KLASIFIKASI KEBUTUHAN PERANGKAT LUNAK BERDASARKAN KATEGORI ISO/IEC 25000 MENGGUNAKAN TEXTRANK DAN SVM
Abstract
Perancangan kebutuhan perangkat lunak merupakan langkah pertama yang harus dilakukan dalam perencanaan membangun perangkat lunak. Untuk mempermudah melakukan analisis, kebutuhan perangkat lunak dapat dikategorikan ke dalam standar kualitas. Salah satu standar kualitas dapat menggunakan ISO/IEC 25000. Seri ISO/IEC 25000 terdiri dari 8 karakteristik yaitu Functional Suitability, Performance Efficiency, Compatibility, Usability, Reliability, Security, Maintainability, dan Portability. Untuk mempermudah dan mempercepat analisis diperlukan klasifikasi secara otomatis. Berbagai metode klasifikasi terhadap standar kualitas kebutuhan perangkat lunak telah diusulkan. Pada penelitian ini, melakukan ekstraksi kata kunci dari kebutuhan perangkat lunak menggunakan metode TextRank untuk melakukan klasifikasi terhadap standar kualitas ISO/IEC 25000. Kata kunci yang telah diekstraksi mewakili istilah pada kebutuhan perangkat lunak. Sebanyak 154 kebutuhan dari 5 perangkat lunak diekstraksi menjadi 66 kata kunci yang akan digunakan untuk melakukan klasifikasi terhadap standar kualitas ISO/IEC 25000. Pada penelitian ini, didapatkan hasil presisi sebesar 83% dan recall sebesar 80.3% dengan menggunakan klasifikasi Support Vector Machine (SVM).
References
T. Kh and I. Hamarash, “Model-based quality assessment of internet of things software applications: A systematic mapping study,†2020.
I. P. Delgado-Solano, A. S. Núñez-Varela, and G. H. Pérez-González, “Keyword Extraction From Users’ Requirements Using TextRank and Frequency Analysis, and Their Classification into ISO/IEC 25000 Quality Categories,†in 2018 6th International Conference in Software Engineering Research and Innovation (CONISOFT), 2018, pp. 88–92.
F. H. Wattiheluw, S. Rochimah, and C. Fatichah, “Klasifikasi Kualitas Perangkat Lunak Berdasarkan Iso/Iec 25010 Menggunakan Ahp Dan Fuzzy Mamdani Untuk Situs Web E-Commerce,†JUTI J. Ilm. Teknol. Inf., vol. 17, no. 1, p. 73, 2019.
A. Stefani and M. Xenos, “E-commerce system quality assessment using a model based on ISO 9126 and Belief Networks,†Softw. Qual. J., vol. 16, no. 1, pp. 107–129, 2008.
M. Lu and P. Liang, “Automatic classification of non-functional requirements from augmented app user reviews,†in Proceedings of the 21st International Conference on Evaluation and Assessment in Software Engineering, 2017, pp. 344–353.
N. Jha and A. Mahmoud, “Mining non-functional requirements from app store reviews,†Empir. Softw. Eng., vol. 24, pp. 3659–3695, 2019.
A. Fernández, S. Garcia, F. Herrera, and N. V Chawla, “SMOTE for learning from imbalanced data: progress and challenges, marking the 15-year anniversary,†J. Artif. Intell. Res., vol. 61, pp. 863–905, 2018.
S. Rajput, A. Gahoi, M. Reddy, and D. M. Sharma, “N-Grams TextRank A Novel Domain Keyword Extraction Technique,†in Proceedings of the 17th International Conference on Natural Language Processing (ICON): TermTraction 2020 Shared Task, 2020, pp. 9–12.
S. Qaiser and R. Ali, “Text mining: use of TF-IDF to examine the relevance of words to documents,†Int. J. Comput. Appl., vol. 181, no. 1, pp. 25–29, 2018.
S. Ghosh, A. Dasgupta, and A. Swetapadma, “A study on support vector machine based linear and non-linear pattern classification,†in 2019 International Conference on Intelligent Sustainable Systems (ICISS), 2019, pp. 24–28.
X. He, Z. Wang, C. Jin, Y. Zheng, and X. Xue, “A simplified multi-class support vector machine with reduced dual optimization,†Pattern Recognit. Lett., vol. 33, no. 1, pp. 71–82, 2012.
