<![CDATA[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.]]>
Copyrights © 2026
