Pendekatan Bidirectional LSTM untuk Klasifikasi Fungsional dan Non-Fungsional Requirements Berbasis Natural Language Processing

Rizki Rizkyatul Basir, Yunita Endra Megiati, Noor Komari Pratiwi

Abstract


Proses klasifikasi Functional Requirement (FR) dan Non-Functional Requirement (NFR) merupakan tahap penting dalam Software Engineering untuk memastikan sistem yang dibangun memenuhi aspek fungsional maupun kualitas. Tantangannya terletak pada proses manual, sehingga menyita waktu dan rentan terhadap human error. Penelitian ini bertujuan untuk mengotomatisasi proses klasifikasi dengan menggunakan pendekatan Natural Language Processing (NLP) berbasis model Bidirectional Long Short-Term Memory (BiLSTM). Metode ini dipilih karena mampu memahami konteks kalimat dari dua arah, sehingga meningkatkan akurasi dalam pengenalan teks requirement. Dataset yang digunakan diambil dari repositori Mendeley Data dengan jumlah 6.117 entri, kemudian melalui tahap pre-processing menjadi 6.086 data valid dengan 3.964 FR dan 2.122 NFR. Data diproses dengan tahapan tokenisasi, padding, encoding label, serta pembagian data latih dan uji. Model BiLSTM dilatih menggunakan TensorFlow atau Keras dan dibandingkan dengan pendekatan TF-IDF + Logistic Regression sebagai baseline. Hasil uji menunjukkan model BiLSTM mencapai akurasi 84,31%, dengan performa yang konsisten dalam mengenali kelas requirement. Penelitian ini menunjukan efektivitas pendekatan deep learning efektif untuk membantu proses requirement engineering untuk meningkatkan efisiensi sekaligus meminimalkan human error.


Keywords


Requirements Engineering, FR, NFR, NLP, BiLSTM

References


Abbas, J., Hu, Z., Kanwal, S., Ahmad, A., Almogren, A., & Altameem, A. (2024). Bi-LSTM-Based Model for Classifying Software Requirements. https://doi.org/10.20944/preprints202410.2129.v1

Casamayor, A., Godoy, D., & Campo, M. (2010). Identification of non-functional requirements in textual specifications: A semi-supervised learning approach. Information and Software Technology, 52(4), 436–445. https://doi.org/10.1016/j.infsof.2009.10.010

Kurtanovic, Z., & Maalej, W. (2017). Automatically Classifying Functional and Non-functional Requirements Using Supervised Machine Learning. Proceedings - 2017 IEEE 25th International Requirements Engineering Conference, RE 2017, 490–495. https://doi.org/10.1109/RE.2017.82

Song, D., Gao, S., He, B., & Schilder, F. (2022). On the Effectiveness of Pre-Trained Language Models for Legal Natural Language Processing: An Empirical Study. IEEE Access, 10, 75835–75858. https://doi.org/10.1109/ACCESS.2022.3190408

Vijayvargiya, S., Kumar, L., Murthy, L. B., & Misra, S. (2022). Software Requirements Classification using Deep-learning Approach with Various Hidden Layers. Proceedings of the 17th Conference on Computer Science and Intelligence Systems, FedCSIS 2022, 895–904. https://doi.org/10.15439/2022F140

Arora, C., Sabetzadeh, M., Briand, L. C., & Zimmer, F. (2019). Functional and Non-functional Requirements Dataset. Mendeley Data. https://data.mendeley.com/datasets/4ysx9fyzv4/1




DOI: https://doi.org/10.30998/semnasristek.v10i1.8869

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: