<![CDATA[Pengujian perangkat lunak penting dalam pengembangan aplikasi web, namun automated unit testing konvensional berbasis aturan statis terbatas menghadapi kompleksitas sistem modern. Penelitian ini memformulasikan prioritisasi kasus uji sebagai Markov Decision Process: agen Reinforcement Learning mengamati state, memilih kasus uji, dan menerima reward multiobjektif yang memadukan cakupan kode dan deteksi kesalahan dikurangi biaya eksekusi. Tiga algoritma (DQN, DDQN, PPO) dibandingkan terhadap baseline Random dan Greedy menggunakan lima seed dan uji Mann–Whitney U. Pada System Under Test berbasis Flask, DDQN memperoleh performa terbaik dengan APFD 0,8504, NAPFD 0,8447, dan F1 0,4183, mengungguli baseline secara signifikan (nilai p terkecil 7,15 × 10⁻¹⁴⁴) dengan latensi keputusan 3,0033 ms, kurang dari separuh PPO. Greedy mencapai cakupan tertinggi namun deteksi terendah, menegaskan cakupan bukan indikator memadai. Validasi eksternal pada BugsInPy (82 bug web) mengonfirmasi arah keunggulan serupa dengan margin lebih kecil. Reinforcement Learning merupakan pendekatan menjanjikan dan dapat direproduksi untuk automated unit testing adaptif pada aplikasi web.]]>
Copyrights © 2026
