Dalam era digital yang semakin maju, perangkat lunak memainkan peran krusial dalam hampir setiap aspek kehidupan manusia. Dari aplikasi perbankan hingga platform e-commerce, semua bergantung pada perangkat lunak yang dirancang sesuai dengan kebutuhan penggunanya. Namun, satu pertanyaan mendasar muncul: bagaimana memastikan bahwa perangkat lunak tersebut benar-benar memenuhi kebutuhan dan harapan para pemangku kepentingan? Di sinilah proses requirements elicitation atau penggalian kebutuhan perangkat lunak berperan penting.
Artikel "Recommendation systems-based software requirements elicitation process---a systematic literature review" oleh Faiz Akram dkk. memberikan wawasan mendalam tentang bagaimana sistem rekomendasi (recommendation systems) dapat merevolusi proses penggalian kebutuhan perangkat lunak. Saya melihat studi ini sebagai langkah penting menuju otomatisasi dan efisiensi yang lebih baik dalam pengembangan perangkat lunak.
Krisis dalam Penggalian Kebutuhan
Penggalian kebutuhan bukanlah proses yang sederhana. Ini melibatkan identifikasi pemangku kepentingan, pengumpulan kebutuhan fungsional dan non-fungsional, serta prioritisasi kebutuhan yang sering kali saling bertentangan. Kesalahan dalam proses ini dapat berujung pada perangkat lunak yang tidak relevan atau bahkan gagal.
Menurut laporan CHAOS 2020, 19% proyek perangkat lunak berakhir dengan kegagalan, sementara 50% lainnya menghadapi tantangan besar. Salah satu penyebab utama kegagalan ini adalah ketidaktepatan dalam mengidentifikasi dan memprioritaskan kebutuhan perangkat lunak. Studi Akram dkk. memberikan perspektif baru bahwa sistem rekomendasi bisa menjadi solusi untuk meminimalisir kesalahan ini.
Sistem Rekomendasi: Harapan Baru untuk RPL
Sistem rekomendasi, yang selama ini populer di platform seperti Netflix dan Amazon, kini mulai merambah dunia RPL. Inti dari sistem ini adalah kemampuannya untuk memprediksi dan menyarankan kebutuhan berdasarkan preferensi pemangku kepentingan, baik secara eksplisit (melalui input langsung) maupun implisit (melalui pola perilaku).
Artikel ini menguraikan tiga jenis utama sistem rekomendasi yang dapat diterapkan dalam penggalian kebutuhan perangkat lunak:
- Collaborative Filtering: Menggunakan preferensi pemangku kepentingan yang serupa untuk merekomendasikan kebutuhan. Misalnya, jika dua pemangku kepentingan memiliki kebutuhan serupa, kebutuhan tambahan dari satu pihak bisa direkomendasikan kepada pihak lainnya.
- Content-based Filtering: Memberikan rekomendasi berdasarkan karakteristik kebutuhan sebelumnya. Jika seorang pemangku kepentingan memilih fitur tertentu, fitur serupa akan disarankan.
- Hybrid Filtering: Kombinasi kedua metode di atas untuk meningkatkan akurasi dan relevansi rekomendasi.
Dengan mengadopsi sistem rekomendasi ini, pengembang perangkat lunak tidak hanya dapat menghemat waktu dalam mengidentifikasi kebutuhan, tetapi juga mengurangi risiko kesalahan manusia yang sering kali muncul dalam proses manual.
Tantangan dan Kesenjangan Penelitian
Meski terdengar menjanjikan, integrasi sistem rekomendasi dalam penggalian kebutuhan perangkat lunak masih menghadapi sejumlah tantangan. Studi ini menyoroti beberapa kesenjangan penelitian, termasuk:
- Skalabilitas: Banyak pendekatan yang masih terbatas pada proyek berskala kecil atau menengah. Untuk proyek besar dengan ratusan pemangku kepentingan, metode yang ada masih belum cukup tangguh.
- Automasi Seleksi Teknik Elicitasi: Pemilihan teknik penggalian kebutuhan sebagian besar masih dilakukan secara manual, mengandalkan pengalaman individu. Studi ini menekankan pentingnya pengembangan model berbasis kecerdasan buatan (AI) untuk mengotomatisasi proses ini.
- Diskordansi Kebutuhan: Pada proyek besar, perbedaan pendapat di antara pemangku kepentingan sering kali terjadi. Sistem rekomendasi yang ada belum mampu mengatasi konflik ini secara otomatis.
Masa Depan RPL: Integrasi AI dan Sistem Rekomendasi
Melihat potensi besar yang ditawarkan oleh sistem rekomendasi, saya percaya bahwa masa depan RPL akan sangat bergantung pada integrasi teknologi AI. Pengembangan perangkat lunak modern membutuhkan pendekatan yang lebih cerdas dan efisien, di mana AI dan sistem rekomendasi bisa menjadi garda terdepan.
Bayangkan sebuah platform penggalian kebutuhan cerdas yang secara otomatis:
- Mengidentifikasi pemangku kepentingan dari data proyek.
- Menganalisis kebutuhan sebelumnya dan merekomendasikan fitur.
- Mengatasi konflik kebutuhan dengan menawarkan solusi kompromi berbasis data.
- Memilih teknik penggalian kebutuhan yang paling sesuai untuk proyek tertentu.
