Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.
No.
Februari 2026, hlm.
p-ISSN: 2355-7699
e-ISSN: 2528-6579
PEMANFAATAN PEMBELAJARAN MESIN UNTUK KLASIFIKASI KEBUTUHAN
PERANGKAT LUNAK
Wahyu Fajar Setiawan*1.
Ilham Putra Ariatama2.
Umi Laili Yuhana3.
Muhammad Alfian4
1,2,3,4
Institut Teknologi Sepuluh Nopember.
Surabaya Email: 6025241020@student.
id, *26025241001@student.
id, 3yuhana@its.
7025221023@student.
Penulis Korespondensi (Naskah masuk: 02 Desember 2024, diterima untuk diterbitkan: 07 Mei 2.
Abstrak Klasifikasi kebutuhan perangkat lunak merupakan salah satu langkah terpenting dalam rekayasa perangkat lunak.
Klasifikasi ini membantu pengembang untuk mengategorikan kebutuhan fungsional atau functional requirement (FR) dan kebutuhan non-fungsional atau non-functional requirement (NFR).
Klasifikasi ini sangat penting untuk memastikan bahwa setiap aspek kebutuhan perangkat lunak terpenuhi dengan efisien sehingga perangkat lunak yang dikembangkan akhirnya dapat memenuhi harapan penggunanya.
Namun, klasifikasi manual memerlukan waktu lama dan rentan terhadap kesalahan manusia, terutama pada proyek skala besar.
Sehingga pada penelitian ini kami bertujuan mengotomatisasi proses klasifikasi kebutuhan perangkat lunak menggunakan beberapa algoritma pembelajaran mesin seperti Logistic regression.
SVM.
Multinomial Naive Bayes.
KNN.
Random Forest, dan Decision Tree dengan ekstraksi fitur seperti TF-IDF.
BoW, dan BERT menggunakan dataset PROMISE_exp yang berisi 969 kebutuhan perangkat lunak .
FR dan 525 NFR), untuk mengetahui kombinasi terbaik antara metode ekstraksi fitur dengan algoritma klasifikasi.
Hasil eksperimen menunjukkan bahwa Logistic regression dengan fitur TF-IDF menghasilkan akurasi tertinggi sebesar 97% di antara semua pendekatan.
Model ini juga cukup seimbang dalam hal precision, recall, dan F1-Score.
Model tersebut terbukti menjadi pilihan yang sangat andal untuk mengklasifikasikan kebutuhan perangkat lunak.
Decision Tree yang dikombinasikan dengan BERT ternyata memiliki kinerja yang lebih buruk, yang menyatakan bahwa model ini kurang mampu menangani fiturfitur yang kompleks dari BERT.
Kontribusi utama penelitian ini adalah pembuktian empiris bahwa model klasifikasi sederhana (Logistic Regression TF-IDF) dapat mengungguli pendekatan kompleks berbasis transformer (BERT) untuk tugas klasifikasi kebutuhan perangkat lunak, memberikan panduan praktis bagi pengembang dalam memilih pendekatan otomatisasi yang efektif dan efisien.
Kata kunci: klasifikasi kebutuhan perangkat lunak, pembelajaran mesin, logistic regression.
TF-IDF.
BERT
UTILIZING MACHINE LEARNING FOR SOFTWARE REQUIREMENTS
CLASSIFICATION
Abstract Software requirement classification is one of the most important steps in software engineering.
This classification helps developers categorise functional requirements (FR) and non-functional requirements (NFR).
This classification is very important to ensure that every aspect of software requirements is met efficiently so that the developed software can ultimately meet user expectations.
However, manual classification is time-consuming and prone to human error, especially in large-scale projects.
Therefore, in this study, we aim to automate the software requirement classification process using several machine learning algorithms such as Logistic regression.
SVM.
Multinomial Naive Bayes.
KNN.
Random Forest, and Decision Tree with feature extraction such as TF-IDF.
BoW, and BERT using the PROMISE_exp dataset containing 969 software requirements .
FR and 525 NFR), to determine the best combination of feature extraction methods with classification algorithms.
The experimental results show that Logistic regression with TF-IDF features produces the highest accuracy of 97% among all This model is also quite balanced in terms of precision, recall, and F1-Score.
The model proved to be a very reliable choice for classifying software requirements.
Decision Tree combined with BERT turned out to have poorer performance, indicating that this model is less capable of handling the complex features of BERT.
The main contribution of this research is the empirical proof that a simple classification model (Logistic Regression TF-IDF) can outperform complex transformer-based approaches (BERT) for software requirement classification tasks, providing practical guidance for developers in choosing effective and efficient automation Keywords: software requirement classification, machine learning, logistic regression.
TF-IDF.
BERT 12 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2026, hlm.
PENDAHULUAN
Perangkat lunak meresap ke hampir semua aspek kehidupan kontemporer, dari sistem bisnis hingga perawatan kesehatan dan pendidikan.
Pengembangan perangkat lunak sangat bergantung pada pemahaman dan pengelolaan yang tepat atas kebutuhan perangkat lunak yang diberikan oleh para pemangku kepentingan.
Kebutuhan perangkat lunak secara umum dapat diklasifikasikan ke dalam dua kelas penting yaitu Kebutuhan Fungsional atau functional requirement (FR) dan Kebutuhan NonFungsional atau non-functional requirement (NFR).
FR mendefinisikan apa yang dimaksudkan untuk dilakukan oleh perangkat lunak, misalnya, memproses data atau memverifikasi identitas pengguna, sementara NFR mendefinisikan atribut kualitas yang berkaitan dengan keandalan, keamanan, dan kinerja yang memastikan bahwa perangkat lunak akan bekerja dengan baik untuk melayani tujuan yang dimaksudkan dalam lingkungannya (Ramadhani dkk.
Secara tradisional.
FR dan NFR diklasifikasikan secara manual.
Hal ini, sangat memakan waktu dan membutuhkan banyak sumber daya manusia.
Untuk proyek besar yang melibatkan beberapa ribu baris kebutuhan, beberapa kesalahan manusia hampir tidak dapat dihindari.
Dalam dua tahun terakhir, telah terjadi peningkatan eksponensial untuk mengatasi keterbatasan ini.
Oleh karena itu, para peneliti mengeksplorasi pendekatan berbasis Pembelajaran Mesin (ML) untuk mengotomatisasi klasifikasi kebutuhan perangkat lunak (Zhao dkk, 2.
Algoritma ML telah menunjukkan hasil yang menjanjikan dalam tugas klasifikasi teks, yang dapat dioptimalkan lebih lanjut sehubungan dengan data yang tersedia.
Otomatisasi klasifikasi meningkatkan efisiensi tidak hanya dalam proses pengembangan perangkat lunak tetapi juga dalam pengurangan biaya selama operasinya.
Berbagai studi penelitian mengeksplorasi berbagai pendekatan ML untuk klasifikasi FR dan NFR.
Penelitian oleh (Baskoro dkk, 2.
mengklasifikasikan kebutuhan perangkat lunak dengan menggunakan kombinasi BoW dan SVM, yang memperoleh akurasi yang relatif tinggi.
Algoritma lain seperti Logistic Regression.
Random Forest.
Multinomial Naive Bayes, dan Decision Tree juga telah dicoba pada beberapa kumpulan data yang tersedia untuk umum seperti PROMISE_exp untuk memeriksa kinerjanya pada tugas klasifikasi persyaratan pada penelitian sebelumnya (Al-fraihat dkk, 2.
, (Binkhonain dan Zhao, 2.
dan (Canedo dan Mendes, 2.
Teknik ekstraksi fitur ini, seperti TF-IDF dan BoW, telah menunjukkan hasil yang menjanjikan dengan model seperti Decision Tree dan KNN dengan memberikan kinerja yang baik dengan efisiensi komputasi yang wajar (Umar dkk, 2.
Namun, metode ML ini masih memiliki beberapa celah.
Sebagian besar penelitian sebelumnya memfokuskan studi mereka pada ruang ekstraksi fitur kecil atau satu model pembelajaran mesin tunggal, yang dapat membuat model ini kurang efektif dalam menangani kumpulan data yang Lebih jauh, beberapa studi sebelumnya telah mengeksplorasi penggunaan beberapa algoritma pembelajaran mesin secara massal dalam mengklasifikasikan kebutuhan perangkat lunak, meskipun hal itu dapat membantu memperkuat akurasi dan stabilitas klasifikasi.
Oleh karena itu, penelitian ini mengusulkan model yang membandingkan beberapa model ML dengan beragam teknik ekstraksi fitur untuk representasi terbaik dari kebutuhan perangkat lunak.
Berbagai model pembelajaran mesin yang digunakan dalam studi tersebut meliputi Logistic Regression.
Random Forest.
Multinomial Naive Bayes.
KNN.
SVM, dan Decision Tree.
Teknik ekstraksi fitur yang digunakan adalah TF-IDF.
BoW, dan BERT, sedangkan kumpulan data PROMISE_exp berfungsi sebagai bahan uji utama.
Tujuan dari penelitian ini adalah untuk berkontribusi terhadap otomatisasi klasifikasi kebutuhan perangkat lunak sehingga mempercepat siklus hidup pengembangan perangkat lunak tercapai tanpa mengorbankan kualitas TINJAUAN PUSTAKA Penelitian dalam mengklasifikasikan kebutuhan perangkat lunak telah berkembang pesat seiring dengan meningkatnya minat dalam otomatisasi proses rekayasa kebutuhan menggunakan teknik pembelajaran mesin.
Di sini akan dibahas dalam dua kategori utama penelitian terkait: metode ekstraksi fitur yang digunakan dalam pemrosesan data teks kebutuhan dan algoritma klasifikasi yang digunakan untuk memprediksi kelas kebutuhan perangkat lunak, baik FR maupun NFR.
Penelitian Terkait Salah satu tugas utama dalam rekayasa perangkat lunak melibatkan pengklasifikasian kebutuhan perangkat lunak ke dalam FR dan NFR, yang memungkinkan pengembang untuk memastikan masalah fungsional dan kualitas perangkat lunak yang sedang dikembangkan.
Biasanya, klasifikasi manual merepotkan dan rawan kesalahan, terutama pada proyek besar.
Tantangan semacam itu telah memotivasi para peneliti untuk menyelidiki berbagai mengklasifikasikan kebutuhan perangkat lunak ke dalam FR dan NFR.
(Canedo dan Mendes, 2.
melakukan studi perbandingan tentang metode ekstraksi fitur teks dan algoritma ML untuk klasifikasi kebutuhan perangkat Para penulis menguji BoW.
TF-IDF, dan CHI2 yang dikombinasikan dengan algoritma LR.
SVM.
MNB, dan KNN.
Mereka melaporkan bahwa TF-IDF yang dikombinasikan dengan LR menghasilkan Fajar Setiawan, dkk.
Pemanfaatan Pembelajaran MesinA 13 kinerja klasifikasi terbaik, yang mencapai F-measure sebesar 0,91 dalam tugas klasifikasi biner.
Dalam studi yang lebih baru, (Althunibat dkk, kebutuhan perangkat lunak yang selanjutnya disempurnakan dengan pendekatan ML pada kumpulan data Arabic PROMISE.
Mereka mencoba algoritma ML standar, model pembelajaran mendalam, dan model berbasis transformer dengan menggunakan protokol pemrosesan bahasa rumit yang sesuai untuk bahasa Arab.
Penelitian mereka menggarisbawahi seberapa efektif model transformer dalam menangani struktur linguistik rumit yang ada dalam kebutuhan perangkat lunak.
Namun, (Baskoro dkk, 2.
mengevaluasi performa algoritma ML dan teknik vectorization teks dalam mengklasifikasikan kebutuhan perangkat lunak berdasarkan dataset yang relevan.
Studi ini menyoroti pentingnya pemilihan dataset yang tepat dan metode preprocessing yang sesuai untuk meningkatkan akurasi klasifikasi.
(Handa.
Sharma dan Gupta 2.
juga mengeksplorasi penggunaan fitur semantik pada pernyataan kebutuhan perangkat lunak untuk tujuan Dengan menggunakan pengetahuan linguistik dan teknik ML, makalah ini berupaya memberikan makna yang efektif untuk meningkatkan akurasi pengklasifikasian atribut dalam sistem perangkat lunak sehubungan dengan faktor kualitas.
Semua bersama-sama menunjukkan kelayakan teknik ML dalam mengotomatiskan klasifikasi kebutuhan perangkat Namun, masalah masih tetap ada terkait aspekaspek seperti kemampuan beradaptasi model di seluruh bahasa dan metode ekstraksi fitur tingkat Dalam konteks ini, makalah ini mencoba membandingkan berbagai model ML dengan berbagai teknik ekstraksi fitur, yaitu TF-IDF.
BoW, dan BERT, untuk mengklasifikasikan kebutuhan perangkat lunak secara optimal.
Ekstraksi Fitur Ekstraksi fitur merupakan salah satu tugas paling mendasar dalam Natural Language Processing (NLP), dan memiliki dampak yang mendalam pada kinerja model klasifikasi.
Selama klasifikasi kebutuhan perangkat lunak, fitur yang diekstraksi dari teks kebutuhan perangkat lunak yang sering digunakan untuk mewakili pengetahuan utama mengenai kategori FR dan NFR.
Beberapa metode ekstraksi fitur umum diterima secara luas dalam Term Frequency-Inverse Document Frequency (TF-IDF) TF IDF merupakan metodologi ekstraksi fitur yang didasarkan pada pentingnya kata yang ditentukan berlawanan dengan jumlah kata yang ada di seluruh dokumen dalam korpus tertentu.
Memang, teknik ini telah banyak digunakan dalam sebagian besar klasifikasi teks karena kemudahan dalam menghitung bobot untuk kata-kata yang lebih relevan.
Karya-karya sebelumnya, seperti yang dilakukan oleh (Khurshid dkk, 2.
dan (Rashme, 2.
, telah dieksekusi menggunakan TF-IDF bersama dengan algoritma klasifikasi seperti Support Vector Machine dan K-Nearest Neighbors untuk klasifikasi kebutuhan perangkat lunak.
Mungkin kelemahan terpenting dari TF-IDF menangkap konteks semantik tentang makna katakata yang diungkapkan dalam teks (Dewi dkk, 2.
Bag of Words (BoW) Bag of words merupakan salah satu teknik representasi yang menyederhanakan dokumen menjadi kumpulan kata-kata unik yang tidak Dalam BoW, setiap kata tunggal direpresentasikan sebagai satu vektor tunggal dan vektor-vektor ini digunakan untuk melatih model pembelajaran mesin.
(Al-fraihat dkk, 2.
dan (Umar dkk, 2.
menunjukkan bahwa BoW, meskipun memberikan kinerja yang dapat diterima dalam kasus-kasus tertentu, memiliki kemampuan yang sangat terbatas untuk merepresentasikan hubungan kontekstual antar kata.
Akibatnya.
BoW sering kali gagal memberikan kinerja yang optimal untuk dokumen teks yang kompleks, seperti dokumen spesifikasi kebutuhan perangkat lunak.
Bidirectional Encoder Representations from Transformers (BERT) Dalam beberapa tahun terakhir di antara metode ekstraksi fitur yang didasarkan pada arsitektur Transformer.
BERT mungkin baru-baru ini muncul untuk merepresentasikan semacam standar bagi banyak tugas NLP.
BERT berbeda dari TF-IDF dan BoW, misalnya, dengan mempertimbangkan setiap kata dalam kalimat dalam konteks penuh, tidak hanya melihat bagian kiri tetapi juga bagian kanan kata (Canedo dan Mendes, 2.
, (Subahi, 2.
dan (Hassan dkk, 2.
telah menunjukkan dalam karya mereka bahwa BERT meningkatkan kinerja klasifikasi kebutuhan perangkat lunak dibandingkan dengan metode ekstraksi fitur lainnya.
Faktanya, penggunaan BERT memberi model pembelajaran mesin kemampuan untuk menangkap konteks semantik yang lebih dalam, sangat relevan dalam bekerja dengan teks kebutuhan perangkat lunak yang sering kali ambigu.
Algoritma Klasifikasi Selain metode ekstraksi fitur, algoritma klasifikasi memegang peranan penting dalam menentukan akurasi model dalam memprediksi kelas kebutuhan perangkat lunak.
Sejumlah algoritma klasifikasi telah dieksplorasi dalam penelitian terkait.
Support Vector Machine (SVM) SVM merupakan salah satu algoritma klasifikasi terkenal yang paling populer dan digunakan dalam klasifikasi teks, termasuk 14 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2026, hlm.
klasifikasi kebutuhan perangkat lunak.
Algoritma ini pada dasarnya bekerja dengan mencari hyperplane antara dua kelas data yang mampu memisahkan kelas data tersebut dengan margin maksimum.
Penggunaan SVM dengan TF-IDF dieksplorasi dalam sebuah penelitian oleh (Umar dkk, 2.
dan (Rahman dkk, 2.
yang mencoba mengklasifikasikan kebutuhan perangkat lunak ke dalam kelas FR dan NFR dengan akurasi yang sangat baik.
Keunggulan utama SVM adalah efisiensinya dalam dataset berdimensi tinggi.
namun, algoritma ini memiliki kelemahan terkait efisiensi komputasi pada dataset yang sangat besar.
K-Nearest Neighbors (KNN) Dalam algoritma berbasis instance.
KNN mengklasifikasikan data baru tergantung pada suara mayoritas oleh K nearest neighbors.
Penelitian oleh (Canedo dan Mendes, 2.
menyatakan bahwa KNN dapat bekerja dengan baik dalam kumpulan data berukuran kecil atau sedang, sementara ia berkinerja buruk ketika diterapkan pada kumpulan data berukuran besar.
Selain itu.
KNN memiliki kelemahan dalam efisiensi komputasi karena setiap prediksi perlu menghitung jarak ke seluruh data Logistic Regression (LR) LR merupakan algoritma klasifikasi yang paling umum digunakan dalam pemodelan hubungan antara variabel independen dan variabel dependen Dalam konteks masalah klasifikasi kebutuhan perangkat lunak.
LR dapat dianggap sebagai dasar yang dapat digunakan untuk membandingkan kinerja algoritma yang lebih kompleks.
Teknik BoW telah digabungkan dengan algoritma LR, untuk klasifikasi kebutuhan perangkat lunak.
(Umar dkk, 2.
menunjukkan bahwa meskipun algoritma ini cukup sederhana.
LR menghasilkan hasil yang kompetitif.
Decision Tree (DT) DT adalah algoritma klasifikasi yang membuat bagian-bagian, pada kumpulan data tertentu, yang dipisahkan sebisa mungkin menurut beberapa metrik, biasanya entropi atau indeks Gini.
DT cukup intuitif untuk dipahami dan mengalami overfitting jika pohon tersebut tumbuh terlalu dalam.
(Althunibat dkk, 2.
DT berkinerja kompetitif untuk klasifikasi kebutuhan perangkat lunak yang dikombinasikan dengan metode regularisasi, termasuk pemangkasan.
Random Forest (RF) RF adalah algoritma berbasis ensemble.
RF mengembangkan sejumlah besar pohon keputusan dan menggunakan hasil prakiraannya untuk membuat prediksi akhirnya.
Bahkan, (Al-Fraihat dkk, 2.
memberikan presentasi bahwa RF berjalan sangat baik dalam menangani kumpulan data variabel dan tidak seimbang saat mengoperasikan tugas klasifikasi kebutuhan perangkat lunak.
Keuntungan dari algoritma ini adalah dalam menangani masalah overfitting dan menunjukkan kinerja yang baik pada kumpulan data berdimensi tinggi.
Namun, kelemahan utama untuk beberapa kasus adalah waktu pelatihan yang lebih lama dibandingkan dengan beberapa algoritma lainnya.
Metodologi yang digunakan dalam penelitian ini bertujuan untuk mengotomatisasi klasifikasi kebutuhan perangkat lunak.
Meliputi detail kumpulan data yang digunakan, teknik preprocessing, metode ekstraksi fitur, algoritma klasifikasi, dan metrik pengukuran kinerja untuk menentukan efektivitas setiap model.
Metode penelitian yang digunakan pada penelitian ini dapat dilihat pada gambar 1.
Multinomial Naive Bayes (MNB) Naive Bayes adalah algoritma probabilistik berdasarkan teorema Bayes.
Versi multinomial sangat sesuai dengan kebutuhan tugas klasifikasi teks.
Faktanya, sangat jelas dari penelitian yang dilakukan oleh (Abdulmajeed and Younis 2.
dan (Khurshid dkk, 2.
menunjukkan bahwa Multinomial Naive Bayes (MNB) bekerja dengan baik dalam tugas klasifikasi kebutuhan NFR berdasarkan teks Meskipun MNB merupakan aset yang hebat, ia tidak memiliki fungsionalitas untuk menangani fitur yang sangat bergantung, yang sering kali menjadi salah satu masalah dalam dokumen kebutuhan perangkat lunak yang kompleks.
METODE PENELITIAN
Gambar 1.
Metode Penelitian.
Dataset Penelitian PROMISE_EXP dari penelitian (Lima dkk, 2.
yaitu versi yang diperluas dari dataset TERAPROMISE yang tersedia secara publik.
Dataset asli berisi 250 FR dan 370 NFR, sehingga totalnya menjadi 625 kebutuhan.
Dalam versi PROMISE_EXP yang diperluas, jumlah FR meningkat menjadi 444 dan NFR menjadi 525, dengan total keseluruhan 969 Preprocessing Tahap memastikan bahwa data siap digunakan oleh algoritma pembelajaran mesin.
Pada penggunaan Fajar Setiawan, dkk.
Pemanfaatan Pembelajaran MesinA 15 dataset ada beberapa fitur yang dipakai pada tahap ini seperti RequirementText dan _class_.
Di mana :
yceycn,yc : Jumlah kemunculan kata ycn dalam dokumen yc.
ycuyc : Jumlah total kata dalam dokumen yc.
IDF mengukur seberapa sering atau jarangnya sebuah kata muncul dalam dokumen.
Rumusnya adalah:
ycu Gambar 2.
Langkah-langkah preprocessing kebutuhan.
Langkah-langkah yang diterapkan secara rinci pada Gambar 2.
sebagai berikut.
Normalization: Semua huruf diubah menjadi huruf kecil untuk konsistensi.
Hapus tanda baca dan simbol yang tidak berguna, menggunakan pustaka string Python.
Class Mapping: Kelas dipetakan ke FR atau NFR dari kategori asli, seperti PE (Performanc.
A (Availabilit.
LF (Look and fee.
L (Lega.
O (Operabilit.
FT (Fault Toleranc.
US (Usabilit.
PO (Portabilit.
MN (Maintainabilit.
SE (Scurit.
SC (Scalabilit.
yang dipetakan dalam kelas NFR sedangkan F (Functiona.
masuk kedalam kelas FR.
Stop words removal: Melalui pustaka nltk, ia menghapus kata-kata umum yang tidak membawa informasi berguna seperti "the", "and", "is", dll.
Lemmatization: Ini melibatkan pengurangan variasi kata dengan mengubahnya ke bentuk Misalnya, kata "running" diubah menjadi "run".
Splitting Data: Seluruh data akan dibagi menjadi dua bagian: 80% akan menjadi bagian dari data pelatihan dan 20% dari data akan menjadi bagian dari data pengujian.
Fungsi train_test_split berfungsi sebagai cara yang adil untuk memperkirakan kinerja generalisasi suatu model dengan membagi data menjadi kumpulan data pelatihan dan pengujian.
Scalling: Penskalaan fitur numerik sehingga semua fitur berada dalam rentang yang seragam .
iasanya setelah data diubah ke bentuk Feature Extraction Pada penelitian ini menggunakan beberapa metode fitur ekstraksi yaitu TF-IDF.
BoW, dan BERT.
Term frequency-Inverse Document frequency (TFIDF) Rumus untuk menghitung TF-IDF terdiri dari dua komponen utama: Term frequency (TF) dan Inverse Document frequency (IDF).
TF adalah frekuensi kata dalam dokumen, yang dapat dihitung menggunakan rumus:
yceycn,yc ycNyaycn,yc = ycu yayayaycn = ycoycuyci.
cc ) ycn Di mana :
: Jumlah total dokumen dalam korpus.
: Jumlah dokumen yang berisi kata ycn Setelah menghitung TF dan IDF, nilai TF-IDF dapat diperoleh dengan mengalikan kedua ycu ycNya Oe yayayaycn,yc = ycNyaycn,yc y yayayaycn TF-IDF memberi bobot lebih tinggi pada katakata yang sering muncul dalam suatu dokumen, tetapi jarang muncul di dokumen lain, sehingga lebih informatif untuk klasifikasi.
Untuk mengimplementasikan pendekatan TFIDF, kita perlu mengimpor TfidfVectorizer dari feature_extraction.
digunakan untuk mengubah teks menjadi representasi
TF-IDF,
mempertimbangkan frekuensi kata dalam dokumen serta seberapa penting kata tersebut dalam seluruh Bag of Words (BoW) Pendekatan BoW merupakan salah satu pendekatan yang paling sederhana.
Dalam pendekatan ini, teks direpresentasikan sebagai vektor berdasarkan jumlah frekuensi kata dalam sebuah Dengan asumsi bahwa terdapat M kata unik dalam sebuah korpus, setiap dokumen akan direpresentasikan sebagai vektor berdimensi M, di mana setiap elemen dapat merepresentasikan jumlah frekuensi kata tertentu.
Karena teknik ini hanya menghitung frekuensi kemunculan setiap kata, tidak ada rumus khusus untuk BoW.
Vektor BoW untuk sebuah dokumen dapat ditulis sebagai:
yaAycuycO = .
ce1 , yce2 .
yceyco ] .
Di mana yce1 adalah jumlah kemunculan kata ycn dalam dokumen.
Untuk mengimplementasikan pendekatan ini, kita perlu mengimpor CountVectorizer dari pustaka feature_extraction.
text, yang digunakan untuk mengubah teks menjadi representasi numerik berupa matriks frekuensi kata dalam setiap dokumen.
Bidirectional Encoder Representations from Transformers (BERT) Representasi BERT memiliki rumus formal yang sulit dinyatakan secara langsung karena BERT diimplementasikan dengan jaringan saraf berlapis- 16 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2026, hlm.
lapis, bersama dengan mekanisme perhatian yang sangat rumit.
Namun, secara umum, proses tersebut dapat diringkas dengan rumus berikut:
ya1 = yaAyaycIycN.
cN1 ) .
Di mana :
ycN1 : Token ycn yang telah melalui proses ya1 : Representasi vektor dari token ycn, yang dihasilkan oleh model BERT.
Vektor penyisipan yang dihasilkan dapat digunakan untuk mengukur kesamaan antara dokumen atau untuk input ke model pembelajaran mesin lainnya.
Untuk BERT, kita perlu mengimpor model BERT dari pustaka seperti transformers milik Hugging Face.
BERT digunakan untuk menghasilkan representasi teks dalam bentuk vektor yang lebih kaya, dengan mempertimbangkan konteks kata dalam sebuah kalimat, bukan hanya frekuensi kata.
Prediksi dan Evaluasi Prediksi untuk data uji dibuat dengan menggunakan model yang telah dilatih, sementara label aktual digunakan untuk evaluasi kinerja dalam hal accuracy, precision, recall, dan F1-score.
Visualisasi Hasil Confusion digunakan untuk menampilkan distribusi hasil klasifikasi, yang membantu dalam pemahaman kesalahan yang Parameter Kinerja Dalam mengukur kinerja dari penelitian yang telah dilakukan menggunakan parameter sebagai Confusion matrix Untuk masalah klasifikasi, dan ini adalah matriks hasil kelas aktual dan kelas yang diprediksi.
Matriks ini dibuat seperti pada Tabel 1.
Tabel 1.
Confusion matrix Algoritma Klasifikasi Langkah ini akan terdiri dari pelatihan dan evaluasi model pembelajaran mesin menggunakan berbagai algoritma klasifikasi seperti:
Pemilihan Algoritma Multinomial Naive Bayes (MNB).
Support Vector Machine (SVM).
Logistic Regression (LR).
Random Forest (RF).
K-Nearest Neighbors (KNN), dan Decision Tree (DT) merupakan algoritma yang digunakan.
Pada masing-masing parameter bawaan yang sudah diatur dari library scikit-learn,.
Penggunaan Library/Tools Pada penelitian ini, implementasi algoritma pembelajaran mesin dilakukan menggunakan bahasa pemrograman Python versi 3.
dengan beberapa pustaka berikut:
Scikit-learn Transformers implementasi model BERT.
Pandas versi 2.
3 untuk pengolahan data.
NumPy versi 2.
5 untuk operasi numerik.
NLTK versi 3.
1 untuk preprocessing Matplotlib versi 3.
1 dan Seaborn versi 2 untuk visualisasi data.
Pelatihan Model Setiap model akan dilatih dengan data pelatihan yang telah diproses sebelumnya oleh berbagai metode ekstraksi fitur: TF-IDF.
BoW, dan BERT.
Actual Class Predicted Class True False Positive Negative (TP) (FN) False True Negative Positive (TN) (FP) TP : Nilai benar diprediksi sebagai positif TN: Nilai benar diprediksi sebagai negatif FP: Nilai salah diprediksi sebagai positif FN: Nilai salah diprediksi sebagai negatif Accuracy untuk proporsi pengamatan yang diklasifikasikan dengan benar adalah yang dimaksud dengan akurasi.
Karena menentukan jumlah total kategori yang akurat, maka ini adalah ukuran yang lebih luas.
Parameter ini terbukti menjadi faktor penentu yang baik ketika kelas target seimbang.
ycNycE ycNycA yaycaycaycycycaycayc = ycNycE ycNycA yaycE yaycA Precision untuk melihat tingkat ketepatan sebagai proporsi sampel yang diidentifikasi dengan benar relatif terhadap semua sampel.
Rasio total klasifikasi yang benar terhadap total klasifikasi yang dilakukan digunakan untuk menghitung presisi.
ycNycE ycEycyceycaycnycycnycuycu = ycNycE yaycE Recall akan menghitung persentase kasus positif yang diidentifikasi dengan benar.
Nilai ini diperoleh dengan membagi persentase berapa kali kelas benar-benar diidentifikasi dengan persentase berapa kali kelas tersebut muncul dalam data uji.
Fajar Setiawan, dkk.
Pemanfaatan Pembelajaran MesinA 17 ycNycE ycIyceycaycaycoyco = ycNycE yaycA F1-score menggabungkan recall dan precision menjadi metrik yang disebut F1-score, terbukti F1-score adalah rata-rata harmonik dari recall dan presisi.
Nilai yang rendah diberi bobot yang jauh lebih besar oleh rata-rata harmonik daripada oleh rata-rata konvensional, yang memberi bobot yang sama pada semua nilai lainnya.
Akibatnya, untuk mendapatkan F1-score yang lebih baik, presisi
beserta recall harus memiliki nilai yang lebih ya1 Oe ycycaycuycyce = 2 y ycyycyceycaycnycycnycuycu y ycIyceycaycaycoyco
ycyycyceycaycnycycnycuycu ycIyceycaycaycoyco
HASIL DAN PEMBAHASAN
Dataset PROMISE_XP memiliki 2 kebutuhan perangkat lunak yaitu FR yang diidentifikasikan dengan kode "F" sementara NFR diidentifikasi dengan beberapa jenis kebutuhan sesuai dengan Tabel 2.
Distribusi dari setiap kelas ini telah disajikan dalam Gambar 3.
Kelas NFR Tabel 2.
Distribusi setiap kelas Jenis Kebutuhan Jumlah F (Functiona.
PE (Performanc.
A (Availabilit.
LF (Look and fee.
L (Lega.
O (Operabilit.
FT (Fault Toleranc.
US (Usabilit.
PO (Portabilit.
MN (Maintainabilit.
SE (Scurit.
SC (Scalabilit.
Gambar 3.
Distribusi kelas Fungsional dan Non Fungsional Untuk menyediakan data yang dapat diproses pada berbagai algoritma klasifikasi.
pada dataset ini dilakukan ekstraksi fitur di mana data yang sebelumnya data text diubah menjadi data vektor menggunakan metode Bag of Words (BoW).
Term frequency-Inverse Document frequency (TF-IDF), dan Bidirectional Encoder Representations from Transformers (BERT).
Setelah proses ekstraksi fitur dilakukan, kami menerapkan berbagai metode klasifikasi, yaitu Logistic Regression (LR).
Support Vector Machine (SVM).
Random Forest (RF).
Multinomial Naive Bayes (MNB).
K-Nearest Neighbors (KNN), dan Decision Tree (DT).
Evaluasi terhadap dataset PROMISE_EXP dengan pembagian 80% data latih dan 20% data uji disajikan pada Tabel 3 dan Gambar 4 yang menyajikan metrik evaluasi untuk setiap metode ekstraksi fitur dan kinerja model klasifikasi.
Table 2.
Performa Seluruh Model
Model
Feature BERT
Acc
SVM
BERT
KNN
BERT
BERT
MNB
BERT
BERT
BoW
KNN
BoW
BoW
SVM
BoW
MNB
BoW
BoW
TF-IDF
TF-IDF
KNN
TF-IDF
TF-IDF
MNB
TF-IDF
SVM
TF-IDF
Oleh karena itu, hasil ini relevan dan disajikan pada Tabel 3, yang menunjukkan kinerja Logistic Regression yang lebih unggul dibandingkan dengan model lainnya.
Logistic Regression unggul karena bekerja dengan cara memodelkan hubungan linier antara fitur dan probabilitas kelas.
Model ini menghitung kemungkinan kelas berdasarkan bobot yang diberikan ke setiap fitur, yang memungkinkan LR untuk menangani data dengan dimensi tinggi secara efisien.
Kemampuannya untuk menghindari overfitting, terutama dengan data yang besar atau rumit, membuatnya tetap stabil dan menghasilkan prediksi yang akurat.
Untuk memudahkan pemahaman mengenai model terbaik, penelitian ini juga menampilkan urutan pada Gambar 4.
18 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2026, hlm.
Table 6.
Requirement Text yang salah diklasifikasikan Requirement Text expression search.
dispute application shall interface letter application allow dispute application request letter part dispute initiation dispute follow process letter request must sent print letter utility system function controlled product shall display grid within circle view periscope.
system shall allow text search user may use find mail message.
view available product purchasing product.
Gambar 4.
Visualisasi Hasil Perbandingan Model berdasarkan Akurasi Pada Tabel 3 menampilkan metrik evaluasi hasil klasifikasi dari confusion matrix yang dihasilkan melalui penggunaan berbagai algoritma.
Tabel ini memberikan gambaran tentang seberapa baik setiap algoritma dalam mengklasifikasikan data dengan Metode Logistic Regression (LR) dengan ekstraksi fitur TF-IDF menunjukkan tingkat keandalan tinggi dalam klasifikasi, dengan akurasi yang jauh lebih baik dibandingkan algoritma lain.
Oleh karena itu, hasil dari algoritma ini dijadikan sebagai acuan untuk evaluasi lebih lanjut.
Untuk contoh, confusion matrix dari Logistic Regression dengan ekstraksi fitur TF-IDF dapat dilihat pada Tabel 4.
Table 3.
Distribusi confusion matrix
NFR
NFR
Logistic Regression mampu memberikan hasil kinerja yang cukup baik dalam melakukan klasifikasi kebutuhan perangkat lunak.
Peforma setiap kelasnya dapat dilihat pada classification report yang disajikan pada Tabel 5.
NFR
Table 5.
Performa model LR Precision Recall F1-score Performa model Logistic Regression memperlihatkan terdapat adanya kesalahan dalam melakukan klasifikasi yang disajikan pada Tabel 4.
Dimana Confusion matrix pada model Logistic Regression Functional Requirements dan Non-functional Requirements yang salah diklasifikasikan sesuai Tabel 6 memperlihatkan text requirements yang salah diklasifikasikan sesuai kelasnya.
Actual
Predicted NFR
NFR
NFR
NFR
NFR
NFR
Kesalahan Kesalahan pengklasifikasian terhadap requirement text pada Tabel 6 dapat terjadi dikarenakan keterbatasan kata kunci yang dapat diklasifikasikan oleh model.
Sebagai contoh, jika sebuah kalimat pada Tabel 6 seharusnya (Functional Requiremen.
, namun diklasifikasikan sebagai NFR (Non-Functional Requiremen.
, maka kesalahan ini menunjukkan bahwa kata kunci yang ada dalam kalimat tersebut tidak dikenali atau dipetakan dengan benar oleh model ke kelas yang sesuai.
Salah satu solusi yang efektif untuk meningkatkan akurasi klasifikasi teks kebutuhan perangkat lunak adalah melalui peningkatan data pelatihan.
Dengan menambahkan lebih banyak contoh untuk FR dan NFR terutama yang mencakup variasi kalimat dan penggunaan kata kunci yang beragam, model dapat belajar lebih baik dalam menangkap pola perbedaan antara kedua kelas.
Penambahan data yang seimbang dan representatif memungkinkan model memiliki referensi yang cukup untuk memahami konteks katakata ambigu dan struktur kalimat yang berbeda.
KESIMPULAN DAN SARAN
Klasifikasi kebutuhan perangkat lunak sangat krusial dalam pengembangan perangkat lunak karena membantu memastikan bahwa semua kebutuhan pengguna, baik fungsional maupun non-fungsional, diidentifikasi dan dipenuhi dengan tepat.
Penelitian ini memanfaatkan algoritma machine learning untuk mengurangi potensi kesalahan klasifikasi, dan meminimalkan risiko tidak terpenuhinya kebutuhan Metode klasifikasi menggunakan berbagai algoritma machine learning, seperti Logistic Regression.
Support Vector Machine.
Random Forest.
Multinomial Naive Bayes.
K-Nearest Neighbors, dan Decision Tree.
Dikombinasikan dengan fitur ekstraksi BoW.
TF-IDF, dan BERT memberikan hasil akurasi yang cukup baik di mana Fajar Setiawan, dkk.
Pemanfaatan Pembelajaran MesinA 19 Logistic Regression digabungkan dengan TF-IDF mendapatkan hasil terbaik dengan akurasi 97%.
Tingkat akurasi klasifikasi pada penelitian ini menunjukkan bahwa machine learning dapat digunakan untuk melakukan otomatisasi pada proses klasifikasi kebutuhan perangkat lunak.
Sehingga dapat dimanfaatkan untuk sehingga meminimalkan kesalahan dan mengurangi waktu yang dihabiskan untuk klasifikasi manual pada proyek perangkat lunak berskala besar.
Penelitian ini dapat menjadi referensi untuk otomatisasi klasifikasi kebutuhan perangkat lunak.
Pengembangan lebih lanjut dapat menggunakan dataset lebih besar dan beragam, serta mengeksplorasi metode seperti Ensemble dan deep learning untuk meningkatkan akurasi, terutama pada proyek dengan kebutuhan kompleks.
DAFTAR PUSTAKA