Dalam dunia rekayasa perangkat lunak (RPL), tahap requirement elicitation atau penggalian kebutuhan merupakan fondasi utama kesuksesan proyek. Teknik elicitation yang salah atau tidak sesuai dengan karakteristik proyek dapat berdampak besar pada kualitas akhir perangkat lunak. Maka, pertanyaan penting yang sering muncul adalah: bagaimana cara memilih teknik elicitation yang tepat?
Tradisionalnya, pemilihan teknik elicitation bersandar pada intuisi, pengalaman, atau rekomendasi umum. Namun, pendekatan ini memiliki kelemahan karena bersifat subjektif dan tidak mempertimbangkan variabel kontekstual secara holistik. Saba Arshad dan koleganya menghadirkan terobosan penting melalui pendekatan berbasis jaringan saraf (neural network) dalam pemilihan teknik elicitation. Pendekatan ini menggeser paradigma dari keputusan subjektif menuju proses yang lebih objektif dan berbasis data.
Framework yang mereka usulkan menggunakan neural network untuk memetakan karakteristik proyek ke teknik elicitation yang paling sesuai. Dalam model tersebut, berbagai faktor proyek---seperti domain aplikasi, pengalaman pengguna akhir, dan tingkat kompleksitas sistem---dijadikan input bagi jaringan saraf. Hasilnya adalah rekomendasi teknik elicitation yang disesuaikan secara spesifik terhadap proyek, bukan sekadar generalisasi.
Keunggulan pendekatan ini terletak pada kemampuannya untuk belajar dari data historis dan mengenali pola yang mungkin luput dari pengamatan manusia. Dalam konteks industri perangkat lunak yang semakin kompleks dan cepat berubah, pendekatan adaptif seperti ini sangat dibutuhkan. Neural network mampu mempertimbangkan kombinasi faktor yang kompleks dan tidak linear dalam proses pemilihan teknik.
Salah satu kontribusi signifikan dari pendekatan ini adalah pengurangan ketergantungan pada intuisi analis sistem atau project manager. Tentu, pengalaman tetap penting, namun dengan bantuan AI, keputusan bisa dibuat lebih akurat dan dapat direplikasi oleh tim yang berbeda. Ini membuka jalan bagi standarisasi praktik elicitation di berbagai proyek dan organisasi.
Kritik terhadap pendekatan ini tentu tetap ada. Penggunaan neural network menuntut data pelatihan (training data) yang cukup dan representatif. Jika tidak, sistem bisa memberikan hasil yang bias atau tidak akurat. Selain itu, interpretabilitas dari model jaringan saraf sering kali menjadi tantangan tersendiri karena hasil yang dihasilkan bersifat "black-box".
Namun, dalam konteks pemilihan teknik elicitation---yang bukan bersifat safety-critical seperti sistem medis atau penerbangan---risiko penggunaan AI jauh lebih rendah dibanding manfaat yang ditawarkan. Selain itu, framework ini dapat terus disempurnakan seiring bertambahnya data proyek, sehingga sistem menjadi lebih cerdas dan adaptif dari waktu ke waktu.
Implementasi nyata dari pendekatan ini akan sangat membantu organisasi dalam melakukan estimasi awal, menyusun strategi penggalian kebutuhan, dan mengalokasikan sumber daya dengan lebih tepat. Di era agile development, di mana iterasi dan perubahan kebutuhan sering terjadi, pemilihan teknik elicitation yang tepat di awal dapat mengurangi friksi dalam sprint dan backlog refinement.
Opini ini mendukung penuh adopsi pendekatan berbasis AI dalam proses rekayasa perangkat lunak, khususnya dalam tahap requirement engineering. Neural network bukan sekadar tren teknologi, tetapi solusi nyata untuk tantangan klasik dalam pemilihan teknik elicitation yang akurat, efisien, dan kontekstual.
Ke depan, integrasi framework ini dengan alat manajemen proyek seperti Jira atau Trello akan semakin mempermudah tim dalam menjalankan proses elicitation yang tepat. Bahkan, sistem ini bisa dikembangkan sebagai plug-in yang memberikan saran teknik elicitation berdasarkan deskripsi proyek yang diinput ke dalam sistem.
