Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Pemodelan dan Batasan Fitur Berbasis Kardinalitas:

Laporan Kemajuan

Krzysztof Czarnecki, Chang Hwan Peter Kim

Universitas Waterloo
200 University Ave.West
Waterloo, DI N2L 3G1, Kanada
{kczarnec, chpkim}@swen.uwaterloo.ca

ABSTRAK platform, generator, dokumentasi, dll., yang dibuat dalam

Pabrik perangkat lunak telah diusulkan sebagai pendekatan
komprehensif dan integratif untuk pengembangan perangkat lunak
generatif. Pemodelan fitur memiliki beberapa aplikasi dalam
pengembangan perangkat lunak generatif, termasuk analisis domain,
pelingkupan lini produk, dan spesifikasi produk berbasis fitur. Makalah ini
melaporkan kemajuan terbaru kami dalam pemodelan fitur berbasis
kardinalitas dan dukungannya untuk mengekspresikan batasan
tambahan. Kami menunjukkan bahwa Object-Constraint Language (OCL)
cukup dapat menangkap kendala tersebut. Selanjutnya, kami
mengidentifikasi seperangkat fasilitas berdasarkan kepuasan kendala
yang dapat disediakan oleh pemodelan fitur dan alat konfigurasi berbasis
fitur dan menyajikan prototipe yang mengimplementasikan beberapa
fasilitas ini. Kami melaporkan pengalaman kami dengan prototipe dan
memberikan arahan untuk pekerjaan di masa depan.
Kategori dan Deskriptor Subjek
D.2.1 [Rekayasa Perangkat Lunak]: Persyaratan / Spesifikasi—Peralatan
; D.2.2 [Rekayasa Perangkat Lunak]: Alat dan Teknik Desain—Rekayasa
perangkat lunak berbantuan komputer (CA-SE); D.2.13 [Rekayasa
Perangkat Lunak]: Perangkat Lunak yang Dapat Digunakan Kembali—
Rekayasa domain, Gunakan kembali model
proses pengembangan lini produk yang terpisah.
Pendekatan generatif bertujuan untuk mengotomatisasi
bagian pengembangan produk dari rekayasa lini produk
melalui berbagai teknologi statis dan dinamis, termasuk
metaprogramming, refleksi, program dan analisis model,
konfigurasi berbasis kendala, dan teknik berorientasi aspek.
Pabrik Perangkat Lunak [16] dapat dilihat sebagai pendekatan yang
komprehensif dan integratif untuk pengembangan perangkat lunak
generatif, karena keduanya memiliki tujuan yang sama untuk
mengotomatisasi pengembangan produk dalam konteks rekayasa lini
produk perangkat lunak. Kekuatan khusus dari pendekatan Pabrik
Perangkat Lunak adalah dukungannya untuk berbagai tingkat
otomatisasi dalam pengembangan produk. Pendekatan ini mengakui
bahwa pengetahuan domain mungkin ada pada tingkat kematangan
yang berbeda dan dengan demikian berbagai konsep, seperti pola,
arsitektur, kerangka kerja, komponen, aspek, dan bahasa khusus
domain, dll., mungkin diperlukan untuk mengemas pengetahuan secara
memadai sebagai aset yang dapat digunakan kembali.
Pemodelan fitur adalah teknik untuk mengelola
kesamaan dan variabilitas dalam lini produk. Teknik ini
memiliki banyak aplikasi dalam konteks pendekatan
generatif. Antara lain, dapat digunakan untuk

• menangkap hasil analisis domain;

Ketentuan Umum
Desain, Dokumentasi
Kata kunci
Pemodelan fitur, pengembangan berbasis model, konfigurasi
produk, kepuasan kendala, lini produk perangkat lunak,
manajemen variabilitas
1. PERKENALAN
Pengembangan perangkat lunak generatif [10, 4, 11] bertujuan
untuk mengotomatisasi pengembangan produk dalam konteks
rekayasa lini produk perangkat lunak. Rekayasa lini produk
perangkat lunak [8, 26] memudahkan pengembangan produk
dalam domain aplikasi dengan memanfaatkan kesamaan di antara
produk-produk ini sambil mengelola perbedaan di antara mereka
secara sistematis. Akibatnya, produk individual dapat dibuat dengan
menggunakan kembali aset, seperti model, komponen,
Hak Cipta dipegang oleh pencipta/pemilik.
Lokakarya OOPSLA'05 tentang Pabrik Perangkat Lunak, 17 Oktober 2005, San Diego,
California, AS.
ACM 1-59593-193-7/05/0010.
• memfasilitasi pelingkupan lini produk, keluarga bahasa khusus
domain, komponen, platform, dan aset lain yang dapat digunakan
kembali; dan
• memberikan dasar untuk konfigurasi otomatis produk
beton, bahasa, komponen, platform, dll.
Telah ada banyak kemajuan dalam notasi, proses dan
teknik, alat, dan aplikasi pemodelan fitur sejak pemodelan
fitur pertama kali diusulkan oleh Kang et al. [17] (lihat [13,
Bagian 2] untuk kumpulan referensi bibliografi yang luas
terkait dengan pemodelan fitur).
Dalam makalah ini kami melaporkan kemajuan terbaru kami
pada bentuk pemodelan fitur tertentu, yang disebut sebagai
berdasarkan kardinalitas [12], sarana untuk mengekspresikan
batasan tambahan untuk pemodelan fitur berbasis kardinalitas, dan
fasilitas kepuasan batasan untuk pemodelan fitur dan alat
konfigurasi berbasis fitur.
Kontribusi utama dari makalah ini adalah sebagai berikut.
1. Kami menganalisis apa yang diperlukan dari notasi untuk
mengekspresikan batasan tambahan pada fitur berbasis kardinalitas

1

[1]..*]
TokoDepan
Katalog- Pembayaran SF Pengiriman SF
[1]..*] [1]..*]
Pembayaran Pengiriman
MetodeRef MetodeRef
(ref) (ref)
gerbang
Referensi (referensi)
Gambar 1: Contoh model fitur
model masa depan. Kami berpendapat bahwa Object
Constraint Language (OCL) [20] cukup untuk
mengekspresikan kendala tersebut dan mendukung klaim
kami dengan sejumlah kendala sampel.
2. Kami mengidentifikasi seperangkat fasilitas berdasarkan
kepuasan kendala yang dapat disediakan oleh pemodelan
fitur dan alat konfigurasi berbasis fitur.
3. Kami menjelaskan prototipe yang mendukung beberapa
fasilitas tersebut berdasarkan Binary Decision Diagram (BDD)
dan melaporkan pengalaman kami dengan prototipe.
Perhatian khusus adalah antarmuka pengguna dari
konfigurator prototipe, yang secara visual membedakan
antara pilihan konfigurasi pengguna dan mesin.
Sisa makalah ini disusun sebagai berikut. Bagian 2 memberikan
informasi latar belakang yang diperlukan tentang model fitur
berbasis kardinalitas, termasuk beberapa perubahan terbaru pada
notasi. Persyaratan khusus pemodelan fitur berbasis kardinalitas
dalam mengekspresikan kendala tambahan dibahas dalam Bagian 3.
Bagian 4 memberikan contoh kendala tambahan pada model fitur
berbasis kardinalitas dan menunjukkan bahwa mereka dapat
diekspresikan secara memadai dalam OCL. Bagian 5
mengklasifikasikan algoritma kepuasan kendala dan pemodelan fitur
dan fasilitas konfigurasi berbasis fitur berdasarkan algoritma
tersebut. Sebuah prototipe yang mengimplementasikan beberapa
fasilitas ini dan pengalaman kami dengan prototipe dijelaskan di
Bagian 6. Pekerjaan terkait dibahas Bagian 7, dan Bagian 8 ditutup
dengan kesimpulan dan arahan untuk pekerjaan di masa depan.
2. LATAR BELAKANG: PEMODELAN FITUR
BERBASIS KARDINALITAS
Pemodelan fitur berbasis kardinalitas mengintegrasikan
sejumlah ekstensi ke notasi FODA asli. Contoh model fitur
berbasis kardinalitas yang menggambarkan keluarga toko
elektronik diberikan pada Gambar 1. Notasi dirangkum
dalam Tabel 1. Penjelasan singkat tentang notasi berikut.
Model fitur berbasis kardinalitas adalah hierarki fitur, di
mana setiap fitur memiliki fitur kardinalitas. Kardinalitas
fitur adalah interval dari bentuk [M..n], di manaM ∈ Z ∧ n ∈
Z {∗} 0 ≤ M ∧ (M ≤ n ∨ n = *). Kardinalitas fitur menunjukkan
berapa banyak klon fitur
ESshop
Back Office
Pembayaran Pengiriman
[1]..*] [1]..*]
Metode Pembayaran(String) Pembayaran Tipuan Pengiriman
Gerbang Deteksi metode
(Rangkaian)
Tipe pembayaran
dunia maya Verisign Tautan
Sumber Titik Kecepatan
Kredit Debet Pembelian (Mengambang)
Kartu Kartu Memesan
(dengan seluruh subpohonnya) dapat dimasukkan sebagai anak-
anak dari induk fitur saat menentukan konfigurasi konkret.
Perhatikan bahwa kami mengizinkan kardinalitas fitur untuk
memiliki bintang Kleene * sebagai batas atas. Batas atas seperti itu
menunjukkan kemungkinan untuk mengambil fitur beberapa kali
tanpa batas. Fitur dengan kardinalitas [1..1] disebut sebagaiwajib,
sedangkan fitur dengan kardinalitas [0..1] disebut opsional. Sebagai
contoh,Pembayaran adalah fitur wajib, sedangkan Pengiriman
adalah fitur opsional. Fitur dengan kardinalitas yang memiliki batas
atas lebih besar dari satu dapat dikloning selama konfigurasi. Fitur
di bawah fitur kloning masih dapat dikonfigurasi jika memiliki
variabilitas. Kloning berguna jika konfigurasi perlu menyertakan
banyak salinan bagian, di mana setiap bagian dapat dikonfigurasi
secara berbeda. Misalnya, konfigurasi toko elektronik dapat
mencakup beberapa bagian depan toko yang dapat dikonfigurasi
secara berbeda, misalnya, dengan memiliki pilihan pembayaran dan
metode pengiriman yang berbeda, jika ada.
Selain itu, fitur dapat diatur menjadi grup fitur, di mana
setiap grup fitur memiliki kardinalitas grup. Kardinalitas grup
adalah interval dari bentukkanM- nkan, di mana M N ∈Z∧0 ≤ M
≤ n ≤ k, di mana k adalah jumlah fitur dalam grup. Kardinalitas
grup menunjukkan berapa banyak anggota grup yang dapat
dipilih. Misalnya, setidaknya dan paling banyak salah satu fitur
Kartu Kredit, Kartu Debit, dan Pesanan Pembelian harus dipilih
sebagai subfitur dari Tipe pembayaran.
Sebuah fitur dapat memiliki tipe atribut, menunjukkan bahwa
nilai atribut dapat ditentukan selama konfigurasi (kecuali nilainya
sudah ada). Kami mengizinkan paling banyak satu atribut per fitur.
Jika beberapa atribut diperlukan, satu set subfitur, di mana setiap
subfitur memiliki atribut, dapat diperkenalkan. Tipe atribut dapat
berupa tipe dasar, sepertiRangkaian atau Bilangan bulat, atau FRf,
yang menunjukkan kumpulan semua referensi ke fitur dalam
konfigurasi tertentu. Kami juga merujuk ke atribut dengan tipeFRf
sebagai atribut referensi fitur. Misalnya, model fitur sampel kami
pada Gambar 1 menggunakan atribut string untuk mewakili nama
metode pembayaran dan metode pengiriman, dan atribut float
untuk mewakili tarif metode pengiriman. Selanjutnya, atribut
referensi fitur digunakan dalamMetode PembayaranRefdan Metode
PengirimanRef untuk menunjuk ke metode pembayaran dan
pengiriman yang telah ditentukan sebelumnya di back office, yaitu
klon dari Cara Pembayaran dan Metode pengiriman. Meskipun
referensi fitur dapat menunjuk ke fitur apa pun dalam konfigurasi,
nanti kami akan menunjukkan cara membatasi atribut untuk
menunjuk ke salah satu
2
Tabel 1: Simbol yang digunakan dalam pemodelan fitur berbasis
kardinalitas
Simbol Penjelasan
Fitur soliter dengan kardinalitas [1..1], yaitu
F wajib fitur
Fitur soliter dengan kardinalitas [0..1], yaitu
F opsional fitur
[0..M] Fitur soliter dengan kardinalitas [0..M],
F m > 1, yaitu, kloning opsional fitur
Fitur soliter dengan kardinalitas [n..m],n > 0 ∧
[n..m]
m > 1, yaitu, kloning wajib
F
fitur
F
Fitur yang dikelompokkan dengan kardinalitas [0..1]
Fitur yang dikelompokkan dengan kardinalitas [1..1]
F
Fitur F dengan atribut tipe T dan
F(nilai:T)
Nilai dari nilai
Referensi model fitur F
F-
Grup fitur dengan kardinalitas kan1– 1kan, yaitu
xor-kelompok
Grup fitur dengan kardinalitas kan1– kkan, di mana
k adalah ukuran grup, yaitu atau-kelompok
kanSaya- Jkan
Grup fitur dengan kardinalitas kanSaya- Jkan
A C A
B C2 - D E
≡ B C2
C1 - C1 D2
D1 E1
Gambar 2: Pembukaan referensi model fitur
klon dari Cara Pembayaran atau Metode pengiriman
menggunakan batasan tambahan. Dengan demikian, atribut
referensi fitur sangat berguna dalam konteks kloning.
Akhirnya, sebuah node dalam model fitur juga dapat menjadi
referensi model fitur. Model fiturM dengan referensi ke model
fitur lain secara semantik setara dengan salinanM di mana
referensi telah dibuka, yaitu, diganti dengan model fitur yang
menjadi titik referensi. Referensi model fitur memungkinkan
kita untuk membagi model fitur besar menjadi modul yang
lebih kecil. Juga, model fitur dapat berisi beberapa referensi ke
sub-model yang sama, yang diilustrasikan pada Gambar 2.
Kami menggunakan subskrip untuk membedakan di antara
salinan fitur berbeda yang dibuat melalui pembukaan. Model
fitur sampel kami pada Gambar 1 memiliki satu referensi model
fitur, yaituKatalog. Untuk singkatnya, model fitur yang ditunjuk
oleh referensi tidak ditampilkan.
Contoh pada Gambar 1 menunjukkan repertoar lengkap
pemodelan fitur berbasis kardinalitas. Namun, aplikasi praktis
mungkin bergantung pada subset dari notasi. Secara khusus, model
fitur yang menggambarkan karakteristik tingkat tinggi dari lini
produk biasanya tidak memerlukan kloning fitur. Kloning fitur sering
kali berguna dalam menentukan konfigurasi komponen runtime,
profil kebijakan, dan konfigurasi platform. Lagi
A A
kan0– 1kan
B C D B C D
(a) Asli kucing- (b) Notasi baru
notasi buku
Gambar 3: Sekelompok fitur alternatif dalam buku cat
dan notasi baru
diskusi ekstensif tentang penerapan pemodelan fitur berbasis
kardinalitas diberikan di tempat lain [13, Bagian 6].
Sangat menarik untuk dicatat bahwa, berbeda dengan
pekerjaan kami sebelumnya [12], kami sekarang juga
mengaitkan kardinalitas fitur dengan fitur yang dikelompokkan
[18]. Namun, satu-satunya nilai yang mungkin adalah [0..0],
[0..1], dan [1..1]. Biasanya, fitur yang dikelompokkan memiliki
[0..1] sebagai kardinalitas defaultnya. Kardinalitas [1..1] dan
[0..0] digunakan untuk fitur yang dipilih atau dihilangkan,
masing-masing, dari grup selama spesialisasi. Selanjutnya, kami
menggunakan kotak, bukan lingkaran untuk kardinalitas fitur
yang dikelompokkan untuk menghindari kebingungan dengan
notasi sebelumnya yang dijelaskan dalam "buku kucing" [11].
Dalam buku tersebut, kardinalitas grup dan kardinalitas fitur
yang dikelompokkan ditafsirkan secara berurutan, tetapi
sekarang, kardinalitas grup dapat dianggap sebagai kendala
tambahan.
3. FITUR MOD-ELING BERBASIS
KARDINALITAS DENGAN KENDALA
E2
Tidak semua jenis kendala dalam model fitur dapat diekspresikan
menggunakan struktur pohon dan kardinalitasnya. Kendala seperti
itu perlu ditangkap sebagaikendala tambahan. Mungkin contoh
paling terkenal dari kendala tersebut adalahmenyiratkan dan tidak
termasuk kendala. Selain itu, penambahan atribut mendorong
kebutuhan untuk mendefinisikan batasan atas nilai atribut.
Akhirnya, kloning membutuhkan gagasan tentang konteks untuk
tujuan pelingkupan dan mengarah pada kendala atas kumpulan
fitur.
Mari kita pertama menjelaskan bagaimana kloning mempengaruhi
set fasilitas yang diperlukan untuk mengekspresikan kendala tambahan.
Untuk tujuan itu, pertimbangkan model fitur sederhana pada Gambar
4(a). Batasan yang menyatakan fitur ituD menyiratkan fitur Esecara
sederhana dapat dinyatakan sebagai
D menyiratkan E
Sayangnya, batasan ini tidak masuk akal untuk model fitur pada
Gambar 4(b). Ini karena fitur-fiturnyaB dan C sekarang dapat
dikloning, dan konfigurasi yang sesuai dengan model ini
sekarang dapat berisi beberapa klon fitur D dan E (karena fitur
dikloning dengan seluruh subpohonnya). Contoh kendala untuk
model pada Gambar 4(b) akan menjadi “kekosongan dari
himpunan semuaD klon menyiratkan non-kekosongan dari
himpunan semua Eklon”. Selanjutnya, kendala praktis (seperti
yang akan kita lihat nanti) mungkin memerlukan pengumpulan
klon dari fitur yang diberikan tidak di seluruh model fitur, tetapi
dalam lingkup sebuahfitur konteks (yaitu, klon yang merupakan
subfitur langsung atau tidak langsung dari fitur tersebut).
3
 Sebagai contoh, Gambar 6 menunjukkan model kelas UML
A A yang sesuai dengan model fitur pada Gambar 1.
[0..*] [0..*] Multiplisitas di ujung agregat dari setiap komposisi dalam
B C B C model itu diasumsikan 1. Multiplisitas di ujung lainnya sama
dengan kardinalitas yang sesuai dalam model fitur. Lebih-
lebih lagi,FRf adalah antarmuka yang direalisasikan oleh
D E D E setiap kelas yang mewakili fitur. Kardinalitas grup dari
model fitur dapat dinyatakan sebagai batasan OCL
(a) Tidak ada fitur (b) Dua fitur kloning ( tambahan pada model kelas. Secara semantik, model kelas
kloning B dan C) mewakili satu set struktur objek yang mematuhi
multiplisitas dan batasan OCL tambahan. Masing-masing
struktur objek ini sesuai dengan konfigurasi model fitur.1
Gambar 4: Contoh model fitur tanpa dan dengan fitur yang
Mari kita lihat sejumlah contoh kendala tambahan pada
dapat dikloning
model fitur pada Gambar 1 yang dinyatakan dalam OCL.
Contoh pertama adalah sederhana menyiratkan kendala
A A yang tidak melibatkan fitur kloning.

[0..*] konteks Pembayaran inv:

B3 FraudDetection.isSelected() menyiratkan PaymentGateways.isSelected()
B B1 B2

Batasan menyatakan bahwa memilih Deteksi Penipuan

C D C1 D1 D2
(a) Fitur model (b) Contoh konfigurasi
dengan batasan jatah
lokal: C menyiratkan
Ddalam konteks B
Gambar 5: Contoh model fitur dengan batasan lokal dan
konfigurasinya
Gagasan fitur konteks diilustrasikan pada Gambar 5.
Batasan yang ingin kami ungkapkan untuk model fitur pada
Gambar 5(a) adalah bahwa untuk setiap klon dari B dijamin
jika klon memiliki C sebagai subfitur, ia juga memiliki D
sebagai subfitur. Dengan kata lain, kendala dinyatakan
dalam konteksB:
konteks B:
C menyiratkan D
Gambar 5(b) menunjukkan konfigurasi yang sesuai dengan model
fitur pada Gambar 5(a) yang juga memenuhi batasan di atas.
Subskrip diterapkan pada nama klon pada Gambar 5(b) untuk
mengidentifikasi mereka secara unik.
Menariknya, kendala tambahan untuk model fitur berbasis
kardinalitas dapat diekspresikan secara memadai menggunakan Object
Constraint Language (OCL) [20] atau XPath [27]. Contoh batasan
tambahan yang diekspresikan menggunakan XPath diberikan di tempat
lain [2]. Dalam makalah ini, kami mengeksplorasi penggunaan OCL
untuk tujuan ini. Sebuah keuntungan penting dari OCL atas XPath adalah
bahwa pemodel lebih cenderung akrab dengan OCL daripada XPath.
Keuntungan lain termasuk fakta bahwa OCL telah mendefinisikan
semantik secara formal [20, Lampiran A] dan bahwa interpretasi
template OCL yang dijelaskan dalam makalah sebelumnya [14] dapat
digunakan untuk memberikan semantik formal kepada OCL dalam
konteks pemodelan fitur berbasis kardinalitas. .
4. OCL SEBAGAI BAHASA KONSTRAINT
UNTUK MODEL FITUR BERBASIS
KARDINALITAS
OCL dapat diadopsi untuk pemodelan fitur dengan menafsirkan
model fitur sebagai model kelas dengan hierarki penahanan.
menyiratkan bahwa PaymentGateway juga dipilih. Batasan
dinyatakan sebagai invarian OCL dalam konteksPembayaran.
Kejadian dari Deteksi Penipuan dan PaymentGateway
menunjukkan navigasi. Menurut konvensi OCL, nama-nama
kelas yang menjadi target navigasi dapat digunakan sebagai
pengganti nama peran jika yang terakhir tidak tersedia (seperti
yang terjadi pada Gambar 6). Selanjutnya, kami berasumsi
bahwadipilih() disediakan sebagai sinonim untuk operasi OCL
standar didefinisikan(). Harap dicatat bahwa kendala yang sama
juga dapat diekspresikan menggunakan ESshop sebagai
konteksnya:
konteks Eshop inv:
BackOffice.Payment.FraudDetection.isSelected() menyiratkan
BackOffice.Payment.PaymentGateways.isSelected()
Sebagai contoh kedua, kami ingin menyatakan bahwa atribut
referensi dari GatewayRef harus merujuk hanya pada pembayaran-
gateway ment, yaitu, salah satu subfitur dari
PaymentGateway:
konteks GatewayRef inv:
EShop.BackOffice.Payment.PaymentGateways.sub()
-> termasuk (att)
Batasan di atas dinyatakan dalam konteks GatewayRef,berarti
bahwa tubuh kendala harus berlaku untuk setiap contoh dari
GatewayRef. Dalam kasus kami, tubuh harus menahan hanya jika
GatewayRef telah dipilih (yaitu, sebuah instance dari itu ada
dalam struktur objek). Kami berasumsi bahwa operasisub()
mengembalikan semua subfitur fitur (yaitu, semua objek
1Pada titik ini, pembaca mungkin bertanya-tanya tentang
perbedaan antara model fitur dan model kelas. Setidaknya
ada tiga perbedaan utama. Pertama, model fitur dapat
dilihat sebagai bentuk model kelas yang terbatas. Secara
khusus, fitur tidak memiliki operasi, komposisi selalu
memiliki multiplisitas 1 pada akhir agregat, dan hubungan
seperti pewarisan dan asosiasi tidak tersedia. Kedua,
pemodelan fitur menawarkan gula sintaksis. Secara khusus,
pemodelan fitur memiliki mekanisme kenyamanan seperti
grup fitur, yang harus dinyatakan sebagai kendala OCL
dalam model kelas, dan sintaks konkret yang lebih ringkas.
Struktur pohon juga dapat dimanfaatkan oleh alat untuk
menyediakan tata letak dan garis besar otomatis. Ketiga,
pemodelan fitur hadir dengan filosofi pemodelannya
sendiri. Model fitur mewakili hierarki properti,

4
 ESshop

1..* 1

TokoDepan Back Office

1 1 0.1 1 0.1

Katalog Pembayaran SF Pengiriman SF Pembayaran Pengiriman

1..* 1..* 1..* 0.1 0.1 1..*

Pembayaran Pengiriman Cara Pembayaran Pembayaran Tipuan ping
Mengirimkan
...
MetodeRef MetodeRef att: String Gerbang Deteksi hod
bertemu

att : FRef att : FRef att : S tali

0.1 1 0.1 0.1 0.1
gerbang Verisign Tautan 1
Tipe pembayaran dunia maya

ref Sumber Titik Kecepatan

att : FRef 0.1 0.1 0.1 att : Mengambang

Kredit Debet Pembelian

Kartu Kartu Memesan

Gambar 6: Model kelas UML yang sesuai dengan model fitur pada Gambar 1

terkandung dalam target operasi). Panah kanan digunakan di konteks Pengiriman inv:
OCL untuk menjalankan operasi pada koleksi. Dalam kasus ShippingMethod.Rate.att->ada(x| x>0)
kami, kami memeriksa apakah nilaiGatewayRef's atributatt
Sekarang kita siap untuk melihat bagaimana kardinalitas
termasuk dalam subfitur dari PembayaranGerbang.
grup dari model fitur dapat diekspresikan sebagai batasan
Demikian pula, kami ingin menegakkan bahwa metode pembayaran yang
OCL tambahan pada model kelas. Misalnya, or-grup di
tersedia di bagian depan toko tertentu adalah bagian dari metode pembayaran yang
bawahPaymentGateway dapat diwakili oleh kendala berikut:
disediakan oleh bagian belakang:

konteks PaymentMethodRef inv:

konteks PaymentGateways inv:
EShop.BackOffice.Payment.PaymentMethod->termasuk(att)
membiarkan

numOfSelectedFeatures =
Batasan di atas mengasumsikan bahwa fitur root ESshop CyberSource->union(Verisign->union(LinkPoint))->size()
dapat digunakan sebagai konstanta yang menunjukkan satu- di dalam

satunya contoh dariESshop, yaitu, ini adalah gula sintaksis
untuk EShop.allInstances().Karena batas atas kardinalitas Cara
Pembayaranlebih tinggi dari satu, hasil navigasi EShop.Back-
Office.Pembayaran.Metode Pembayaran adalah koleksi.
Kendala analog diperlukan untuk metode pengiriman:
konteks ShippingMethodRef inv:
EShop.BackOffice.Shipping.ShippingMethod->termasuk(att)
Batasan berikutnya adalah contoh batasan implikasi dalam
konteks fitur yang dapat dikloning (mirip dengan contoh pada
Gambar 5). Ini menyatakan bahwa setiap metode pembayaran
jenis kartu debit atau kredit harus memiliki gateway tertentu:
konteks Metode Pembayaran inv:
(PaymentType.CreditCard.isSelected() atau
PaymentType.DebitCard.isSelected()) menyiratkan
GatewayRef.isSelected()
Sebagai contoh batasan ukuran satu set, mari kita batasi
jumlah metode pembayaran yang tersedia di bagian depan
toko menjadi 3:
konteks StoreFront inv:
SFPayment.PaymentMethodRef->size() <= 3
Akhirnya, kami memberikan dua contoh kendala yang melibatkan
nilai atribut numerik. Batasan pertama menyatakan bahwa tarif
pengiriman tidak boleh berupa angka negatif:
konteks Tingkat inv:
att>=0
Batasan kedua menyatakan bahwa jika toko elektronik memiliki
pengiriman, setidaknya satu metode pengiriman memiliki tarif yang
merupakan angka positif (yaitu, setidaknya satu metode pengiriman
tidak gratis):
numOfSelectedFeatures >= 1 dan
numOfSelectedFeatures <= 3
5. DUKUNGAN ALAT UNTUK MOD-ELING
FITUR DENGAN KENDALA
Sebuah model fitur dengan kendala tambahan dapat
diterjemahkan ke dalam satu set variabel dan set kendala
atas variabel-variabel ini. Variabel mewakili pilihan individu
yang mungkin, seperti pemilihan fitur dan penetapan nilai
atribut, dan kumpulan batasan mencakup batasan yang
tersirat oleh hierarki fitur dan batasan tambahan.
Penetapan nilai yang memenuhi batasan sesuai dengan
konfigurasi yang benar. Penetapan nilai yang memberikan
nilai ke setiap variabel dalam kumpulan variabel sesuai
dengan konfigurasi penuh. Sebuah tugas parsial sesuai
dengan spesialisasi parsial [12], yang kadang-kadang juga
disebut sebagai konfigurasi parsial.
Area Constraint Satisfaction menawarkan banyak
algoritme yang menarik untuk pemodelan fitur dan alat
konfigurasi berbasis fitur. Kelas algoritma utama dari
minat meliputi:
• Pemeriksaan kendala: Memeriksa apakah tertentu
(lengkap atau sebagian) penugasan variabel memenuhi
batasan.
• Perambatan kendala: Menyimpulkan nilai-nilai variabel yang
belum diputuskan dari nilai-nilai variabel yang diputuskan.
• Kepuasan kendala: Memeriksa apakah sekumpulan
kendala memiliki setidaknya satu solusi.
• Pemecahan kendala: Solusi komputasi untuk sekumpulan
kendala.

5
 • Menghitung jumlah solusi: Menghitung jumlah solusi
lengkap untuk sekumpulan kendala.
Alat pemodelan fitur dapat menawarkan fasilitas berdasarkan
algoritma kepuasan kendala untuk membantu pengembang
membuat model fitur yang benar. Contoh fasilitas tersebut adalah
• Pemeriksaan konsistensi model: Kepuasan kendala
memungkinkan penentuan bahwa model fitur memiliki
setidaknya satu konfigurasi yang benar.
• Mendeteksi anomali: Anomali seperti “fitur mati”, yaitu
fitur yang bukan merupakan bagian dari konfigurasi yang
benar dan dengan demikian tidak dapat dipilih [24], juga
dapat dideteksi melalui kepuasan batasan. Sebuah fitur
mati jika konjungsi dari variabel yang sesuai dengan fitur
dan kendala yang diimplikasikan oleh model fitur tidak
terpenuhi.
• Metrik komputasi: Jumlah konfigurasi yang benar adalah
metrik yang berguna yang menunjukkan derajat
variabilitas diwujudkan dalam model fitur [15, 25]. Ini
dapat dihitung dengan menghitung jumlah solusi untuk
himpunan kendala yang tersirat oleh model fitur
(termasuk kendala tambahan). Contoh lainnya adalah
derajat ortogonalitas, yang merupakan rasio antara
jumlah solusi terhadap kumpulan kendala yang tersirat
oleh model fitur (termasuk semua kendala tambahan)
dan jumlah solusi untuk kumpulan kendala yang tersirat
oleh hierarki fitur dan kendala tambahan yang bersifat
lokal (yaitu, melibatkan hanya satu fitur). Tingkat
ortogonalitas yang tinggi berarti bahwa keputusan
tentang pemilihan fitur dapat dilakukan secara lokal,
yaitu, tanpa mengkhawatirkan pengaruhnya terhadap
pilihan di bagian lain dari hierarki fitur.
Algoritma kepuasan kendala sangat menarik untuk alat
konfigurasi berbasis fitur. Contoh fasilitas berdasarkan
kepuasan kendala dalam konfigurasi berbasis fitur adalah:
• Pemeriksaan konfigurasi: Memeriksa bahwa konfigurasi
lengkap memenuhi satu set kendala adalah operasi yang
relatif sederhana dan murah sebesar evaluasi ekspresi.
Memeriksa konfigurasi parsial lebih mahal: itu berarti
memeriksa untuk melihat apakah konfigurasi parsial
tersirat oleh model fitur, yaitu, memerlukan pemeriksaan
kepuasan kendala.
• Menampilkan jumlah konfigurasi yang tersisa:
Menghitung jumlah konfigurasi setelah setiap langkah
konfigurasi memberi pengguna ide yang lebih baik
tentang kemajuan proses konfigurasi. Jika jumlahnya
satu, pengguna sampai pada konfigurasi yang
lengkap. Jika angkanya nol, pengguna baru saja
membuat konfigurasi yang salah dan perlu merevisi
beberapa langkah konfigurasi.
• Menyebarkan pilihan konfigurasi: Memilih fitur tertentu
mungkin memerlukan pemilihan beberapa fitur lain,
dalam hal ini pilihan terakhir dapat disimpulkan secara
otomatis dari yang pertama menggunakan propagasi
kendala. Secara umum, pilihan konfigurasi yang
memberikan nilai tertentu ke variabel dapat membatasi
domain nilai yang tersedia untuk variabel lain.
6
• Penyelesaian otomatis konfigurasi: Pemecahan kendala dapat
digunakan untuk solusi komputasi (termasuk menyelesaikan
solusi parsial) yang dapat disajikan kepada pengguna.
• Men-debug konfigurasi yang salah: Dalam beberapa kasus,
pengguna mungkin ingin dengan cepat membuat beberapa
pilihan tanpa memverifikasi jumlah konfigurasi yang tersisa di
sepanjang jalan. Ini terutama berlaku untuk pengguna ahli.
Konfigurasi yang dihasilkan mungkin tidak benar, dalam hal ini
perlu diperbaiki. Sementara beberapa pilihan pengguna harus
direvisi, pengguna mungkin lebih peduli untuk mempertahankan
beberapa pilihan daripada mempertahankan beberapa pilihan
lainnya. Oleh karena itu, kami membutuhkan cara yang efisien
untuk memperbaiki konfigurasi, yang mempertimbangkan
preferensi pengguna.
Penyelesaian otomatis dan debugging mungkin merupakan fasilitas
yang paling menantang untuk disediakan. Solusi yang memadai
mungkin memerlukan kendala yang lemah, heuristik, dan prosedur
solusi kustom.
6. PROTOTIPE ALAT
Kami telah membuat perpanjangan prototipe fmp [2] dengan
beberapa fasilitas berdasarkan kepuasan kendala yang dibahas
pada bagian sebelumnya. fmp adalah plug-in Eclipse untuk
pemodelan fitur dan konfigurasi berbasis fitur. Secara khusus, kami
telah memperpanjangfmp dengan fasilitas sebagai berikut.
• Menghitung jumlah konfigurasi yang diwakili oleh model fitur
: Fasilitas ini memungkinkan pengguna untuk memverifikasi
bahwa model memiliki setidaknya satu konfigurasi, dan juga
memberi pengguna gambaran tentang tingkat variabilitas
yang terkandung dalam model fitur. Gambar 7 menunjukkan
model fitur sampel dengan jumlah konfigurasi beton yang
diwakilinya.
• Menyebarkan pilihan konfigurasi: Gambar 8 menunjukkan
cuplikan layar antarmuka konfigurasi, yang menampilkan
hierarki fitur dengan kotak centang untuk setiap fitur variabel.
Kotak centang dapat memiliki salah satu dari lima status:
bimbang, dipilih pengguna, mesin-dipilih,dihapus pengguna,
dan mesin-dihilangkan. Undecided diberikan sebagai kotak
centang kosong dan berarti bahwa pengguna belum
memutuskan apakah fitur ini harus dipilih atau dihilangkan.
Pengguna dapat secara eksplisit memilih atau menghilangkan
fitur, yang masing-masing ditampilkan dengan tanda centang
gelap atau tanda silang. Pilihan pengguna dapat memicu
pilihan mesin melalui propagasi. Fitur yang dipilih atau
dihilangkan oleh mesin dirender sebagai pemeriksaan ringan
atau persilangan, masing-masing. Misalnya, Gambar 8
menunjukkan hasil fitur pemilihan penggunaDeteksi Penipuan
dalam konfigurasi di mana semua kotak centang awalnya
kosong. SejakDeteksi Penipuanmenyiratkan Gerbang
Pembayaran, propagasi pilihan memiliki efek menempatkan
tanda centang pada PaymentGateway.Pengguna kemudian
memutuskan untuk memilih Sumber Cyber dan
menghilangkan titik tautan, saat pergi Verisign masih ragu-
ragu. Menggunakan rendering yang berbeda untuk pilihan
mesin memungkinkan pengguna untuk lebih memahami efek
propagasi pilihan.
• Menghitung jumlah konfigurasi yang tersisa selama
proses konfigurasi: Jumlah konfigurasi yang tersisa
adalah jumlah konfigurasi beton yang diwakili oleh
arus (berpotensi parsial)

Gambar 7: Contoh model fitur dalam fmp dengan
dukungan kendala
Angka 8: Contoh konfigurasi di fmp dengan con-
dukungan regangan
konfigurasi. Nomor ini dapat memberikan gambaran
kepada pengguna tentang kemajuan proses konfigurasi.
Misalnya, konfigurasi parsial pada Gambar 8 mewakili
dua konfigurasi konkret, yang berarti bahwa pilihan
konfigurasi lebih lanjut diperlukan jika pengguna ingin
sampai pada satu konfigurasi lengkap. Nomor tersebut
juga menginformasikan pengguna ketika konfigurasi
parsial atau lengkap yang sedang dibangun menjadi
salah, dalam hal ini jumlah konfigurasi yang tersisa
menjadi nol.
• Penyelesaian otomatis konfigurasi: Setelah membuat nol
atau lebih pilihan, pengguna dapat meminta alat untuk
menyelesaikan konfigurasi sedemikian rupa sehingga
konfigurasi sesuai dengan model fitur dengan batasan
tambahannya. Pengguna dapat meminta alat untuk
menunjukkan sejumlah solusi benar yang ditentukan
pengguna. Daftar solusi alternatif dapat diperiksa di
browser solusi dan solusi yang diinginkan dapat dipilih.
Prototipe saat ini mendukung batasan hanya dalam bentuk
formula proposisional atas fitur, dan mengasumsikan model
fitur tanpa fitur yang dapat dikloning. Hirarki fitur
diterjemahkan ke dalam formula proposisional sesuai dengan
pendekatan yang diberikan oleh Batory [3].
Mesin pemuasan kendala yang dibutuhkan, yaitu
menghitung jumlah solusi, propagasi kendala, dan
pemecahan kendala, didasarkan pada Binary Decision
Diagram (BDD) [1]. Paket BDD khusus yang digunakan
dalam prototipe saat ini adalah dari Config Software [9].
7
Kinerja yang diberikan oleh algoritma BDD yang
mendasarinya sangat baik: waktu yang dibutuhkan untuk
menghitung solusi, menyebarkan pilihan, dan solusi komputasi
hampir tidak terlihat oleh pengguna. Kami telah menguji
prototipe kami dengan model yang berisi hingga beberapa
ratus fitur. Namun, karena jumlah fitur sama dengan jumlah
variabel dari kendala yang sesuai dengan masalah kepuasan
dan paket BDD saat ini diketahui menangani masalah dengan
puluhan ribu fitur secara efisien, kami tidak mengharapkan
masalah skalabilitas dalam hal kinerja.
Meskipun perbedaan visual antara pilihan pengguna dan mesin
telah terbukti bermanfaat, percobaan awal kami telah menunjukkan
bahwa fasilitas yang lebih baik untuk meninjau efek propagasi
pilihan diperlukan. Saat ini kami sedang mengerjakan antarmuka
pengguna yang memungkinkan pengguna menelusuri efek
penyebaran pilihan pengguna dan mencabut pilihan jika diinginkan.
Selain itu, fasilitas pelengkapan otomatis perlu dikembangkan lebih
lanjut. Secara khusus, kami ingin mengizinkan perancang model
fitur untuk menentukan batasan lemah yang dapat menghitung
penyelesaian default yang sesuai berdasarkan pilihan pengguna
pada titik tertentu selama proses konfigurasi.
7. PEKERJAAN TERKAIT
Pekerjaan terkait untuk pemodelan fitur berbasis kardinalitas
dapat ditemukan di makalah sebelumnya [13]. Di sini kami hanya
fokus pada ekspresi kendala untuk pemodelan fitur berbasis
kardinalitas dan dukungan alat berbasis kendala untuk pemodelan
fitur dan konfigurasi berbasis fitur.
Penggunaan XPath untuk mengekspresikan batasan untuk
pemodelan fitur berbasis kardinalitas telah diusulkan dalam konteks
dua alat pemodelan fitur, yaitu XFeature [7] dan versi fmp
sebelumnya [2]. Dalam hal kepuasan kendala, kedua alat ini dapat
memeriksa apakah konfigurasi konkret benar sehubungan dengan
kendala XPath, yang dilakukan hanya dengan memanggil evaluator
XPath pada representasi XML dari konfigurasi. Namun, fasilitas yang
lebih canggih seperti propagasi pilihan atau pelengkapan otomatis
tidak didukung oleh alat ini. Sedangkan makalah oleh Cechticky et al.
[7] memberikan satu contoh kendala yang melibatkan fitur yang
dapat dikloning, kami tidak mengetahui pekerjaan sebelumnya yang
menganalisis kebutuhan khusus pemodelan fitur berbasis
kardinalitas dalam hal mengekspresikan kendala tambahan seperti
yang diberikan dalam Bagian 3. Penggunaan OCL sebagai bahasa
untuk mengekspresikan batasan tambahan untuk model fitur
sebelumnya dieksplorasi dalam tesis Diploma oleh Schilling [21] di
bawah pengawasan penulis pertama dan oleh Streitferdt et al. [22].
Contoh pekerjaan pada konfigurasi berbasis fitur yang
mendukung fasilitas kepuasan kendala di luar pemeriksaan
konfigurasi sederhana adalah Batory [3]. Batory membahas
penggunaan pemecah SAT untuk memeriksa konsistensi model
fitur dan penggunaan algoritma propagasi kendala untuk
menyebarkan pilihan konfigurasi. Benavides dkk. menyajikan
ide-ide serupa [5]. Versi tertentu dari pemodelan fitur dan alat
konfigurasimurni::varian [6] juga mendukung propagasi pilihan.
Mirip dengan prototipe kami yang dijelaskan di Bagian 6,
fasilitas kepuasan kendala dalam karya di atas tidak
mempertimbangkan fitur yang dapat dikloning.
Von der Maßen dan Lichter [25] mengusulkan cara untuk
menghitung perkiraan kasar dari jumlah konfigurasi lengkap
yang benar. Kita gunakanhitungan SAT, algoritma berbasis BDD
yang ada [1], yang dapat menghitung jumlah pasti konfigurasi
tersebut untuk model fitur besar dalam sepersekian detik. Juga,
kami tidak mengetahui adanya fitur lain-
alat konfigurasi berbasis menunjukkan jumlah konfigurasi
yang tersisa.
Penggunaan paket BDD sebagai mesin kepuasan kendala untuk
pemodelan fitur dan konfigurasi bukanlah hal baru. Contoh pendekatan
tersebut adalah yang dilakukan oleh van der Storm [23]. Pendekatan
terkait menggunakan BDD, meskipun tidak secara langsung
berdasarkan pemodelan fitur, adalah DESERT [19].
Banyak pekerjaan yang berurusan dengan konfigurasi
berbasis kendala ada di bidang Kecerdasan Buatan. Kami
telah membahas pendekatan terkait dari yang ada di
makalah sebelumnya [13, Bagian 6]. Meskipun pendekatan
ini biasanya berkaitan dengan konfigurasi produk fisik,
banyak ide pasti dapat diangkut ke bidang lini produk
perangkat lunak. Kami mengharapkan lebih banyak upaya
lintas disiplin semacam itu di masa depan.
Kami tidak mengetahui adanya klasifikasi lain dari fasilitas
berbasis kendala kepuasan untuk pemodelan fitur yang sebanding
dengan yang diberikan di Bagian 5.
8. KESIMPULAN DAN PEKERJAAN MASA DEPAN
Dalam makalah ini, kami menganalisis kebutuhan pemodelan
fitur berbasis kardinalitas sehubungan dengan mengekspresikan
kendala tambahan dan menunjukkan bagaimana kebutuhan ini
dipenuhi oleh OCL. Selanjutnya, kami mengklasifikasikan fasilitas
yang dapat ditawarkan oleh alat pemodelan fitur dan konfigurator
berbasis fitur berdasarkan algoritma kepuasan kendala. Akhirnya,
kami menjelaskan implementasi prototipe dari beberapa fasilitas ini
dan berbagi pengalaman kami dengan prototipe.
Untuk pekerjaan di masa mendatang, kami berencana untuk
memperluas fasilitas kepuasan kendala dalam prototipe alat kami
untuk menangani kendala OCL melalui notasi pemodelan fitur
berbasis kardinalitas penuh. Ini akan dilakukan dengan
mengadaptasi interpretasi template OCL kami [14] untuk tujuan
pemodelan fitur. Selanjutnya, kami berencana untuk meningkatkan
model interaksi pengguna dan antarmuka pengguna untuk
konfigurasi berbasis fitur agar pengguna dapat menangani model
fitur besar secara lebih efektif.
9. REFERENSI
[1] HR Anderson. Diagram Keputusan Biner. Departemen
Teknologi Informasi, Technical University of Denmark,
Lyngby, Denmark, 1997. Catatan kuliah untuk 49285
Advanced Algorithms E97,http://www.itu.dk/people/
hra/notes-index.html.
[2] M. Antkiewicz dan K. Czarnecki. FeaturePlugin: Plug-in
pemodelan fitur untuk Eclipse. Di dalamLokakarya Eclipse
Technology eXchange (ETX) OOPSLA'04, 2004. Kertas
tersedia dari http: //www.swen.uwaterloo.ca/~kczarnec/
etx04.pdf.Perangkat lunak tersedia dari: gp.uwaterloo.ca/
fmp.
[3] D. Baterai. Model Fitur, Tata Bahasa, dan Rumus
Proposisi. Laporan Teknis TR-05-14, University of
Texas di Austin, Texas, Maret 2005.
[4] D. Batory, R. Lopez-Herrejon, dan J.-P. Martin.
Menghasilkan lini produk dari keluarga produk. Di dalam
Rekayasa Perangkat Lunak Otomatis, 2002. Prosiding. ASE
2002. Konferensi Internasional IEEE ke-17, halaman 81–92,
2002.
[5] D. Benavides, P. Trinidad, dan A. Ruiz-Cortés.
Penalaran otomatis pada model fitur. Di dalam
Prosiding Konferensi Tingkat Lanjut ke-17
8
Rekayasa Sistem Informasi (CAiSE'05), Porto, Portugal,
2005, LNC. Springer, 2005.
[6] D. Beuche. murni::varian Eclipse Plugin. Panduan
pengguna. sistem murni GmbH. tersedia dari
http://web.pure-systems.com/fileadmin/
downloads/pv_userguide.pdf, 2004.
[7] V. Cechticky, A. Pasetti, O. Rohlik, dan
W. Schaufelberger. Pemodelan fitur berbasis XML. Di dalam
J. Bosch dan C. Krueger, editor, Penggunaan Kembali
Perangkat Lunak: Metode, Teknik, dan Alat: Konferensi
Internasional ke-8, ICSR 2004, Madrid, Spanyol, 5-9 Juli
2009. Prosiding, volume 3107 dari Catatan Kuliah di
Ilmu Komputer, halaman 101–114, Heidelberg, Jerman,
2004. Springer-Verlag.
[8] P. Clements dan L. Northrop. Lini Produk Perangkat
Lunak: Praktik dan Pola. Addison-Wesley, Boston, MA,
2001.
[9] Konfigurasi Perangkat Lunak. Config—Mesin Konfigurasi
Produk, 2005. http://www.configit-software.com/.
[10] K. Czarnecki. Gambaran Umum Pengembangan Perangkat
Lunak Generatif. Di dalamProsiding Paradigma
Pemrograman Tidak Konvensional (UPP) 2004, 15-17
September, Mont Saint-Michel, Prancis, Revisi Makalah,
volume 3566 dari Catatan Kuliah di Ilmu Komputer,
halaman 313–328. Springer-Verlag, 2004.http://
www.swen.uwaterloo.ca/~kczarnec/ gsdoverview.pdf.
[11] K. Czarnecki dan UW Eisenecker. Pemrograman
Generatif: Metode, Alat, dan Aplikasi. Addison-
Wesley, Boston, MA, 2000.
[12] K. Czarnecki, S. Helsen, dan U. Eisenecker. Konfigurasi
bertahap menggunakan model fitur. Di RL Nord, editor,
Lini Produk Perangkat Lunak: Konferensi Internasional
Ketiga, SPLC 2004, Boston, MA, AS, 30 Agustus-2
September 2004. Prosiding, volume 3154 dariCatatan
Kuliah di Ilmu Komputer, halaman 266–283, Heidelberg,
Jerman, 2004. Springer-Verlag.
[13] K. Czarnecki, S. Helsen, dan U. Eisenecker. Konfigurasi
bertahap melalui spesialisasi dan konfigurasi multi-
level model fitur.Peningkatan dan Praktik Proses
Perangkat Lunak, 10(2):143–169, 2005.http://
swen.uwaterloo.ca/~kczarnec/spip05b.pdf.
[14] K. Czarnecki dan K. Pietroszek. Memverifikasi template model
berbasis fitur terhadap batasan OCL yang terbentuk dengan
baik. Diajukan untuk diterbitkan, 2005.
[15] U. Eisenecker, M. Selbig, F. Blinn, dan K. Czarnecki. Pemodelan
fitur untuk keluarga sistem perangkat lunak.
OBJEKTspektrum, (5):23–30, 2001. edisi khusus tentang
keluarga produk (dalam bahasa Jerman).
[16] J. Greenfield dan K. Pendek. Pabrik Perangkat Lunak:
Merakit Aplikasi dengan Pola, Model, Kerangka Kerja,
dan Alat. Wiley, Indianapolis, IN, 2004.
[17] K. Kang, S. Cohen, J. Hess, W. Nowak, dan
S.Peterson. Studi kelayakan analisis domain berorientasi
fitur (FODA). Laporan Teknis CMU/SEI-90-TR-21, Institut
Rekayasa Perangkat Lunak, Universitas Carnegie Mellon,
Pittsburgh, PA, November 1990.
[18] CHP Kim dan K. Czarnecki. Menyinkronkan model
fitur berbasis kardinalitas dan spesialisasinya. Di
dalamProsiding ECMDA'05, 2005.swen.uwaterloo.ca/
~kczarnec/ecmda05.pdf.
[19] S. Neema, J. Sztipanovits, dan G. Karsai. Eksplorasi ruang
desain dan sintesis model berbasis kendala. Di dalam
Prosiding EMSOFT'03, volume 2855 dari LNCS, halaman
290–305. Springer, 2003.
[20] Ya ampun. Spesifikasi OCL UML 2.0, 2003.http://
www.omg.org/docs/ptc/03-10-14.pdf.
[21] D. Schilling. Konfigurasi von komponenten di
produktlinien. Diplomarbeit, DaimlerChrysler Riset
dan Teknologi, Ulm, dan Universität Paderborn,
Paderborn, Jerman, September 2002. (dalam bahasa
Jerman).
[22] D. Streitferdt, M. Riebisch, dan I. Philippow. Detail relasi yang
diformalkan dalam model fitur menggunakan OCL.
Di dalam ECBS, halaman 297–304, 2003.
[23] T. van der Badai. Variabilitas dan komposisi
komponen. Di dalamProsiding ICSR8, LNC.
Springer, 2004.
[24] T. von der Maßen dan H. Lichter. Kekurangan dalam model
fitur. Di dalamProsiding Workshop SPLC'04 tentang
Manajemen Variabilitas Perangkat Lunak untuk Derivasi
Produk - Menuju Dukungan Alat, 2004.
[25] T. von der Maßen dan H. Lichter. Membuat instance
produk yang valid dari model fitur. Di dalamProsiding
Konferensi Lini Produk Perangkat Lunak Internasional
(SPLC) ke-9, LNC. Springer, 2005.
[26] DM Weiss dan RKT Lai. Rekayasa Lini Produk Perangkat
Lunak: Proses Pengembangan Perangkat Lunak Berbasis
Keluarga. Addison-Wesley, Boston, MA, 1999.
[27] Konsorsium World Wide Web. Bahasa Jalur XML (XPath)
2.0, 2005. http://www.w3.org/TR/xpath20/.