Klasifikasi Kebutuhan Non-Fungsional Dengan Pendeteksian Multi-Label Menggunakan Semantic-Fsknn Berbasis ISO/IEC 9126

Ramadhani, Denni Aldi (2015) Klasifikasi Kebutuhan Non-Fungsional Dengan Pendeteksian Multi-Label Menggunakan Semantic-Fsknn Berbasis ISO/IEC 9126. Masters thesis, Institut Technology Sepuluh Nopember.

[img] Text
5113201029-Master Thesis.pdf - Published Version
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Kebutuhan non-fungsional merupakan salah satu faktor penting yang berperan dalam kesuksesan pengembangan perangkat lunak. Dalam dunia industri kebutuhan non-fungsional sering kali dilupakan sehingga menimbulkan efek yang merugikan, baik untuk kesuksesan pengembangan sistem perangkat lunak tersebut dan juga bagi para pemangku kepentingan. Oleh sebab itu dibutuhkan suatu sistem otomatisasi identifikasi kebutuhan non fungsional. Banyak penelitian yang telah melakukan proses otomatisasi identifikasi kebutuhan non fungsional dengan menggunakan teknik klasifikasi tetapi hanya terbatas pada klasifikasi single-label, sehingga dibutuhkan teknik klasifikasi yang mendukung multi-label. Keterbatasan teknik klasifikasi lainnya adalah hanya memperhitungkan frekuensi kemunculan term dan pengukuran similaritas antara dokumen dengan kategori tanpa mempertimbangkan faktor semantik. Disamping itu terlalu banyak standar tentang kebutuhan non fungsional juga menyebabkan kerancuan ketika mengidentifikasi kebutuhan non fungsional. Oleh karena itu dalam penelitian ini diusulkan suatu sistem otomatisasi identifikasi kebutuhan non fungsional dari kalimat kebutuhan berbasis algoritma klasifikasi FSKNN dengan penambahan faktor semantik seperti pengembangan term dengan hipernim dan pengukuran keterkaitan semantik antara term dengan setiap kategori aspek kualitas berbasis ISO/IEC 9126. Dari pengujian yang telah dilakukan menggunakan dataset gabungan dari berbagai macam dokumen kebutuhan diketahui bahwa perubahan metode FSKNN menjadi Semantic-FSKNN dapat memperbaiki kinerja hamming loss, accuracy, dan precision dalam jumlah yang relatif kecil sehingga tidak signifikan. Tetapi untuk kinerja recall mengalami penurunan. Pemanfaatan pengembangan term dengan gabungan hipernim dan sinonim pada skenario 2 telah meningkatkan kinerja accuracy sebesar 12.7% untuk metode FSKNN dan metode Semantic-FSKNN, precision sebesar 12% untuk metode FSKNN dan 16.5% untuk metode Semantic-FSKNN, dan recall sebesar 20.4% untuk metode FSKNN dan 14.3% untuk metode Semantic-FSKNN. Akan tetapi untuk kinerja hamming loss mengalami kenaikan tingkat error sebesar 10.9% untuk kedua metode. Perbandingan kedua skenario menunjukkan skenario 2 merupakan skenario yang paling optimal dengan kinerja hamming loss 21.9%, accuracy sebesar 43.7% dan precision sebesar 73.9%. ========================================================================================================= Non-functional requirements or aspects of quality is an important factor because it plays a role in the success of software development. But in the industry, non-functional requirements are often overlooked, it will cause adverse effects, both for the success of the software development and also for stakeholders. Therefore, it needs an automation system identification non-functional requirements. Many research have been did the non functional automation identification process using classification techniques but are limited to single-label classification, and so we need classification technique that supports multi-label. The other limitation from classification techniques are often confined to the term frequency measurement and the measurement of similarity between documents with categories without considering semantic factors. Besides, too many standards on non-functional requirements also cause confusion when identifying non-functional requirements. Therefore in this research proposed an automated identification system from requirement sentences based FSKNN algorithm with addition of semantic factor such as term enrichment using hypernim relation and measurement of semantic relatedness between term with categories based ISO/IEC 9126. From the testing that has been performed using the combined datasets of various kinds of requirement documents, known that changing the FSKNN method to Semantic-FSKNN method can improve performance from hamming loss, accuracy, and precision in small value so as not significant. But for recall decrease insignificant. Using term enrichment with a mix hypernim and synonyms in scenario 2 has improved accuracy of 12.7% for FSKNN and Semantic-FSKNN method, precision of 12% for FSKNN method and 16.5% for Semantic-FSKNN method and for recall of 20.4% for methods FSKNN and 14.3% for Semantic-FSKNN method. However, for the performance of hamming loss increased error rate of 10.9% for both methods. Comparison of the two scenarios show scenario 2 is the most optimal scenario with the performance of hamming loss of 21.9%, accuracy of 43.7% and precision of 73.9%.

Item Type: Thesis (Masters)
Additional Information: RTIf 006.7 Ram k
Uncontrolled Keywords: kebutuhan non fungsional, klasifikasi multi-label, Fuzzy Similarity based K-Nearest Neighbour, hipernim, sinonim, semantic relatedness.
Subjects: Q Science > QA Mathematics > QA76 Computer software
Divisions: Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 28 Oct 2019 08:45
Last Modified: 28 Oct 2019 08:45
URI: https://repository.its.ac.id/id/eprint/71451

Actions (login required)

View Item View Item