Pendekatan LONG SHORT TERM MEMORY(LSTM) dalam Mengidentifikasi User Story untuk Pemilihan Software Development Practices

Dalam mengembangkan perangkat lunak dilakukan oleh software development team, langkah awal yang dilakukan tim adalah mengidentifikasi scope dan vision dimana didalamnya termasuk planning, definisi tujuan dan inti proyek, dan persetujuan formal terkait proyek. Setelah itu tim akan mengidentifikasi kebutuhan dari user yang akan digunakan sebagai dasar pengembangan sistem, hasil identifikasi akan diperoleh apakah perangkat lunak merupakan sistem informasi konvensional atau membutuhkan machine learning. Proses ini membutuhkan waktu yang panjang dan detail, karena terdapat perbedaan alur pengembangan jika proyek merupakan pengembangan yang membutuhkan machine learning.

Oleh karena itu dalam mengidentifikasi membutuhkan requirement specialist yang memahami karakteristik kebutuhan user, akan tetapi tidak semua tim memiliki requirement specialist sehingga proses identifikasi requirement berdasarkan knowledge dan subyektifitas dari analyst atau project manager. Hal ini inkonsistensi karena tidak terdapat landasan yang pasti dan membutuhkan proses panjang dari inception untuk mendapatkan definisi kebutuhan yang diinginkan user tentu saja hal ini tidak efisien untuk kinerja software development team.

Faktanya requirement dalam pengembangan perangkat lunak berbasis ML maupun sistem informasi konvensional memiliki perbedaan pada user story yang dihasilkan. Fitur atau goals yang diinginkan user pada user story dapat dijadikan kata kunci pembeda dalam melakukan proses klasifikasi jenis proyek, kata kunci ini dapat diketahui dengan penggunaan text mining yaitu klasifikasi teks.

Dalam memilih model yang tepat literatur review telah dilakukan, dan diperoleh model deep learning memiliki hasil akurasi yang cukup bagus dalam melakukan klasifikasi teks. Sehingga penelitian ini menggunakan deep learning LSTM dan GRU. Alasan pemilihan LSTM adalah dari hasil literatur model deep learning dalam klasifikasi teks, LSTM memperoleh akurasi diatas 80%. Sedangkan pemilihan GRU untuk menjadi pembanding, karena GRU memiliki arsitektur yang lebih efiisen dibandingkan LSTM. Apakah efisiensi struktur membuat akurasi lebih tinggi atau tidak. Permasalahan utama adalah dataset user story, dataset ini cukup krusial dan tidak sembarang dipublish sehingga alternatif cara adalah melakukan survey dengan teknik think aloud dan jutifikasi expert untuk menghindari bias.Dari hasil survey diperoleh 500 user story dengan 250 user story machine learning dan 25 user story sistem informasi konvensional. Dari user story yang diperoleh dikumpulkan kata kunci 60 untuk kebutuhan machine learning dan 60 kata kunci untuk kebutuhan sistem informasi biasa.

Penelitian ini berhasil membuktikan bahwa model deep learning dapat digunakan sebagai salah satu cara untuk efisiensi kinerja software development team, selain itu user story ternyata dapat digunakan dalam mengklasifikasikan kebutuhan machine learning dan non machine learning. Akurasi yang diperoleh dari model LSTM juga cukup baik yaitu sekitar 96%.

Reference : Peneliti : Irdina Wanda Syahputri, Ridi Ferdiana, Sri Suning Kusumawardani

Tahun : 2021

Leave a comment

Your email address will not be published.