th Internationa Workshop on Software Specification and Design, [3] J. Bertman and N. Skonik, "EHRs Get a Faiing Grade on Usabiity," Interna Medicine News, vo. 43, p. 50, [4] Hoskinson, "Poitico," News, 29 Juni [Onine]. Avaiabe: htm. [Accessed 20 Oktober 2014]. [5] J. Sankas and L. Wiiams, "Automated Extraction of Non-Functiona Requirements in Avaiabe Documentation," in st Internationa Workshop on Natura Language Anaysis in Software Engineering (NaturaLiSE), San Francisco, CA, USA, [6] Casamayor, D. Godoy and M. Campo, "Identification of non-functiona requirements in textua specifications : A semi-supervised earning approach," Information and Software Technoogy, vo. 52, pp , [7] W. Suharso and S. Rochimah, SIstem Deteksi dan Kasifikasi Otomatis Kebutuhan Non Fungsiona Berbasis ISO/IEC 9126, Surabaya: Institut Teknoogi Sepuuh November, [8] J.-Y. Jiang, S.-C. Tsai and S.-J. Lee, "FSKNN: Muti-abe text categorization based on fuzzy simiarity and k nearest neighbors," Expert Systems with Appications, vo. 39, pp , [9] PROMISE, "tera-promise," 1 Apri [Onine].Avaiabe: quirements/other-requirements/nfr.htm. [Accessed 20 Januari 2015]. [10] P. Prajapati, A. Thakkar and A. Ganatra, "A Survey and Current Research Chaenges in Muti-Labe Cassification Methods," Internationa Journa of Soft Computing and Engineering (IJSCE), vo. 2, no. 1, pp ,