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

com

Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Daftar isi tersedia diScienceDirect

Jurnal Sistem & Perangkat Lunak

halaman utama jurnal:www.elsevier.com/locate/jss

Pengembangan otomatis matriks penghubung persyaratan berdasarkan

kesamaan semantik untuk pengembangan perangkat lunak yang kuat✩
Dnyanesh RajpathakA,∗,Prakash M. PeranandamB,S. RameshB
APusat Keunggulan Analisis Lanjutan, Kepala Kantor Data dan Analisis, General Motors, Warren, Michigan 48092-2031, AS
BR&D Global, General Motors, Warren, Michigan 48092-2031, AS

articleinfo abstrak

Riwayat artikel: Dengan semakin kompleksnya perangkat lunak modern, penting agar persyaratan tekstual yang relevan
Diterima 21 Oktober 2020 Diterima dalam dihubungkan dengan benar ke dalam 'matriks kesukaan persyaratan' selama tahap awal pengembangan sistem.
bentuk revisi 11 Juni 2021 Diterima 25 Matriks penghubung persyaratan yang dihasilkan menyoroti interaksi langsung dan tidak langsung antara
Desember 2021
persyaratan yang berbeda, sehingga memfasilitasi peningkatan desain, pengembangan, dan pengujian sistem
Tersedia online 1 Januari 2022
perangkat lunak yang kompleks, misalnya perangkat lunak otomotif, arsitektur listrik/elektronik. Banyaknya
Kata kunci: persyaratan tekstual yang dikumpulkan dalam kehidupan nyata ditambah dengan kebisingan data membuat tugas
Rekayasa kebutuhan menghubungkan persyaratan otomatis menjadi latihan nontrivial. Dalam makalah ini, kami mengusulkan model
Penautan kebutuhan kesamaan semantik baru untuk menghubungkan persyaratan yang berbeda secara otomatis untuk mengaturnya
Kesamaan semantik menjadi matriks penghubung persyaratan. Model menghitung kesamaan dalam halistilah ke istilah,tuple-to-tuple,
Otomotif Danteks-ke-teksskor. Skor diberi peringkat untuk menentukan apakah tautan memiliki hubungan ''Tinggi'', ''Rendah'',
Pendukung keputusan
atau ''Tidak'' satu sama lain dalam matriks penghubung persyaratan. Model digunakan sebagai alat prototipe dan
kinerjanya divalidasi dengan menggunakan data kehidupan nyata. Kami juga membandingkan pendekatan kami
dengan pendekatan alternatif yang diusulkan dalam literatur. Sistem mencapai skor F1 rata-rata 0,93 dalam
menghubungkan persyaratan heterogen dengan benar.
©2022 Elsevier Inc. Semua hak dilindungi undang-undang.

1. Perkenalan
Dalam beberapa dekade terakhir, industri otomotif telah mengalami
pertumbuhan yang sangat besar dengan meningkatnya jumlah fitur,
meledaknya konten perangkat lunak, dan dengan cepat bergerak menuju
elektrifikasi dan mengemudi secara otonom. Munculnya teknologi yang
disematkan dalam bentuk sensor diagnostik baru, modul, sistem perangkat
lunak tertanam yang canggih (Benedittini dkk.,2009), sistem bantuan
pengemudi tingkat lanjut (ADAS), perangkat nirkabel, dan sebagainya.
Seperti yang ditunjukkan diGambar 1, ada ketergantungan besar pada
modul tersemat (dan perangkat lunak modul yang sesuai) yang berjalan di
kendaraan modern dan ini merupakan faktor pendorong utama di sebagian
besar terobosan, misalnya pengemudian otonom, konektivitas, elektrifikasi,
mobilitas pintar. Tidak mengherankan, perusahaan yang mengembangkan
teknologi untuk kendaraan yang terhubung dan otonom berjumlah lebih
dari $9,5 miliar hingga kuartal ketiga tahun 2018 (Apostu et al.,2005).
Makalah ini berkaitan dengan pengembangan perangkat lunak
kontrol yang mewujudkan fitur-fitur yang disebutkan di atas.
Perangkat lunak kontrol diharapkan kuat dalam artian ada
tuntutan kuat pada kebenaran fungsional, operasi yang aman, dan
kemampuan toleran kesalahan, seperti tidak adanya satu titik kegagalan.
Fondasi dari proses pengembangan perangkat lunak yang ketat adalah
rekayasa kebutuhan yang kuat, yang merupakan fokus dari makalah ini.
Dengan 100-an fitur yang diimplementasikan dalam perangkat lunak,
jumlah persyaratan yang harus dikelola sangat banyak dan biasanya
persyaratan ini panjang, tersebar di banyak dokumen. Sangat penting
bahwa semua persyaratan fitur yang berbeda terkait atau terkait satu sama
lain dengan tepat. Untuk membuat masalah menjadi lebih kompleks,
persyaratan ini ditangkap oleh pemangku kepentingan yang berbeda dalam
bahasa Inggris yang mengalir bebas dan tidak selalu dengan menggunakan
sekumpulan kosakata yang terkontrol (Mich dkk.,2004; Geravasi dan Zowghi,
2005). Oleh karena itu, ini adalah latihan yang tidak sepele untuk
membangun hubungan yang lengkap, konsisten, dan tidak ambigu antara
persyaratan untuk memastikan kelengkapan dan kebenaran fungsi
perangkat lunak yang dimaksud.
Di bawah ini, kami menunjukkan contoh umum persyaratan yang
dikumpulkan di domain kami. Persyaratan ini terkait dengan fungsi start
kendaraan:

Fitur Mulai Tombol Tekan Tanpa

✩ Editor: Daniela Damian. Kunci: Prasyarat:Transmisi di TAMAN;
∗ Penulis yang sesuai.
1.Pedal rem ditekan
Alamat email:dnyanesh.rajpathak@gm.com (D. Rajpathak),
prakash.peranandam@gm.com (PM Peranandam),ramesh.s@gm.com (S. 2.Tekan tombol Mulai/Berhenti
Ramesh). 3.Sistem menghidupkan kendaraan

https://doi.org/10.1016/j.jss.2021.111211 0164-1212/©2022 Elsevier

Inc. Semua hak dilindungi undang-undang.
D. Rajpathak, PM Peranandam dan S. Ramesh Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Gambar 1.Modul berbeda dan sistem terkaitnya dalam kendaraan modern.

Pasca-Kondisi:Sistem memungkinkan inisialisasi lengkap dari sub- ada banyak-ke-banyak hubungan langsung dan tidak langsung ada di antara
sistem yang diperlukan, misalnya: (a) Inisialisasi mesin, (b) fitur yang berbeda. Kompleksitas data yang melekat membuat sulit atau
Inisialisasi HMI, dan (c) Inisialisasi rem, dalam urutan ''a bahkan tidak mungkin bagi banyak pakar manusia untuk menangkap dan
→ B→C''; dan kemudian mengaktifkan kesiapan mengemudi. memelihara model mental dari persyaratan yang relevan untuk
menafsirkannya secara bersamaan.
Fitur Mulai Tombol Jarak Jauh:
Prasyarat:Transmisi di TAMAN; Sistem kendaraan dalam kondisi Alat siap pakai, misalnya IBM DOORS©1memberikan dukungan awal
jangkauan sinyal; untuk menghubungkan persyaratan dengan mengizinkan pengembang
perangkat lunak untuk menghubungkan persyaratan secara manual.
1.Tekan urutan tombol yang ditentukan dalam fob kunci dalam Namun, penautan manual memiliki sejumlah kekurangan saat digunakan
urutan atau melalui aplikasi seluler produsen peralatan asli dalam kehidupan nyata: 1. Pengembang harus benar-benar menyadari
(OEM) dari mana saja asalkan koneksi jaringan di kedua berbagai persyaratan yang terkait dengan domain mereka, yang tidak
ujungnya. praktis karena skala datanya, 2. Karena persyaratannya tersebar di
2.Sistem menerima sinyal untuk pengengkolan. beberapa halaman dalam dokumen persyaratan yang berbeda menjadi sulit
3.Sistem menghidupkan kendaraan. untuk membuat peta mental lengkap persyaratan terkait untuk menjaga
Kondisi pos:Sistem memungkinkan subset inisialisasi, yaitu hanya sub- konsistensi penautan, 3. Bahasa yang digunakan untuk menjelaskan
sistem yang diperlukan, katakanlah, (a) Mesin dan (c) Rem dan hanya persyaratan tidak standar, yang mengarah keambiguitas semantik.
dengan kemampuan terbatas. Sistem menunggu pengemudi memasuki Misalnya, pertimbangkan dua cuplikan persyaratan "periksa lampu mesin
kendaraan dan memicu prosedur lain untuk menyelesaikan proses HIDUP" vs "Modul Kontrol Program dengan kode kesalahan P0300".
inisialisasi yang tersisa dan kemudian mengaktifkan kesiapan berkendara Meskipun kedua cuplikan ini mengacu pada persyaratan khusus sistem yang
dalam waktu yang telah dikalibrasi. sama, keduanya tidak memiliki terminologi yang tumpang tindih satu sama
Persyaratan khusus kedua modul ini bahkan ketika ditulis dalam dokumen yang sama dapat terpisah setidaknya puluhan halaman. Jelas, kedua lain. Tanpa memiliki pemahaman mendalam tentang domain, tidak mungkin
persyaratan ini terkait dan ahli materi pelajaran (UKM) perlu menjaga hubungan mereka dalam model mental sehingga mereka dapat dianalisis bersama menghubungkan persyaratan seperti persyaratan terkait, dan 4. Dokumen
selama pengembangan dan pengujian perangkat lunak. Dapat dibayangkan bahwa non-ahli bahkan mungkin tidak menyadari hubungan antara kedua persyaratan biasanya terdiri dari singkatan dan penting untuk memperjelas
persyaratan ini. Untuk membuat masalah menjadi lebih kompleks, dalam beberapa kasus lain, persyaratan terkait mungkin termasuk dalam domain singkatan ini dengan menggunakan konteks di mana mereka disebutkan. Ini
yang berbeda. Misalnya, perhatikan persyaratan fitur keselamatan ''Blind Spot Monitor & Alert'' dalam domain kontrol tubuh dengan prasyarat: ''Mesin membantu untuk menghindari entri duplikat dan tautan persyaratan yang
Berjalan; dan Transmisi di DRIVE''. Insinyur penguji dapat dengan mudah mempertimbangkan prasyarat saja dan melakukan pengujian. Dengan tidak ambigu dalam matriks tautan persyaratan. Misalnya, perhatikan kode
mengabaikan hubungan ketergantungan tidak langsung antara dua persyaratan fitur penyalaan mesin, teknisi penguji mungkin melewatkan kesalahan ''P0452: Sensor Tekanan Sistem Kontrol Evaporatif Input Rendah
pertimbangan urutan pengengkolan mesin dan urutan inisialisasi yang berbeda di antara keduanya. Konsekuensi dari kegagalan untuk menguji masuk TPS''. Sangat penting untuk membedakan singkatan TPS dengan
persyaratan terkait secara bersamaan dapat menciptakan situasi di mana fitur keselamatan mungkin tidak berfungsi dalam skenario start jarak jauh benarsensor tekanan tangkikarena berdasarkan konteks yang dilaporkan
karena urutan inisialisasi yang berbeda. Penting untuk mengidentifikasi jenis ketergantungan dan interaksi tidak langsung ini di muka untuk merancang sensor tekanan sistem kontrol emisi evaporatif input rendah telah
dan mengembangkan perangkat lunak yang benar secara fungsional. Ketergantungan tidak langsung seperti itu sulit diekstraksi oleh non-ahli dan menghasilkan pengaturan kode kesalahan P0452. Mengingat tantangan ini,
mengingat kerumitan kendaraan modern teknisi penguji mungkin melewatkan mempertimbangkan urutan pengengkolan mesin dan urutan inisialisasi
ada kebutuhan mendesak untuk mengotomatiskan penautan persyaratan
yang berbeda di antara keduanya. Konsekuensi dari kegagalan untuk menguji persyaratan terkait secara bersamaan dapat menciptakan situasi di mana
heterogen menjadi formalisasi matriks persyaratan yang tidak ambigu
fitur keselamatan mungkin tidak berfungsi dalam skenario start jarak jauh karena urutan inisialisasi yang berbeda. Penting untuk mengidentifikasi jenis
dengan menangani data skala industri. Pada akhirnya, tujuan kami adalah
ketergantungan dan interaksi tidak langsung ini di muka untuk merancang dan mengembangkan perangkat lunak yang benar secara fungsional.
untuk menghindari analisis kebutuhan yang tidak lengkap untuk membantu
Ketergantungan tidak langsung seperti itu sulit diekstraksi oleh non-ahli dan mengingat kerumitan kendaraan modern teknisi penguji mungkin
merancang perangkat lunak dengan perilaku yang terbatas atau tanpa
kesalahan (Wong dkk.,2010).
melewatkan mempertimbangkan urutan pengengkolan mesin dan urutan inisialisasi yang berbeda di antara keduanya. Konsekuensi dari kegagalan

untuk menguji persyaratan terkait secara bersamaan dapat menciptakan situasi di mana fitur keselamatan mungkin tidak berfungsi dalam skenario start

Proses Pengembangan V-cycle ISO 26262 menetapkan kerangka

jarak jauh karena urutan inisialisasi yang berbeda. Penting untuk mengidentifikasi jenis ketergantungan dan interaksi tidak langsung ini di muka untuk

merancang dan mengembangkan perangkat lunak yang benar secara fungsional. Ketergantungan tidak langsung seperti itu sulit diekstraksi oleh non-
kerja yang mengikat setiap jenis pengujian ke dokumen desain atau
ahli dan mengingat kerumitan kendaraan modern Penting untuk mengidentifikasi jenis ketergantungan dan interaksi tidak langsung ini di muka untuk
persyaratan yang sesuai, tetapi menghadirkan tantangan terkait
merancang dan mengembangkan perangkat lunak yang benar secara fungsional. Ketergantungan tidak langsung seperti itu sulit diekstraksi oleh non-

ahli dan mengingat kerumitan kendaraan modern Penting untuk mengidentifikasi jenis ketergantungan dan interaksi tidak langsung ini di muka untuk

1https://www.ibm.com/products/requirements-management.
merancang dan mengembangkan perangkat lunak yang benar secara fungsional. Ketergantungan tidak langsung seperti itu sulit diekstraksi oleh non-ahli dan mengingat kerumitan kendaraan modern

2
D. Rajpathak, PM Peranandam dan S. Ramesh
desain baru. Selama tahap awal pengembangan sistem, sangat penting
untuk membuat dokumen persyaratan seakurat mungkin untuk
menangkap operasi fungsional perangkat lunak yang dimaksud karena
lebih mahal untuk memperbaiki kesalahan selama tahap
pengembangan selanjutnya (Kotonya dan Sommerville,1998). Matriks
ketertelusuran (Ramesh et al.,1997;Zowghi dan Gervasi,2003)
mengkorelasikan persyaratan yang berbeda untuk menentukan
hubungan kelengkapannya. Pertama, ini memberi perancang sistem
alat yang sangat berguna yang menyediakan tampilan lengkap sistem.
Kedua, matriks kebutuhan mendemonstrasikan bagaimana sistem
memenuhi kebutuhan pengguna dalam hal kebutuhan yang
dihubungkan satu sama lain selama desain, implementasi, dan validasi
(Ramesh et al., 1997;Palmer,1997;Zowghi dan Gervasi,2003). Dan
ketiga, ini menunjukkan bagaimana persyaratan sistem yang berbeda
terkait satu sama lain dengan cara yang tidak ambigu memfasilitasi
manajemen perubahan persyaratan yang mulus (Pohl,1997). Oleh
karena itu, jelas bahwa persyaratan yang saling terkait, yaitu
persyaratan yang menentukan sub-fitur fungsional atau yang mengacu
pada bagian umum, harus diperiksa konsistensinya. Sepele,
persyaratan yang saling terkait cenderung memiliki masalah
inkonsistensi tingkat tinggi dan yang dapat berkembang menjadi
masalah kelengkapan dan kebenaran fungsional.
Untuk mengatasi hambatan berbeda yang disebutkan dalam dua
paragraf sebelumnya, dalam proposal kami model kesamaan semantik
diusulkan untuk secara otomatis menghitung kesamaan semantik
antara persyaratan tekstual yang berbeda. Setiap dua persyaratan
dengan skor kesamaan di atas ambang tertentu (dihitung secara
empiris) dihubungkan satu sama lain. Akhirnya, persyaratan terkait
diwakili dalam matriks ketertelusuran yang konsisten untuk
meningkatkan konsistensi, kelengkapan persyaratan yang pada
gilirannya meningkatkan kebenaran. Dalam literatur, beberapa
pendekatan dibahas untuk mengekstrak hubungan antara persyaratan
dengan cara yang diformalkan (Egyed,2001;Kozlenkov dan Zisman,2002
;Borg dkk.,2003; Nentwich et al.,2003;Gnesi et al.,2005;Lormans dan
Deursen, 2005;Egyed,2006;Kamalrudin dkk.,2010;Pelabuhan et al.,2011;
Sultanov dkk.,2011;Noack,2013). Pendekatan ini menggunakan
beberapa teknik independen, seperti ketertelusuran, analisis semantik,
spesifikasi (semi-) formal, dan algoritma heuristik berdasarkan teknik
swarm bersama dengan teknik dari pengambilan informasi, seperti
Vector Space Model, Latent Semantic Indexing, probabilistic inference
network, Alokasi Dirichlet laten, indeks Jaccard, dan kesamaan Cosine.
Pendekatan kami memperluas persyaratan yang ada untuk
menghubungkan dan teknik ketertelusuran, dimana kami memformalkan
pengetahuan domain dalam ontologi domain. Model domain ini
memungkinkan kami untuk memberi tag dan menganotasi istilah teknis
penting yang disebutkan dalam dokumen persyaratan secara tepat. Dengan
demikian, kami hanya mempertimbangkan frasa teknis yang relevan saat
melakukan komputasiterm-toterm,tuple-to-tuple(untuk menangani frase
multi-istilah), dan akhirnya dokumen-ke-dokumenkesamaan semantik
antara dua persyaratan. Hal ini juga membantu mengurangi noise yang
biasa diamati dalam data teks (mis. menghentikan kata atau frasa non-
teknis). Kami membuat kontribusi kunci berikut melalui pekerjaan kami:
1. Pendekatan kami memfasilitasi penemuan otomatis tidak hanya
eksplisit, tetapi juga hubungan implisit antara persyaratan tekstual
yang tidak terstruktur bahkan ketika mereka berbagi sedikit atau
tidak ada informasi pada tingkat permukaan. Untuk menangani ini,
model kami mengumpulkan informasi konteks yang ada baik di
tingkat dokumen maupun di tingkat korpus, yang digunakan untuk
menghitung skor semantik.
2. Tidak seperti pendekatan yang ada (Gnesi et al.,2005;
Lormans dan Deursen,2005;Sultanov dkk.,2011) di mana
jumlah topik dari dokumen persyaratan ditentukan
berdasarkan beberapa heuristik atau oleh keahlian manusia,
tidak ada kendala yang diberlakukan dalam model kami.
3
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
Alih-alih, ontologi domain digunakan untuk mengidentifikasi frasa
teknis penting yang dilaporkan dalam dokumen persyaratan dan
digunakan untuk menghitung kesamaan semantik. Oleh karena itu,
dalam dokumen persyaratan baru jika persyaratan baru dilaporkan,
ontologi domain kami dapat ditambah tepat waktu untuk identifikasi
tepat waktu guna memastikan cakupan yang lengkap.
3. Model kesamaan kami memperluas model klasik, misalnya model
PMI-IR (Wu dan Palmer,1994;Turney,2002,2006), di mana kesamaan
antara dokumen persyaratan dihitung dari tiga ukuran. Pertama,
istilah unigram kritis dari dua persyaratan digunakan untuk
menghitungskor semantik term-to-term, sim (JangkaSaya, KetentuanJ),
maka frase multi-gram digunakan untuk menghitungskor semantik
tuple-totuple, sim(TupelSaya, TupelJ), dan akhirnya dua skor kesamaan
semantik sebelumnya digabungkan secara unik menjadi finalskor
semantik dokumen-ke-dokumen, sim(RSaya,RJ). Melalui percobaan
kami, kami telah menunjukkan bahwa ini membantu mengurangi
masalah utama, seperti ketidakkonsistenan, ketidaklengkapan,
ambiguitas, dan kompleksitas. Selain itu, karena persyaratan yang
ditautkan diberi peringkat untuk memiliki hubungan ''Tinggi'',
''Rendah'', dan ''Tidak'' satu sama lain, ini meningkatkan penerapan
praktis dari matriks penghubung persyaratan. Pengguna akhir dapat
dengan cepat memusatkan perhatian mereka pada persyaratan yang
memiliki kesamaan "Tinggi" satu sama lain.
4. Dari perspektif teknik, upaya terbatas diinvestasikan dalam literatur
untuk mengembangkan matriks penghubung persyaratan kerja
dalam domain otomotif. Melalui pekerjaan kami, kami menjembatani
kesenjangan ini yang membantu mengurangi masalah mengubah
persyaratan yang tidak terstruktur menjadi matriks formal dan
terstruktur dengan ukuran yang dapat dikelola. Karena matriks
ketertelusuran persyaratan formal mengurangi ukuran data yang
berlebihan, ini membantu mengurangi waktu yang diperlukan untuk
menganalisis persyaratan heterogen untuk mengidentifikasi jumlah
total persyaratan yang saling bertentangan.
Sisa kertas diuraikan sebagai berikut: di Bagian2, kami menyajikan
keadaan seni yang relevan. Di bagian3, kami memformalkan pernyataan
masalah kami dan kemudian menyajikan langkah-langkah berbeda yang
terlibat dalam pendekatan kami. Di bagian4, pertama kami menjelaskan
ontologi domain (Bagian4.1), yang digunakan untuk membubuhi keterangan
istilah kunci yang dilaporkan dalam dokumen persyaratan dan kemudian di
Bagian4.2kami menjelaskan berbagai langkah pembersihan data untuk
mengurangi kebisingan. Di bagian5, kami membahas secara rinci model
kami dan menunjukkan bagaimana kesamaan semantik antara dua
dokumen persyaratan dihitung untuk diformalkan dalam matriks penautan
persyaratan terstruktur. Di bagian6, kami mengevaluasi kinerja pendekatan
kami melalui serangkaian percobaan. Lebih penting lagi, kami mengevaluasi
kebenaran dan keakuratan matriks penautan persyaratan dan
mendiskusikan keuntungan utama dari proposal matriks penautan
persyaratan otomatis. Terakhir, di Bagian7kami menyimpulkan makalah
kami dengan menyoroti temuan utama.
2. Tinjauan literatur
Dokumen persyaratan kehidupan nyata terdiri dari beberapa
persyaratan yang saling terkait membuat pemodelan manual atau penataan
sistematisnya menjadi tugas yang membosankan untuk pemeriksaan
konsistensi dan kelengkapan (Ramesh et al.,1997;Zowghi dan Gervasi,2003).
Untuk mengatasi keterbatasan ini beberapa teknik, seperti ketertelusuran,
analisis semantik, spesifikasi formal, spesifikasi semi-formal, dan algoritma
heuristik diusulkan pertama untuk mengekstrak dan kedua untuk
menghubungkan kebutuhan yang berbeda dengan cara formal untuk
mencapai konsistensi yang tinggi.Egyed,2001;Kozlenkov dan Zisman,2002;
Borg dkk.,2003;Nentwich et al.,2003;Gnesi et al.,2005;Lormans dan Deursen,
2005;Egyed,2006;Kamalrudin dkk.,2010;Pelabuhan et al., 2011;Sultanov dkk.,
2011;Noack,2013;Wang dkk.,2018).
D. Rajpathak, PM Peranandam dan S. Ramesh
Di dalamPelabuhan et al.(2011), penambangan teks digunakan untuk
membangun matriks ketertelusuran. Hubungan banyak-ke-banyak antara
persyaratan fungsional dan non-fungsional diatur untuk menentukan
kebenaran dan kelengkapannya. Di dalamLormans dan Deursen(2005),
kesamaan (yakni persyaratan ditelusuri satu sama lain) dan perbedaan
(yakni persyaratan tidak ditelusuri satu sama lain) skor antara persyaratan
dihitung. Di sini, Latent Semantic Indexing (LSI) dengan Cosine Similarity
digunakan untuk mengukur kesamaan antara kebutuhan yang berbeda.
Pada baris yang sama, diGnesi et al.(2005), pengertian Latent Semantic
Analysis (LSA) (Deerwester dkk.,1990) dieksploitasi dan mereka telah
menunjukkan hasil yang menjanjikan. Model LSA didasarkan pada
Dekomposisi Nilai Singular untuk menurunkan struktur semantik laten ke
dalam matriks istilah per dokumen. Model mengidentifikasi hubungan
antara persyaratan dan desain bersama dengan hubungan antara
persyaratan dan pengujian. Performa model telah diuji pada kumpulan data
dengan ukuran berbeda. Ketepatan tertinggi 0,69 dilaporkan di antara
semua studi kasus dengan skor ingatan tertinggi 0,89. Dalam domain kami,
kami mengamati bahwa representasi LSA yang padat menyulitkan
pengindeksan berdasarkan dimensi individu dan menghasilkan kesuksesan
yang terbatas. Secara umum, dimensi topik laten tidak dapat dipilih ke
angka arbitrer, tetapi bergantung pada peringkat matriks. Keterbatasan
utama dari pendekatan ini adalah bahwa model tidak dapat dibaca oleh
manusia, dan proses debugnya hanya dimungkinkan dengan menemukan
kata yang mirip untuk setiap kata di ruang laten. Selain itu, penentuan
jumlah topik didasarkan pada heuristik dan membutuhkan pemahaman
yang mendalam tentang suatu domain. Terakhir, ukuran Kesamaan Kosinus
dalam pendekatan mereka mengasumsikan bahwa frase dalam dua
persyaratan memiliki tingkat tumpang tindih tertentu satu sama lain dalam
representasi permukaannya. Di domain kami, tidak dapat dijamin memiliki
jenis tumpang tindih antara dua persyaratan karena kami tidak
menyediakan kosakata standar apa pun untuk menghasilkan persyaratan.
Oleh karena itu, model kesamaan semantik kami harus mengatasi kasus
ketika ada istilah yang terbatas atau tidak ada tumpang tindih dalam dua
persyaratan. Dalam kedua kasus tersebut, model perlu menghitung
kesamaan antara kebutuhan dengan akurasi yang tinggi.
Pendekatan ketertelusuran dengan kemampuan visualisasi
diusulkan (Kamalrudin dkk.,2010) dalam alat penelusuran otomatis
yang ringan untuk melakukan pemeriksaan ketidakkonsistenan antara
persyaratan tekstual. Di dalamEgyed(2001), pemeriksaan konsistensi
aktif dan pasif tercakup, di mana persyaratan diterjemahkan ke dalam
diagram bahasa pemodelan terpadu (UML) untuk interpretasi formal
mereka (Egyed,2006;Nentwich et al.,2003) untuk perbandingannya.
Pengecekan konsistensi spesifikasi desain yang ditulis dalam bahasa
alami dilakukan dengan menggunakan pendekatan berbasis
pengetahuan. Spesifikasi desain direpresentasikan sebagai model UML
dengan persyaratan fungsionalnya. Tujuan diwakili dalam hal
pernyataan aksiomatik.
Pendekatan yang diusulkan olehKozlenkov dan Zisman(2002)
mengidentifikasi inkonsistensi yang diamati dalam model desain dan
digunakan untuk menentukan aturan konsistensi. Aturan dapat
dimodifikasi tanpa harus melakukan anotasi khusus, namun aturan
diperlakukan sebagai kotak hitam. Perilaku aturan hanya dapat diamati
selama evaluasi mereka.
Di dalamFarfeleder dkk.(2011), ontologi domain digunakan untuk
memformalkan persyaratan yang ditangkap dalam bahasa alami untuk
memastikan konsistensi, kelengkapan, dan kebenarannya. Untuk mengatasi
proses manual formalisasi persyaratan yang rawan kesalahan, sebuah alat
bernama DODT diusulkan. Ini mengubah persyaratan tekstual menjadi
persyaratan semi formal dengan menggunakan ontologi domain. DODT
juga memfasilitasi pengkategorian persyaratan ke dalam kluster yang
relevan berdasarkan subset yang ditentukan pengguna, mengelola konflik
persyaratan, dan melakukan pelacakan persyaratan.
Dalam dekade terakhir ini, berbagai teknik dalam pencarian
informasi digunakan untuk menghubungkan dan menguji persyaratan.
Secara khusus, model tiga lapis diusulkan olehNoack(2013) di mana
4
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
modul DOORS digunakan. Di lapisan pertama, tautan antara kasus uji
dilacak, di lapisan kedua mekanisme filter yang rumit diterapkan, dan
terakhir dalam penalaran berbasis kasus digunakan untuk menentukan
kasus di mana tautan uji dapat diambil untuk digunakan kembali. di
lapisan ketiga. Di dalamBorg dkk.(2014), model pengambilan informasi
probabilistik digunakan untuk melacak pemulihan dan untuk
menghitung dan memberi peringkat skor sebagai probabilitas antara
dokumen persyaratan dan kode sumber yang dihasilkan. Ukuran
evaluasi yang berbeda dibahas untuk mengevaluasi kinerja model. Di
dalamMarcus dan Maletic(2003), model LSI probabilistik diusulkan
untuk secara otomatis mengidentifikasi tautan ketertelusuran dari
dokumentasi sistem ke kode sumber program. Akhirnya, langkah-
langkah evaluasi yang berbeda dibahas dalamParvathy et al.(2008) Dan
Dekhtyar dkk.(2007) untuk mengevaluasi matriks ketertelusuran.
Semua pendekatan yang dibahas di sini sangat penting dalam
mengidentifikasi hubungan antar dokumen, ketergantungan dokumen,
dan konsolidasi dokumen dengan pengambilan persyaratan yang
terkait dengan artefak. Dipahami secara umum, istilah dalam dokumen
persyaratan diambil dan digunakan untuk mewakili dokumen baik
sebagai kumpulan kata atau sebagai vektor dalam ruang dimensi
tinggi, atau sebagai variabel stokastik. Langkah-langkah pembobotan
istilah yang berbeda ditambah dengan langkah-langkah kesamaan
semantik, seperti divergensi Jensen-Shannon (Manning dkk.,2008),
kesamaan kosinus (Manning dkk.,2008), dan jarak Jaccard (Manning
dkk.,2008) digunakan untuk membandingkan kesamaan antara
ketertelusuran persyaratan (Abadi dkk.,2008). Dibandingkan dengan
pendekatan ini, dalam pendekatan kami ontologi domain formal
digunakan untuk mengidentifikasi frase multi-istilah kritis dari
dokumen persyaratan yang berbeda. Dan seperti yang ditunjukkan di
Rajpathak dan Singh(2014), ekstraksi informasi dengan bantuan
pengetahuan domain membangun hubungan yang lebih baik antara
dokumen yang relevan bila dibandingkan dengan model, misalnya
model LDA, yang membangunβDanM×kmatriks. Juga, dibandingkan
dengan langkah-langkah kesamaan semantik dasar yang dilaporkan
sebelumnya, dalam pendekatan kami model kesamaan semantik
hierarkis diusulkan untuk menghitung kesamaan antara dua
persyaratan. Dalam model kami, kesamaan semantik dihitung dalam
halskor semantik term-to-term, sim (JangkaSaya, KetentuanJ),skor
semantik tuple-to-tuple, sim(TupelSaya, TupelJ), dan kedua skor ini
digabungkan menjadi skor semantik dokumen-ke-dokumen, sim(RSaya,
RJ) untuk menghitung kesamaan semantik antara dua persyaratan.
Di dalamWang dkk.(2018), sebuah metode baru berdasarkan jaringan syaraf
tiruan (JST) diperkenalkan untuk meningkatkan kemampuan menyelesaikan
masalah polisemik secara otomatis.2ketentuan. Secara khusus, jaringan saraf
feedforward dibangun yang memanfaatkan coreference dengan skor tertinggi
suatu istilah dalam persyaratan yang berbeda. Ini membantu untuk mempelajari
apakah suatu istilah memiliki arti yang sama dalam persyaratan yang berbeda.
Model peringkat cluster-pair diusulkan untuk mendeteksi koreferensi istilah.
Istilah, katakanlah 't' dan koreferensi skor tertingginya dalam dua persyaratan,
katakanlah rSayadan rJdihasilkan melalui lapisan penyatuan dan jaringan saraf
lapisan tunggal dilatih. Dalam kasus, di mana outputnya salah, matriks term-by-
requirement diperbarui dengan memisahkan kolom 't' menjadi dua kolom yang
berbeda. Pendekatan pemulihan jejak tautan berbasis pengambilan informasi
digunakan untuk menghitung kesamaan pasangan persyaratan dengan
menggunakan matriks term-per-persyaratan yang diperbarui.
Akhirnya, diMahmud dan Niu(2015) manfaat potensial menggunakan
semantik bahasa alami telah diselidiki dalam pengambilan tautan
ketertelusuran otomatis. Para penulis telah menyelidiki spektrum yang luas
dari metode pencarian informasi berdasarkan informasi semantik. Beberapa
metode utama termasuk, pengindeksan semantik laten (Deerwester dkk.,
1990), model ruang vektor (Rosario, 2000), alokasi Dirichlet laten (Blei et al.,
2003), ruang vektor
2 Polisemi mengacu pada koeksistensi beberapa makna untuk suatu istilah yang dilaporkan
dalam dokumen persyaratan yang berbeda.
D. Rajpathak, PM Peranandam dan S. Ramesh
model dengan dukungan tesaurus (Huffman-Hayes dkk.,2003),
menormalkan jarak Google (Cilibrasi dan Vitanyi,2007), analisis
semantik eksplisit (Gabrilovich dan Markovitch,2007), dan model ruang
vektor berkemampuan partof-speech (Capobianco dkk.,2013). Metode
ini dipilih karena kesesuaiannya dalam menangkap dan menyajikan
tautan ketertelusuran persyaratan dalam sistem perangkat lunak.
Kami juga meninjau teknik relevan yang diusulkan dalam literatur
terkait kesamaan semantik untuk membandingkan dokumen teks.
Teknik-teknik ini secara luas diklasifikasikan ke dalam — pengindeksan
semantik laten (LSI) (Deerwester et al. 1999), point-wise mutual
information (PMI) (Turney,2001), representasi semantik berbasis
korpus (Riloff dan Gembala,1997;Mihalcea et al.,2006), dan pengukuran
berbasis struktur ontologi (Rada et al.,1989;Roark dan Charniak, 1998;
Leacock dan Chodorow,1998;Li dkk.,2003). Dalam LSI (Deerwester et al.
1999), dokumen secara otomatis diindeks dan diambil kembali dengan
menganalisis hubungan antar dokumen berdasarkan istilah yang
terkandung di dalamnya. Matriks dokumen istilah mewakili
kemunculan kata-kata dalam teks dan dekomposisi nilai singular
mengurangi jumlah kolom dengan mempertahankan struktur baris
semantik. Di LSI, hanya kata istilah tunggal yang digunakan selama
konstruksi matriks dokumen istilah, sedangkan dalam pendekatan
kami, kata istilah tunggal dan multi istilah digunakan sebagai fitur
utama untuk menghitung kemiripan dokumen. Dalam pendekatan
kami, kami juga mempertimbangkan informasi konteks tingkat
dokumen dan korpus untuk dihitungistilah ke istilah,tuple-to-tuple, Dan
dokumen-ke-dokumenskor kesamaan semantik.
Dalam model PMI (Turney,2001), gagasan tentang kejadian
bersama antara dua frasa teks, katakanlahfrasaSayaDanfrasaJdihitung
dalam hal produk probabilitas co-kejadian mereka. Kedua tindakan
tersebut, sepertikesamaan atribusiDankesamaan relasional(Wu dan
Palmer,1994;Turney,2002) digunakan untuk menentukan kesamaan
antara dua frase. Dalam kesamaan atribusi,frasaSayaDanfrasaJdikatakan
mirip satu sama lain jika mereka berbagi seperangkat sifat yang sama.
Dalam kesamaan relasional, kesamaan antara pasangan dua kata yang
terkait dengan frasa ini, katakanlahfrasaSaya= (wSaya, wJ) DanfrasaJ= (wk,
wM) dianggap berdasarkan tingkat korespondensi antarafrasaSayaDan
frasaJ. Dibandingkan dengan (Turney,2001) di mana kesamaan dihitung
dengan menggunakan frasa kata tunggal, model kami memperluasnya
dengan membangun frasa multi-istilah. Model kami juga berhasil
menangani ketersebaran data sambil menghitung kesamaan n-gram
orde tinggi, misalnya tiga-empat-lima gram.
Gagasan utama di balik menghitung kesamaan semantik dengan
menggunakan model berbasis korpus (Riloff dan Gembala,1997;
Mihalcea et al.,2006) adalah untuk mengkarakterisasi makna ekspresi
linguistik dalam hal Model Semantik Distribusi (DSM). Model DSM
bergantung pada hipotesis distribusi sambil menghitung kesamaan
dalam halkesamaan atribusidankesamaan relasional(Wu dan Palmer,
1994;Turney,2002). Distribusi data diwakili oleh hubungan yang terjadi
secara tidak terstruktur antara elemen dan konteks, di mana konteks
didefinisikan sebagai kolokasi leksikal dengan jarak tertentu dari
sebuah kata. Keterbatasan utama dari model ini adalah bahwa ia
mengabaikan struktur linguistik sambil menghitung kejadian bersama
di antara kata-kata. Hal ini mengarah pada membangun asosiasi yang
salah antara kata-kata hanya karena kata-kata tersebut muncul
berdekatan satu sama lain di jendela kata dengan ukuran tertentu.
Misalnya, dalam cuplikan teks ''Baterai diganti untuk kendaraan mati'',
kata ''diganti'' salah diasosiasikan dengan 'kendaraan' hanya karena
muncul di jendela kata. Dalam model kami, ontologi domain bersama
dengan probabilitas kejadian bersama membantu kami membuang
asosiasi istilah yang tidak relevan.
Dalam pengukuran berbasis struktur-ontologi, kemiripan antar
frase yang berbeda dihitung berdasarkan konsep dan relasi yang
diformalkan dalam ontologi. Dalam model seperti itu, jika kata-
kata dengan label semantik yang sama ditemukan di a
5
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
hirarki ontologi yang sama maka dikatakan mirip satu sama lain. Di dalam
Rada et al.(1989), bootstrapping digunakan untuk membangun leksikon
semantik dengan menggunakan informasi konteks dengan satu kata benda
di kiri dan kanan kata benda kepala.Roark dan Charniak(1998) memperluas
pendekatan dengan mencari kata-kata yang muncul bersamaan dalam
formasi sintaksis. Akhirnya, perubahan besar dalam penelitian ini diusulkan
olehBiemann et al.(2004), di mana sumber daya leksikal-semantik dibangun
dengan menggunakan statistik kejadian bersama berbasis kalimat. Di dalam
Mohammad dan Hirst(2012), beberapa ukuran distribusi jarak semantik
ditinjau, seperti milik WordNet3pendekatan berbasis jaringan semantik
(yaitu penghitungan tepi), subsumer umum terendah, dan pendekatan
berbasis kamus untuk membandingkan kata target dengan kata
konteksnya. Di dalam Budanitsky dan Hirst(2006), langkah-langkah yang
berbeda, misalnya pendekatan berbasis kamus, tesauri terstruktur Roget,
WordNet dan jaringan semantik lainnya, panjang jalur taksonomi,
penskalaan jaringan dievaluasi berdasarkan jarak semantik. Di dalam
Patwardhan et al. (2003), Algoritma Lesk yang Diadaptasi (Banerjee dan
Pedersen, 2002) diperluas di mana ontologi digunakan untuk menghasilkan
pasangan kata. Di dalamHarispe dkk.(2014), sebuah studi ekstensif tentang
berbagai ukuran kesamaan semantik berbasis ontologi, seperti pendekatan
berbasis tepi, pendekatan berbasis simpul (misalnya strategi berbasis fitur,
strategi berbasis teori informasi), dan pendekatan hibrid dilakukan.
Kerangka pemersatu umum untuk kesamaan semantik berbasis ontologi
juga dibahas.
Dibandingkan dengan pendekatan ini, dalam pendekatan kami, kami
awalnya menggunakan ontologi domain untuk menandai istilah teknis
utama dan kemudian mendokumentasikan dan informasi konteks tingkat
korpus dikumpulkan. Vektor dibangun menggunakan informasi konteks
untuk menghitung skor kesamaan semantik hierarkis, seperti termto-term,
tuple-to-tuple, dan document-to-document. Akhirnya, dalam literatur yang
ada ada pekerjaan terbatas yang menggabungkan langkah-langkah
semantik antara dokumen persyaratan untuk membangun matriks
penghubung persyaratan operasional. Melalui pekerjaan kami, kami
menjembatani kesenjangan ini dengan menunjukkan bagaimana matriks
penghubung persyaratan operasional dapat dibangun untuk
membandingkan data persyaratan skala industri.
3. Rumusan masalah dan metodologi
Kami membingkai masalah persyaratan yang menghubungkan dalam
hal kesamaan komputasi antara dua persyaratan yang ditentukan baik di
dalam atau di seluruh dokumen persyaratan. Secara formal, kami
mendefinisikan tugas kesamaan semantik dalam hal fungsi yang
ditunjukkan pada Persamaan.(1):
σ k = R k × R k →R + (1)
Di mana,
Rkadalah himpunan elemen tipekDank∈KDanKterdiri dari
elemen yang berbeda, yang dapat dibandingkan sehubungan
dengan semantiknya danK =kata, frase, konteks, part of speech,
dll.
Sejalan dengan definisi yang diberikan dalam Persamaan.(1), kami juga
mempertimbangkan dua ukuran penting, yaitu Jarak dan Kesamaan, yang
memungkinkan ukuran kesamaan antara persyaratan.
Definisi.AJarak,D,adalah fungsi yang mewakili domain elemen,
yaitu persyaratan untuk membandingkan,dist:D×D→
V,Di manaVadalah jarak padaDjika∀Reqi, Req
J
∈D.ItuJarak,Dmemiliki
tiga sifat sebagai berikut:
• Non-negatif,dist(PersyaratanSaya,PersyaratanJ)⪯0V
• Simetris,dist(PersyaratanSaya,PersyaratanJ) =dist(PersyaratanJ,PersyaratanSaya)
3https://wordnet.princeton.edu/download.
D. Rajpathak, PM Peranandam dan S. Ramesh
Gambar 2.Langkah-langkah berbeda yang terlibat dalam model kesamaan semantik hierarkis.
• Refleksif,dist(PersyaratanSaya,PersyaratanSaya) = 0VDan∀Persyaratan∈D∧PersyaratanJ̸=PersyaratanSaya
J
:dist(PersyaratanSaya,PersyaratanSaya)≺dist(PersyaratanSaya,PersyaratanJ)
Definisi.AKesamaan, adalah fungsi,sim:D×D→V,
Di manaVadalah jarak dihitung berdasarkanD,jika∀Reqi, Req ∈
D.Fungsisimmematuhi sifat yang sama terkait denganD,
yaitu Non-negatif, Simetris, dan Refleksiv(e. Kami berlari)k itusim ke dalam
tiga kategori berikut ini:1.(sim R(persamaanSaya,PersyaratanJ ) =TinggiV),
Dan∀Ulang(qi,Reqj
)
∈D∧PersyaratanSaya̸=PersyaratanJDanPersyaratan simSaya,PersyaratanJ
2.(sim(PersyaratanSaya,PersyaratanJ) =LowV),Dan∀Reqi,(Persyaratan
J
∈D)∧PersyaratanSaya̸=PersyaratanJ
DanPersyaratan simSaya,PersyaratanJ > Θ2, Dan3.(S(im ReqSaya,R)persamaanJ
∀Reqi , Reqj ∈D∧PersyaratanSaya̸=PersyaratanJDanPersyaratan simSaya,PersyaratanJ> Θ3, Di manaΘ 1
(lebih besar dari 0,92),Θ2(kurang dari 0,92 tetapi lebih besar dari atau sama
dengan 0,65), danΘ3(kurang dari 0,65). Nilai ambang dariΘ1,Θ2, Dan
Θ3ditentukan murni secara empiris. Akhirnya(, ketiga) peristiwa kesamaan,(yaitu (sim R)
persamaanSaya,PersyaratanJ=TinggiV)∩ (Persyaratan simSaya,PersyaratanJ=LowV)
∩ (Persyaratan simSaya,PersyaratanJ=TIDAKV) =φ.
Di dalamGambar 2, kami menunjukkan berbagai langkah yang terlibat dalam
pendekatan kami untuk membuat matriks penghubung persyaratan dari dokumen
persyaratan mentah.
Dalam model kami, proses dimulai dengan sekumpulan dokumen
persyaratan yang dikumpulkan dari berbagai sumber. Selama langkah,'
Identifikasi istilah-istilah penting dari setiap dokumen persyaratan'kami
menggunakan ontologi domain untuk mengidentifikasi istilah teknis
penting (juga disebut sebagai n-gram) yang ditentukan dalam setiap
dokumen persyaratan. Secara khusus, contoh konsep dalam ontologi
khusus domain4digunakan untuk mencocokkan istilah teknis kritis.
Misalnya, kelas ontologi domain, 'Modul' mungkin memiliki contoh,
seperti 'modul kontrol mesin', 'modul kontrol tangki bahan bakar', dll.
dan contoh konsep tersebut digunakan untuk menandai istilah dalam
dokumen persyaratan. Setelah mengidentifikasi istilah-istilah teknis,
pada langkah'Tandai n-gram penting dengan tag part-of-speech yang
sesuai'frekuensi yang dinormalisasi dari setiap istilah teknis dihitung
pada tingkat korpus. Istilah teknis dengan frekuensi normalisasi tinggi
disimpan sebagai istilah kritis dan tag part-of-speech diberikan
padanya, misalnya engine/NN control/NN module/NN has/VBZ
internal/JJ short/JJ.5Dalam langkahnya,'Estimasi probabilitas dari
4 Ontologi khusus domain ditambah secara berkala untuk memastikan istilah baru
dipelajari dari data dan untuk menghindari keusangan ontologi domain.
5 Pembaca yang tertarik dapat menemukan daftar tag part of speech di sini:https://
www. ling.upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html.
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
tag n-gram, p (pos-tagSaya|n-gramSaya)', probabilitas n-gram, katakanlah n-
gramSayamemiliki tag part-of-speech tertentu, katakanlah post-tagSayadalam
dokumen persyaratan diperkirakan. Ini membantu untuk membangun
hubungan yang benar antara n-gramSayadan post-tagnyaSaya. Semua n-gram
J kritis digunakan, dan informasi konteks yang terkait dengannya
dikumpulkan dalam langkah,'Kumpulkan informasi konteks'. Informasi
konteks dikumpulkan dari bidang kata demi kata yang dikumpulkan di'Data
lapangan'basis data. Model kesamaan semantik kami terdiri dari
> Θ1, dalam langkah'Mesin Kemiripan Semantik Berbasis Dokumen', yang
digunakan untuk membandingkan dua persyaratan dan
=TIDAKV),Dan memformalkannya menjadi model penautan persyaratan. Informasi
konteks dihitung terlebih dahulu pada tingkat dokumen dan kemudian
pada tingkat korpus. Kami adalah model kesamaan semantik hierarkis.
Dalam model ini, awalnya kesamaan dihitung antara istilah yang
diidentifikasi dari dua dokumen persyaratan, disebut sebagaiskor
semantik term-toterm, ucapkan sim(TermSaya, KetentuanJ). Setelah
menghitung kemiripan antar suku unigram, selanjutnya persamaan
antara frase n-gram (yaitu yang terdiri dari banyak suku) dihitung dan
disebut sebagaiskor semantik tuple-to-tuple, ucapkan sim(TupleSaya,
TupelJ). Akhirnya,istilah ke istilahDantuple-to-tuple skor kesamaan
semantik digabungkan untuk menghitung skor kesamaan semantik
tingkat dokumen, katakanlahskor semantik dokumen-ke-dokumen,
katakan sim(RSaya,RJ). Skor kesamaan semantik tingkat dokumen
menentukan apakah ada dua persyaratan yang dapat dihubungkan
satu sama lain. Skor kesamaan semantik digunakan untuk mengatur
tautan mereka menjadi ''Tinggi'', ''Rendah'', atau memiliki tautan
''Tidak'' satu sama lain. Pada langkah, 'Matriks Penautan Persyaratan',
matriks penautan persyaratan dihasilkan sebagai output di mana baris
mewakili persyaratan yang berbeda dan kolom menunjukkan apakah
persyaratan terkait satu sama lain.
4. Model kesamaan semantik berbasis dokumen untuk menghasilkan matriks
penghubung kebutuhan
Pada bagian ini, kami membahas berbagai komponen yang disertakan
dalam model kami yang digunakan untuk merekayasa matriks penghubung
persyaratan secara detail. Pertama, kita membahas ontologi domain, yang
digunakan untuk menandai istilah kritis yang dilaporkan dalam data.
Kemudian, datapreprocessing dibahas secara rinci yang digunakan untuk
membersihkan noise yang diamati pada data. Akhirnya, model kesamaan
semantik hirarkis dibahas secara rinci.
6
D. Rajpathak, PM Peranandam dan S. Ramesh
4.1. ontologi spesifik domain
Ontologi domain dibangun dengan mempelajari instance kelas dari
kumpulan dokumen persyaratan. Kerangka/Skema Deskripsi Sumber Daya
(RDF/S6) digunakan untuk memformalkan ontologi yang diekstraksi. Melalui
langkah-langkah yang diberikan di bawah ini, kami menjelaskan proses
untuk membangun sebuah ontologi dan informasi yang lebih rinci dapat
ditemukan di (Rajpathak,2013).
Langkah 1.Untuk melatih model pembelajaran ontologi, kami memilih
secara acak 95.000 dokumen persyaratan sebagai dataset pelatihan. Dataset
pelatihan terdiri dari berbagai jenis karakter khusus seperti yang
ditunjukkan berikut: (\"- -.,<\\ =@ !''/''#/&%>#+?:;'_- +\\s* ).Karakter khusus ini
dihilangkan untuk mengurangi noise pada data dan pada akhirnya
mengurangi dimensi data yang tidak diinginkan.
Langkah 2.Setelah dokumen persyaratan dibersihkan, setiap
dokumen persyaratan diubah menjadi unigram dan tag POS
diberikan ke setiap unigram, misalnya headlamp/NNP bulb/NNP
ditiup/NNP. Untuk menetapkan tag POS, kami menggunakan
tagger part-of-speech Stanford (Ratnaparkhi,1996;Toutanova dan
Manning,2000). Dalam data kami, panjang frase kritis merentang
dari satu suku ke lima suku dan, oleh karena itu, setiap dokumen
persyaratan diubah menjadi n-gram dengan panjang 1–5 n-gram
panjang, misalnya baterai/NN, lampu depan/NNP /NNP, mesin/
kontrol NN/modul NN/NN, dan seterusnya. Untuk memastikan
bahwa n-gram yang paling benar diberi label kelas yang benar,
misalnya bagian, gejala, hanya n-gram terpanjang yang diberi label
kelas teknis, dan semua substringnya diberi label non-teknis.
Misalnya, jika n-gram, misalnya engine/NN control/NN module/NN
ditetapkan sebagai label kelas teknis, maka sub-gramnya, seperti
engine/NN, control/NN, module/NN, engine/NN control/NN, dan
modul control/NN/NN ditetapkan dengan label kelas non-teknis.
Penting untuk diingat bahwa dalam satu dokumen n-gram
tertentu, misalnya engine/NN,
Langkah 3.Mengingat skala data dunia nyata, penting untuk
mengidentifikasi hanya n-gram penting dari data (yang paling relevan dalam
ruang teknologi). Kekritisan setiap n-gram ditentukan dengan
memperkirakan probabilitasnya. Setiap n-gram diperlakukan sebagai kueri,
katakanlahQlebih dari satu set dokumen dalam korpus, katakanlahD. Sambil
memperkirakan probabilitas, kami berasumsi bahwa semua kueri n-gram, Q
dihasilkan secara independen dari data dan Persamaan.(2)digunakan untuk
memperkirakan probabilitas.
∏ tertentu, misalnya 'mesin sedang berjalan,
p (q|D)≈ P(w|D)
w∈Q
Di mana,
P(w|D) mewakili n-gram (w) probabilitas untuk dokumenD. N-
gram dengan probabilitasnya di atas ambang spesifik 0,87
(ditentukan secara empiris) diperlakukan sebagai yang kritis.
Langkah 4.Setelah mengidentifikasi n-gram kritis, model kami
mengkategorikan pola POS yang secara unik terkait dengan setiap
label kelas, yaitubagian POS, itugejala POS, ituPOS tindakan, danPOS
kondisi awal. Instance kelas dalam ontologi domain digunakan untuk
menandai istilah bagian, gejala, tindakan, dan prasyarat dalam data.
Seperangkat pola POS yang secara unik dikaitkan dengan instance
kelas ini dan probabilitasnya ditangkap sedemikian rupa sehingga
dapat digunakan untuk menandai data yang tidak terlihat. Dalam kasus
di mana pola POS terkait dengan dua kelas yang berbeda, misalnya
bagian dan gejala, atau gejala dan prasyarat, atau gejala dan tindakan,
atau gejala dan prasyarat, atau tindakan dan
6 RDFS adalah standar World Wide Web Consortium (W3C) untuk spesifikasi model
data Meta.
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
prasyarat, penting untuk menentukan asosiasi yang paling relevan. Untuk
mengerem dasi, kemungkinan POS p(attern, katakanlahP)OSHaiayerlap
diperkirakan dengan jenis istilah yang berbeda, katakanlahP .k|POSHaiayerlap,
Di mana.kmewakili jenis istilah yang tumpang tindih, yaituBagianSaya,Gejala
Saya,TindakanSaya, atauPrasyaratSaya. Melalui Persamaan.(3)–(5) perhitungan
probabilitas pola POS yang tumpang tindih saat dikaitkan denganBagianSaya
ditampilkan. Perhitungan probabilitas kasus lain, seperti p(SymptomJ|POS
tumpang tindih), p(AksiM|POStumpang tindih), atau p(PrekondisiN|POStumpang tindih)
dapat direalisasikan pada baris yang sama.
( ) P(BagianSaya∩POS Haiayerlap)
P BagianSaya|POSHaiayerlap = (3)
P(POSHaiayerlap)
( )( )
P BagianSaya|POSHaiayerlap =P BagianSaya|POSHaiayerlap p (BagianSaya)
( )
=P BagianSaya|POSHaiayerlap P(POSHaiayerlap) (4)
P(BagianSaya∩POS Haiayerlap)
P(POSHaiayerlap|BagianSaya) = (5)
P(BagianSaya)
Pola POS dengan skor probabilitas tertinggi terkait dengan kelas
tertentu dianggap sebagai keanggotaan label kelas yang paling
mungkin dari pola POS yang tumpang tindih.
Di dalamXu dkk.(2020),Rajpathak et al.(2020) kita membahas secara
detail bagaimana machine learning classifier dilatih untuk mengekstraksi
dan mengklasifikasikan istilah teknis dan non-teknis dalam data dan
menetapkan label kelas yang paling spesifik, misalnya bagian, gejala.
Pengklasifikasi memungkinkan kita untuk secara otomatis mempelajari
instance kelas baru dari data untuk augmentasi waktu ontologi domain.
Ontologi yang baru diekstraksi memiliki struktur sebagai berikut: Reqke = (C
Saya, Csubkelas, Rci→cj, SAYACi). Struktur kelas keseluruhan ontologi domain
ditunjukkan padaGambar 3.
CSayamewakili konsep kunci yang diamati dalam dokumen
persyaratan, yaitu Bagian, Gejala, Tindakan,Dan
Prasyarat.KonsepBagiandigunakan memformalkan berbagai modul,
submodul, sistem, subsistem, dan hingga ke komponen individual yang
terlibat dalam arsitektur kendaraan. KonsepGejaladigunakan
memformalkan berbagai gejala kesalahan yang diamati pada saat terjadi
kesalahan. Gagasan gejala sangat penting karena memberikan petunjuk
yang diperlukan untuk mengambil tindakan korektif yang tepat. Konsep
Tindakandigunakan untuk memformalkan berbagai tindakan korektif yang
dilakukan untuk memperbaiki perilaku sistem yang salah. Terakhir, konsep
Prasyaratdigunakan untuk memformalkan kondisi berbeda yang
disebutkan dalam dokumen persyaratan agar benar untuk persyaratan
(2) dan pintu pengemudi tidak terbuka'. Di domain kami, kelas-subkelas
hirarki, katakanlah Csubkelasdigunakan untuk memformalkan
konsep generik dan spesifik. Dalam hierarki kelas-subkelas, konsep
tingkat atas mewakili sekumpulan konsep umum misalnyaGejala,
sedangkan konsep spesifik diformalkan oleh subclass, sepertiob-
servable_symptomDannon_observable_symptom.Kami memper-
ada konsep spesialisasigejala_yang dapat diamatike dalam gejala teks,
misalnya kebocoran, kemacetan kendaraan dan gejala kode kesalahan
kesalahan, misalnya P0300. Hubungan binerRci→cjmemungkinkan kita untuk
memformalkan bagaimana dua konsep dikaitkan satu sama lain. Secara
khusus, hubungannyafaultFixedBy(BagianSayaGejalaJ)menyatakan bahwa
ada bagian dan gejala yang terkait dengan bagian dalam hal kesalahan atau
kegagalan. Terakhir, contoh ICidigunakan untuk mewakili objek atom
spesifik domain yang dilaporkan dalam dokumen. Contoh-contoh ini
diekstraksi dari data (oleh pengklasifikasi) dan digunakan untuk memberi
contoh konsep yang berbeda dalam ontologi domain. Misalnya konsep
Gejaladapat dipakai dengan contoh-contohnya, seperti 'Sistem Mengunci
Semua
Pintu', 'windowRollingUp',dan seterusnya.
Versi ontologi yang ada terdiri lebih dari 25000 bagian, 786
tindakan, 1678 gejala, dan 973 prasyarat.
7
D. Rajpathak, PM Peranandam dan S. Ramesh
Gambar 3.Keseluruhan struktur ontologi domain menunjukkan kelas dan subkelas penting bersama dengan hubungan antara dua kelas.
4.2. Pra-pemrosesan data
Setiap dokumen persyaratan diproses sebelumnya dengan menghapus
karakter khusus yang diamati dalam data seperti yang ditunjukkan berikut:
(\"- - . , <\\ =@ !''/''#/&%>#+?:;'_- + \\s*). Kata perhentian non-deskriptif,
seperti 'a', 'an', 'the' juga dihapus karena tidak menambah nilai apa pun
pada analisis. Namun, saat menghapus kata perhentian, model kami
memastikan bahwa kata-kata berhenti yang merupakan anggota dari istilah
kritis tidak dihapus. Ini membantu mempertahankan arti asli dari sebuah
dokumen. Langkah-langkah berikut digunakan untuk memastikan bahwa
hanya kata-kata berhenti yang bukan anggota dari istilah penting yang
dihapus:
Langkah 1.Setiap cuplikan persyaratan diubah menjadi satu set panjang
ngram (1, 2, 3, 4, 5), yaitu (tSaya), (TSayaTJ), (TSayaTJTk), (TSayaTJTkTl), dan TSayaTJTkT
lTM).
Langkah 2.Untuk setiap n-gram dukungannya X dalam korpus dokumen, C dihitung
dengan menggunakan Persamaan.(6):
#dokumenwengan X dan C
dukungan (X, C)≡p (X, C)=
total#dokumen di C
Langkah 3.Keyakinan, X di setiap dokumen,RSaya∈R dihitung dengan
menggunakan Persamaan.(7):
P(X, rSaya) # dokumenwengan X dan rSaya
percaya diri (X→RSaya)=p (rSaya|X)= = diperbarui dan proses diulang sampai ada jumlah cluster yang
P(X) total#dokumen di X
Kata-kata berhenti yang merupakan anggota n-gram dengan
nilai dukungan dan kepercayaan di atas ambang tertentu, 0,90
(ditentukan secara empiris) tidak dihapus.
Dokumen persyaratan dihasilkan oleh pemegang saham yang
berbeda. Karena tidak ada kosakata yang disediakan, dokumen
persyaratan terdiri dari bahasa ramping untuk menentukan konsep
teknik yang sama di dua tempat berbeda, misalnya, 'Modul Kontrol
Mesin' dan 'Modul Kontrol Powertrain', yang merujuk pada sistem
teknik yang sama. Referensi melingkar seperti itu harus disamarkan
untuk menghindari referensi duplikat dalam matriks penautan
persyaratan. Algoritma pengelompokan hierarkis agglomerative
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
(Manning dkk.,2008) digunakan untuk menangani ketidakcocokan kosakata.
Langkah-langkah yang terlibat dijelaskan di bawah ini.
Langkah 1:Algoritme mengambil sebagai input dua frasa persyaratan n-
gram, katakanlah FrasaSayadan FrasaJdan satu set dokumen persyaratan,
misalnya RDSaya= (rd1, rd2, . . . , rdJ). Setiap dokumen persyaratan rdk
ditugaskan ke klusternya sendiri berdasarkan apakah ia melaporkan Frasa
Sayaatau FrasaJ. Pada akhir langkah ini, algoritme menghasilkan sekumpulan
cluster yang sama dengan jumlah dokumen persyaratan, (Crd1, Crd2, . . . , C
rdm)∈FrasaSayadan Crd1, Crd2, . . . , Crdn)∈FrasaJ;
Langkah 2:Cluster yang dihasilkan pada Langkah 1 digabungkan
berdasarkan kesamaannya satu sama lain. Cluster digabungkan
dengan menggunakan jarak berpasangan rata-rata (Persamaan.(8))
dihitung antara objek yang merupakan anggota dari dua cluster,
katakanlah Cpi= (Frasa1, Frasa2, . . . , FrasaM) dan Cpj= (Frasa1, Frasa2, . . . ,
FrasaN). Berdasarkan jarak antar cluster, dua cluster yang paling mirip
digabungkan.
NCp
( ) 1 ∑SayaNCpj
∑ ( )
DCP, C P = D XSaya,yJ (8)
Saya J
NCpi ∗NCpj
Saya=1J=1
P, yJ∈Cpj
XSaya∈CSaya
(6)
Di mana, )
dxSaya,yJ,mewakili jarak Euclidian antara objekXSaya
∈CpiDanyJ∈Cpjdari Cpidan Cpj, yaitu d(XSaya,yJ) = (XSaya-yJ)2.
NCpidan NCpj, mewakili jumlah total dokumen dalam Cpi
dan Cpjmasing-masing.
Setelah setiap iterasi, jarak antara cluster yang tersisa
berbeda, Cpidan Cpj;
(7)
Langkah 3:Setelah menggabungkan cluster, kemiripan frase dihitung
untuk memeriksa apakah dua frase dapat dipertukarkan. Informasi
konteks terjadi bersamaan dengan FraseSayadan FrasaJdikumpulkan
dari dokumen persyaratan yang menjadi anggota cluster, Cpidan Cpjdan
ini digunakan untuk menentukan apakah kedua frasa tersebut dapat
dipertukarkan. Untuk mengumpulkan informasi konteks, posisi Frase
Sayadan FrasaJdiidentifikasi dalam setiap dokumen persyaratan dan
jendela kata dari tiga kata7diatur di kedua sisi
7 Jendela kata adalah parameter merdu dan dapat diatur menjadi dua, tiga, dan lima
kata tergantung pada panjang setiap kalimat. Dalam data kami, jendela kata dari tiga
kata menghasilkan informasi konteks yang bermakna.
8
D. Rajpathak, PM Peranandam dan S. Ramesh
Gambar 4.Pendekatan berbasis jendela kata untuk mengumpulkan informasi konteks dari dokumen persyaratan.
dari FraseSayaatau FrasaJ(Gambar 4). Istilah yang muncul dalam jendela kata
dikumpulkan untuk menghasilkan informasi konteks, misalnya ConFrase=
(istilah1, ketentuan2, . . . , ketentuanM) dan KonFrasej= (istilah1, ketentuan2
, . . . , ketentuanN).
Kesamaan Jaccard (Persamaan.(9)) dihitung antara dua himpunan
suku yang muncul bersamaan, misalkan ConFrasedan KonFrasejuntuk
menentukan tingkat tumpang tindih dalam konteks informasi.
( ) |MenipuFrasaSaya
∩MenipuFrasa|J
J ConFrasa, Kon
Saya
Frasej = (9)
|MenipuFrasa∪Menipu Frasa|J
Saya
Kedua frasa tersebut dapat dipertukarkan jika skor kesamaan di antara
keduanya lebih besar dari 0,89 (disetel secara empiris).
Kami juga mengoreksi berbagai jenis suara, sepertisalah eja,
run-on-word, Danruang putih tambahan, yang dijelaskan di bawah
ini.
Salah eja.Untuk menangani kata yang salah eja, kami
mempertimbangkan semua kemungkinan koreksi kata yang salah eja
dengan Jarak Levenshtein sama dengan 1, di mana Jarak Levenshtein
antara kata 'wSaya' dan WJ' adalah jumlah penghapusan, penyisipan,
atau penggantian yang diperlukan untuk mengubah 'wSaya' di
belakangnyaJ'. Jika sebuah kata hanya membutuhkan satu koreksi, kami
cukup mengganti kata yang salah eja dengan kata yang benar. Namun,
ketika ada beberapa kemungkinan koreksi pada sebuah kata, maka
kata dengan skor kesamaan maksimum akan dipilih sebagai kata yang
dikoreksi. Skor kesamaan didefinisikan sebagai produk dari logaritma
frekuensi dan word2vec (Mihalcea et al.,2006) kesamaan antara kata
yang salah eja dan koreksinya.
Jalankan kata-kata.Untuk menanganirun-on-word, yang mewakili istilah
yang muncul sebagai gabungan dari dua kata, misalnya, 'lighton', kami
memisahkan istilah tersebut menjadi bi-gram dengan menyisipkan spasi
putih di antara setiap pasangan karakter yang berdekatan. Dalam kasus run-
on Word, ucapkan 'lighton', kami mempertimbangkan kemungkinan
pemisahan berikut: 'l ighton', 'lighton', 'lig hton', 'ligh ton', 'light on', dan
'lighto n '. Untuk pemisahan tertentu jika potongan sisi kiri dan sisi kanan,
yaitu 'light' dan 'on' masing-masing ada dalam kamus maka itu dianggap
sebagai pemisahan yang benar. Jika beberapa pemisahan dimungkinkan,
maka untuk setiap pemisahan yang benar, skor kesamaannya ditentukan
sebagai kesamaan maksimum word2vec antara kata run-on dan dua
potongan. Kata run-on dengan chuck dengan skor kesamaan maksimum
diganti sebagai pemisahan yang benar.
Ruang putih tambahan.Dalam beberapa kasusruang putih
tambahan disisipkan dalam sebuah kata, misalnya 'actu ator'. Di
sini, kami mencoba menghapus spasi tambahan untuk melihat
apakah kedua kata yang salah eja menjadi kata yang benar jika
disebutkan dalam kamus referensi. Misalnya, untuk dua kata yang
salah eja 'aktu ator' setelah menghapus spasi, kata baru, yaitu
'aktuator' adalah kata yang benar dan digunakan untuk mengganti
dua potongan yang salah.
5. Kernel kesamaan semantik untuk membangun matriks penghubung
persyaratan
Menggunakan model kesamaan semantik kami, tujuannya adalah untuk
menentukan apakah ada persyaratan, katakanlahRSayaDanRJdari dokumen
persyaratan yang berbeda dapat dihubungkan satu sama lain berdasarkan
kesamaannya. Setiap dokumen persyaratan terdiri dari beberapa frase (n-
gram), yang dapat digunakan untuk membandingkan kesamaan.
9
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
Namun, tidak semua n-gram sama pentingnya dalam konteks
persyaratan yang ditentukan. Oleh karena itu, n-gram seperti yang
memiliki kekritisan di atas ambang batas tertentu dalam dokumen
dipilih. Kekritisan setiap n-gram dihitung berdasarkan term
frequency inverse document frequency (tf*idf) (Spärck, 1972)
menggunakan Persamaan.(10). N-gram dengan skor tf*idf lebih
besar dari 0,75 digunakan untuk analisis lebih lanjut.
( )
CN−gram i, j =Caku j∗idfCi (10)
N
Caku j=∑aku j (11)
kNk,j
Di mana,
Naku jdalam Persamaan.(11)adalah jumlah kemunculan bersama dari
tupel ke-i yang muncul dalam dokumen persyaratan ke-j dan
penyebutnya adalah jumlah dari jumlah kemunculan bersama dari
semua tupel di CSaya.
log |V|
=
idfCSaya (12)
|{ay:CSaya∈ay}|
Di mana,
Menambahkan log ke frekuensi dokumen terbalik (idfC)dalam Saya
Persamaan.(12) menurunkan efek istilah frekuensi tinggi. Fungsi idf linier
dapat meningkatkan skor dokumen dengan istilah frekuensi tinggi
dibandingkan dengan istilah yang memiliki frekuensi rendah. Namun,
fungsi sublinear (Persamaan.(12)) berperforma lebih baik jika korpus
terdiri dari suku-suku dengan frekuensi berbeda.
Dalam model kesamaan semantik kami, kesamaan antara RSaya
dan RJdihitung dalam kaitannya dengan informasi konteks yang
terkait dengan frase teknis utama, yaitu bagian, gejala, tindakan,
dan prasyarat yang diidentifikasi dengan bantuan ontologi
domain. Informasi konteks dikumpulkan baik pada atingkat
dokumendan atingkat korpus.
5.1. Pembuatan informasi konteks pada tingkat dokumen
Informasi konteks tingkat dokumen dikumpulkan dengan
menggunakan istilah kritis (T1, T2, T3, . . . , TSaya)∈TMdan T1, T2, T3, . . . , TJ)
∈TNdiidentifikasi dari RSayadan RJmasing-masing. Dalam model kami,
informasi konteks yang terkait dengan setiap istilah kritis terdiri dari: 1.
Istilah yang muncul bersamaan terkait dengan TMdan TNyang
dikualifikasikan oleh vektor tf*idf dan 2. Informasi sintaksis, seperti tag
parts of speech (POS) dari setiap istilah TMdan TN.
Untuk menghasilkan istilah yang muncul bersamaan, algoritma secara
iteratif memilih setiap istilah dari TMdan TNdan menerapkan jendela kata
istilah tertentu di kedua sisi TMdan TN(seperti yang dijelaskan dalamGambar
4). Semua istilah yang muncul bersamaan dalam jendela kata dikumpulkan
dan nilai tf*idf dari setiap istilah yang dikumpulkan dihitung untuk
menghasilkan vektor tf*idf, misalnya TM= (t1tf∗idf, T2tf∗idf,
. . . , Titf∗idf) DanTN= (t1tf∗idf, T2tf∗idf, . . . , Tjtf∗idf).
Untuk menghasilkan informasi konteks sintaksis menggunakan tag parts of
speech (POS) dari setiap istilah TMdan TN, pertama setiap istilah dalam kata demi
kata dianggap sebagai istilah fokus dan tag POS-nya dianggap sebagai fitur
linguistik dasar. Selanjutnya, sekumpulan istilah yang muncul bersamaan
dikumpulkan dengan menggunakan jendela kata dan tag POS dari istilah yang
muncul bersamaan dikumpulkan. Selanjutnya, kita menghitung
D. Rajpathak, PM Peranandam dan S. Ramesh Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Gambar 5.Model skip-gram dilatih untuk mengumpulkan vektor word2vec untuk setiap istilah.

kemungkinanP(Tbersama−terjadi|Tmpos)DanP(Tbersama−terjadi|Tnpos)dengan menggunakan
Persamaan.(13)Dan(14).

P(Tmpos∩Tbersama−terjadi)
P(Tbersama−terjadi|Tmpos) = (13)
Tmpos
P(Tmpos∩Tbersama−terjadi)
P(Tbersama−terjadi|Tnpos) = (14)
Tmpos
Semua probabilitas digunakan, katakanlah TM= (T1bersama−terjadi, T2bersama−terjadi,
. . . , Tiko−terjadi)dan TN= (T1bersama−terjadi, T2bersama−terjadi, . . . , Tjco−terjadi)di dalam
perhitungan kemiripan. Gambar 6.Proses pembangkitan fitur konteks untuk n-gram dengan panjangnya
> 1.

5.2. Pembuatan informasi konteks pada tingkat korpus

ruang vektor n-gram sehingga mudah untuk menyimpulkan hubungan

Informasi konteks tingkat korpus dikumpulkan dalam istilah penyisipan
antara ''ECM:Kegagalan Internal sebagai Kendaraan:Propulsi
kata. Kata penyematan sangat penting karena kemampuannya untuk
Berkurang''. Oleh karena itu, dalam pendekatan kami, kami melatih
menangkap berbagai jenis konteks, seperti semantik, sintaksis, dan
model word2vec skip-gram (Mikolov dkk.,2013) untuk mengumpulkan
hubungan dari korpus. Penyematan direpresentasikan dalam bentuk vektor
lebih lanjut informasi konteks dari korpus. Model menghasilkan vektor
dari setiap n-gram. Model penyematan yang berbeda, seperti word2vec,
yang terkait dengan setiap istilah, TMdan TNdan menangkap
BERT8(Devlin et al.,2019) dan sarung tangan (Pennington dkk.,2014) yang
embeddings konteksnya. Model skip-gram memiliki sifat-sifat menarik
diusulkan dalam literatur. Di antara model-model alternatif ini, model
berikut – 1. Penyematan yang berdekatan memiliki arti yang serupa
word2vec memiliki sifat-sifat berikut yang diinginkan dalam domain kita: 1.
dan vektor konteksnya dapat digunakan dalam operasi vektor dan 2.
perpindahan vektor antara n-gram dengan hubungan serupa juga sangat
Penyematan memiliki dekomposisi semantik. Model skip-gram dilatih
mirip. Misalnya, vektor untuk ''ECM ke Powertrain'' hampir sama dengan
dengan menggunakan∼15,6 juta dokumen dan untuk membatasi
vektor untuk ''PCM ke Transmisi'', 2. Secara umum, salah satu batasan
ukuran kosa kata hanya istilah dengan frekuensi lebih dari 10.000
umum dari model word2vec adalah menyediakan konteks dengan kejadian
dalam korpus yang dipilih. Ukuran jendela kata 3 digunakan untuk
bersama yang terbatas. Namun, dalam domain kami ini dipandang sebagai
mengumpulkan informasi konteks yang terjadi bersamaan dan lapisan
keuntungan karena memungkinkan kami untuk membangun konteks yang
tersembunyi diwakili oleh matriks pembobotan dengan 10.000 baris
tepat untuk n-gram yang diamati terkait dengan kesalahan tertentu. Dengan
(satu untuk setiap n-gram dalam kosakata kita) dan 300 kolom (satu
membangun konteks cooccurrence tingkat korpus global melibatkan
untuk setiap neuron tersembunyi) , yaitu mempelajari vektor kata
informasi cooccurring yang terkait dengan kesalahan (misalnya ECM —
dengan 300 fitur. Terakhir, jika n-gram tertentu tidak diamati dalam
kegagalan internal yang mengakibatkan berkurangnya propulsi vs ECM —
data kita atau dengan frekuensi rendah vektornya diperhitungkan
internal short yang mengakibatkan kemacetan). Ini bukan properti yang
dengan menambahkan vektor kosong (0, 0, . . . , 0). Struktur model
diinginkan dalam domain kami karena mengaburkan proses isolasi
skip-gram ditunjukkan padaGambar 5.
kesalahan, dan 3. Pemetaan antara n-gram target ke informasi konteksnya
Untuk 2,3,4-gram, mereka dipecah menjadi 1-gram dan rata-rata penyisipan 1-
secara implisit menyematkan hubungan sub-linear ke dalam
gram ditambahkan sebagai vektor fiturnya seperti yang ditunjukkan pada Gambar
6.
Informasi konteks yang terkait dengan setiap RSayadan RJadalah setumpuk dokumen
8 Penulis menyadari bahwa dalam BERT penyematan kata tertentu dibangun secara dan vektor tingkat korpus seperti yang ditunjukkan padaGambar 7.
dinamis tergantung pada konteks di mana kata tersebut disebutkan. Di sisi lain,
Tingkat dokumen dan informasi konteks tingkat korpus yang
embedding bersifat statis dalam model word2vec. Gagasan adaptasi konteks dinamis
bekerja dengan baik pada tugas-tugas seperti menjawab pertanyaan, antarmuka bahasa
terkait dengan RSayadan RJdisusun menjadi dua matriks konteks,
alami, terjemahan mesin, dll. Namun, saat bekerja di domain kami, sangat penting untuk CMRi= ((TMBagianSaya), (TMGejalaJ), (TMTindakank)) dan CMRj= ((TN
mempertahankan vektor konteks sebanding yang dibangun dari data yang dikumpulkan Bagianl), (TNGejalaM), (TNTindakanN)) masing-masing. CMRidan CMRj
dari satu tahun model. ke model tahun lainnya. Word2vec memungkinkan vektor konteks digunakan untuk menghitung skor antara RSayadan RJ. Awalnya, model
yang dapat dibandingkan karena dibangun dari n-gram (umum) yang diamati dalam
menghitung akesamaan semantik term-to-termskor untuk frase dengan
data. Penyematan dinamis BERT memberikan wawasan terbatas tentang n-gram (umum)
yang terkait dengan persyaratan khusus dari satu data tahun model ke data tahun hanya satu istilah dengan menggunakan Persamaan.(15).
lainnya.

10
D. Rajpathak, PM Peranandam dan S. Ramesh Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Itudokumen-ke-dokumenskor kesamaan semantik antara RSaya

dan RJdigunakan untuk menentukan apakah dua persyaratan, RSayadan RJdapat
dihubungkan satu sama lain. Dua persyaratan berdasarkan skor mereka diurutkan
ke dalam salah satu dari tiga kategori, yaitutautan tinggi, tautan rendah, atautidak
ada hubunganmenggunakan aturan berikut:

Aturan 1.Jika skor kesamaan semantik antara RSayadan RJsama atau

lebih besar dari 0,70,9lalu RSayadan RJdikatakan memiliki hubungan
yang tinggi satu sama lain.
Aturan 2.Jika skor kesamaan semantik antara RSayadan RJ
lebih besar dari 0,4, tetapi kurang dari 0,70, maka RSayadan RJ
dikatakan memiliki link rendah satu sama lain.
Aturan 3.Jika skor kesamaan semantik antara RSayadan RJ
Gambar 7.Vektor konteks tingkat dokumen dan tingkat korpus yang ditumpuk terkait dengan kurang dari atau sama dengan 0,4, maka RSayadan RJdikatakan tidak
persyaratan.
memiliki hubungan satu sama lain.

6. Eksperimen dan diskusi

{ 2
}
hit(Istilah,Saya
IstilahJ) Model kesamaan semantik kami diimplementasikan sebagai
sim(KetentuanSaya,KetentuanJ) =catatan2 1+ (15)
hits (istilahSaya) .hit(KetentuanJ) alat pembuktian konsep pada Jenis OS: Microsoft Windows XP
Professional, Ukuran memori: 3,5 GB, Prosesor: Intel[R] Core[TM]2
Di mana,
i7-4810MQ CPU @ 2,80 GHz. Untuk mengevaluasi kinerja model
hit(KetentuanSaya),hit(KetentuanJ) Danhit(KetentuanSaya, KetentuanJ) kami, kami melakukan serangkaian percobaan dengan
adalah jumlah kali TermSayadan IstilahJdan tuple biner (TermSaya, menggunakan data yang terkait dengan persyaratan sub-sistem
KetentuanJ) muncul bersamaan di CMRidan CMRj.S "Entry Control" yang dihasilkan selama tahap awal pengembangan
sistem. Secara total 126.000 persyaratan terkait dengan berbagai
Setelah menghitungkesamaan istilah ke istilahskor, itukesamaan sub-sistem Kontrol Masuk, seperti Transmisi Bergeser ke Taman,
semantik tupleto-tupleskor, ucapkan sim(TupleSaya, TupelJ) dihitung Transmisi Bergeser Keluar dari Taman, Permintaan Pengalihan
untuk frase dengan lebih dari satu istilah dengan menggunakan Kesopanan, 'Penguncian Jarak Jauh, Pintu Tertutup dan Terbuka'',
Persamaan.(16). Itukesamaan semantik tuple-to-tuplememperluas ''Mengunci Ulang Tanpa Pintu Terbuka'', ''Airbag Dikerahkan'',
model PMI-IR standar dengan membuat perubahan berikut: (1) suku ''Pintu Pengemudi Jarak Jauh Hanya Membuka Kunci'', ''Membuka
kuadrat ditambahkan di pembilang bersama dengan penambahan satu Kunci Semua Pintu Jarak Jauh'', ''Masukkan Pengapian'', ''Lepaskan
ke pecahan. Keduanya dimotivasi oleh kebutuhan untuk menskalakan Kunci dari Pengapian'',
ukuran antara nol (tupel tidak pernah terjadi bersamaan) dan satu
(tupel identik atau tupel selalu terjadi bersamaan) dan (2) frase multi- 6.1. Perbandingan dengan pendekatan alternatif
istilah digunakan saat menghitung skor antara RSayadan RJ
alih-alih hanya menggunakan frase kata tunggal (sebagaimana ditentukan dalam
Di sini, kami membandingkan model kami dengan pendekatan
PMI-IR standar) dan mempertimbangkan informasi konteks untuk mendapatkan
alternatif yang diusulkan dalam literatur, seperti Vector Space Model
perkiraan yang lebih baik.
(VSM), Latent Semantic Indexing (LSI), perbandingan semantik
{ }
hit(TupelSayaTupelJ) 2 berpasangan, model Kesamaan Semantik (Zesch dan Gurevych,2007)
sim(TupelSaya,TupelJ) =catatan21 + (16) dan model PMI. Kami menerapkan model kami serta model dalam
hits (TupleSaya) .hit(TupelJ)
literatur pada serangkaian persyaratan yang sama untuk
Di mana, membandingkan kinerjanya satu sama lain.Tabel 1menunjukkan
rincian data yang digunakan untuk evaluasi ini.
hit(TupelSaya),hit(TupelJ) mewakili frekuensi kemunculan tupel
Semua persyaratan dalam kumpulan data telah diproses
dalam korpus. Ituhit(TupelSaya& TupelJ) mewakili berapa kali
sebelumnya untuk menghilangkan kebisingan. Tf*idf dari setiap suku
kedua TupleSayadan TupelJterjadi dalam korpus.
dihitung dan disusun menjadi vektor. Vektor ini digunakan untuk
menghitung kesamaan cosinus antara dua persyaratan untuk
Akhirnya,istilah ke istilahDantuple-to-tupleskor kesamaan menentukan di mana mereka mirip satu sama lain. Di LSI, pertama
semantik digabungkan untuk menghitung finaldokumen-ke- istilah matriks dokumen, (katakanlahA)dibangun dan diuraikan untuk
dokumen skor kesamaan semantik antara RJ(Persamaan.(17)).
Sayadan R
menemukan dua matriks ortogonal,ASDanVdan matriks diagonal,S.
⎡ (∑ )⎤ Selanjutnya, Perkiraan Peringkat-2 diimplementasikan dengan
Tupel Saya∈Ri (maxsim(Tupel Saya,Rj).idf(Tuplei)) mempertahankan dua kolom pertama dariASDanVdan baris dariS.
∑
⎢ (
F Tuplei) ⎥ Barisan ruang 2 dimensi tereduksi menyimpan nilai vektor eigen untuk
( ) 1⎢ Tuplei∈R Saya
pengenal

⎥
sim RSaya,RJ =⎢ + )⎥⎦ (17) mewakili koordinat dari setiap dokumen kebutuhan individu. Akhirnya,
2⎣ ( ∑
(
(
Tuplej∈R M axsim Tupel J,ri).idf(Domba jantan lej)) kesamaan antara dua persyaratan dihitung dengan menggunakan
J∑
Tupel J∈RJ Saya
df Tuplej ( ) kesamaan kosinus. Kemiripan antara dua dokumen dengan
( ) menggunakan model kesamaan semantik berpasangan dihitung
Itumaxsim TupleSaya,RJ fungsi dalam Persamaan.(17)dihitung dengan menggunakan dengan menggabungkan kemiripan semantik dari konsep-konsep yang
Persamaan.(18). Dalam Persamaan.(18)kami memilih maksimum (maksJ) terlibat di dalamnya. Awalnya, daftar dokumen yang mengandung
kesamaan semantik antara dua tupel. Dengan kata lain, algoritma secara istilah (t) diidentifikasi dan kemudian indeks terbalik standar dibangun.
iteratif membandingkan setiap TupleSayadengan setiap tupel lainnya,tupelJ∈ Tupel kunci yang sesuai dengan pasangannya adalah
RJ. Dalam perbandingan berpasangan, pasangan dengan nilai tertinggi (diwakili
sebagai,maksJdalam Persamaan.(18)) kesamaan semantik dipilih.
( ) { } 9 Dalam pendekatan kami, kami melakukan serangkaian eksperimen bersama dengan subjek
maxsim TupleSaya,RJ=maksJsim(TupelSaya,tupelJ) ;tupelJ∈RJ (18) ahli materi (UKM) untuk menentukan nilai ambang optimal.

11
D. Rajpathak, PM Peranandam dan S. Ramesh Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Tabel 1
Data digunakan untuk mengevaluasi model kami dengan pendekatan alternatif.
Himpunan data Jumlah persyaratan Sistem - Subsistem
(dalam ribuan)
Dataset1 (d1) 42 Transmisi Digeser ke Taman, Transmisi Digeser Keluar dari Taman, Permintaan
Sakelar Kehormatan, Penguncian Jarak Jauh

Dataset2 (d2) 42 Pintu Tertutup dan Terbuka, Penguncian Ulang Tanpa Pintu Terbuka, Kantung Udara
Dikerahkan, Pintu Pengemudi Jarak Jauh Hanya Membuka Kunci

Dataset3 (d3) 42 Remote Membuka Kunci Semua Pintu, Kunci Pengapian, Lepaskan Kunci dari
Pengapian, Tekan dan Tahan Terus-Menerus dari Silinder Kunci

Gambar 8.Perbandingan antara model kami dengan VSM, LSI, kesamaan semantik, Berpasangan, dan PMI.

diidentifikasi dan Persamaan.(19)digunakan untuk menghitung kesamaan dua persyaratan berikut menyajikan informasi teknik yang sama, tetapi
berpasangan antara dua persyaratan. menggunakan kosakata yang berbeda,R1.Mode daya sistem RUN, modul
( )∑ kontrol mesin bekerja, pedal rem dan gigi transmisi tidak diparkir, ADL
sim dSaya,DJ = Pasangant,d.Pasangant, dj
Saya
(19) diaktifkan. Operator mengeluarkan permintaan buka kunci kesopanan.
T∈V Setidaknya satu pintu dibuka. Pedal rem dilepas dan sistem mengunci
semua pintu;R2.Setidaknya satu pintu terbuka dan kuncinya ada di kunci
Akhirnya,Zesch dan Gurevych(2007) mengusulkan model di mana
kontak. Operator mengeluarkan permintaan buka kunci agar sistem
kesamaan semantik antara dokumen persyaratan dihitung
menonaktifkan anti-lock. Dalam model kami, kami berhasil mengatasi
berdasarkan jumlah kategori yang ditetapkan untuk setiap dokumen
batasan ini dengan mengeksploitasi informasi konteks yang ditentukan
persyaratan. Nilai terbaik di antara semua pasangan dipilih
dalam dokumen bersama dengan ontologi domain. Seperti yang dapat
berdasarkan minimum untuk jalur dan maksimum untuk konten
dilihat diGambar 8, hasil dari model Berpasangan sebanding, tetapi tidak
informasi. Hasil percobaan ini dipresentasikan kepada UKM yang pada
sebagus hasil yang dicapai oleh model kami. Alasan utama di balik ini adalah
gilirannya menyatakan kesamaan sebenarnya antara persyaratan. Di
bahwa model Berpasangan bergantung pada pengidentifikasian
dalamGambar 4, kami menunjukkan analisis komparatif kesamaan
sekumpulan dokumen yang berisi pasangan istilah umum untuk
semantik yang dihitung dengan model kami, VSM, LSI, model
menghitung matriks semantik berpasangan, tetapi konteksnya dalam
berpasangan, model keterkaitan semantik, dan model PMI untuk
dokumen yang diberikan tidak teridentifikasi. Akhirnya, hasil model PMI
melihat apakah persyaratan terkait satu sama lain.
sebanding dengan model kami di kumpulan data 2 dan 3, tetapi model kami
Seperti yang dapat dilihat diGambar 8, kesalahan rata-rata model kami
bekerja lebih baik di kumpulan data 1. Di kumpulan data 1, model PMI
adalah yang terendah di ketiga kumpulan data dibandingkan dengan model
mempertimbangkan semua istilah yang muncul bersamaan dengan frase
canggih. Hasil analisis yang lebih dekat mengungkapkan bahwa VSM, LSI,
kritis dalam jendela kata tertentu . Tidak semua istilah yang muncul
keterkaitan semantik, dan model Berpasangan tidak mempertimbangkan
bersamaan dalam jendela kata tertentu memiliki hubungan langsung
konteks yang terkait dengan istilah kritis. Oleh karena itu, model-model ini
dengan frase kritis dan itu menimbulkan gangguan dalam perhitungan
akhirnya hilang dalam menghubungkan persyaratan utama. Salah satu
kesamaan semantik. Untuk memastikan bahwa istilah yang muncul
batasan utama dari model ini adalah bahwa istilah kunci dari dua dokumen
bersamaan dipilih untuk perhitungan kesamaan semantik, kami
persyaratan membutuhkan pencocokan yang tepat untuk mendapatkan
menggunakan ontologi domain. Ontologi membantu kami dalam memilih
skor kesamaan semantik yang tinggi. Namun, dalam data kehidupan nyata
istilah cooccurring yang relevan dan membantu meningkatkan perhitungan
apa pun, sulit untuk mengontrol kosakata yang digunakan oleh pemangku
kesamaan semantik.
kepentingan yang berbeda dan penting untuk mengidentifikasi banyak arti
dari kata yang sama dengan mengeksploitasi konteksnya. Misalnya,

12
D. Rajpathak, PM Peranandam dan S. Ramesh
Gambar 9.Perbandingan model kami dengan model lain menggunakan presisi, penarikan kembali, dan pengukuran-f.
Kami juga mengevaluasi kinerja model kami dengan model lain
dengan menggunakan ukuran, seperti presisi, daya ingat, dan skor
F1 (Gambar 9). Titik pertama pada setiap baris mewakili kinerja
model kami dan titik-titik lainnya secara berurutan mewakili kinerja
VSM, LSI, model berpasangan, keterkaitan semantik, dan PMI.
Seperti yang dapat dilihat pada set data 1, 2, dan 3, presisi rata-
rata model kami lebih tinggi daripada model lain kecuali untuk
model PMI, tetapi di ketiga set data model kami mengungguli
semua model lain dalam hal penarikan rata-rata. Dengan kata lain,
model kami berhasil menghubungkan persyaratan tambahan,
yang gagal ditautkan oleh model lain. Hasil model PMI dapat
dibandingkan dengan mode kami, tetapi dalam beberapa kasus
dalam data kami ketika frase terdiri dari lebih dari tiga istilah
dalam kasus seperti itu, model PMI melebih-lebihkan istilah
frekuensi rendah tersebut.
6.2. Evaluasi ontologi spesifik domain
Di sini, kami mengevaluasi kinerja ontologi khusus domain (Bagian
4.1) untuk melihat seberapa baik tag tersebut menandai istilah penting
yang ditentukan dalam data. Secara total, 124 dokumen persyaratan
dipilih secara acak untuk sistem ''Entry Controls''.
Pada rangkaian eksperimen pertama, istilah kritis dari semua
124 persyaratan diberi tag secara manual oleh para ahli materi
pelajaran (UKM). Kumpulan dokumen yang sama diberikan sebagai
masukan untuk algoritme identifikasi istilah kunci kami, yang
menandai dan mengekstraksi istilah penting dari data. Hasil
algoritme kami dibandingkan dengan anotasi manual yang
dilakukan oleh UKM. Hasilnya diberikan diMeja 2. Algoritme kami
mengidentifikasi 13 bagian tambahan (P), 14 gejala tambahan (SY),
dan lima tindakan tambahan (A), yang gagal diidentifikasi oleh
UKM selama proses anotasi manual mereka.
13
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
Selanjutnya, kami mengevaluasi keakuratan algoritma ekstraksi istilah
dengan meminta UKM untuk mengklasifikasikan istilah ini sebagai True
Positives (tp), yaitu istilah yang diklasifikasikan dengan benar ke dalam kelas
spesifiknya, yaitu bagian, gejala, tindakan, dll., True Negatives (tn), yaitu alat
dengan benar menolak istilah yang bukan milik kelasnya sendiri, Positif
Palsu (fp), yaitu istilah yang diklasifikasikan oleh alat ke dalam kelas tertentu
yang gagal dicocokkan dengan klasifikasi SME, dan Negatif Palsu (fn), yaitu
alat tersebut menolak persyaratan sebagai kandidat tanpa keanggotaan
untuk kelas tertentu sementara UKM mengklasifikasikan istilah tersebut ke
dalam kelas tersebut. Selanjutnya, Precision, Recall, dan F1 (F-Measure)
didefinisikan dalam Persamaan.(20),(21), Dan(22)telah dipakai.
Positi Sejatiayes
Presisi= (20)
(Positi Sejatiayes+Positif Palsuayes)
Positi Sejatiayes
Mengingat= (21)
(Positi Sejatiayes+Negatif Palsuayes) (
Presisi∗Mengingat)
F1 = 2∗ (22)
(Presisi+Mengingat)
Di dalamGambar 10, kami menunjukkan ringkasan percobaan
evaluasi ontologi dalam hal Precision (0,72), Recall (0,75), dan skor
F-Measure (0,73).
6.3. Ketepatan persyaratan terkait
Dalam percobaan ini, kami mengevaluasi kebenaran tautan yang dibuat oleh
algoritme kami di antara persyaratan yang berbeda. Untuk mengembangkan
tolok ukur, kami secara acak memilih serangkaian persyaratan dan UKM secara
manual menautkan persyaratan tersebut. UKM mengidentifikasi dan menangkap
total 126 tautan dalam matriks dan mengklasifikasikannya ke dalam kategori ''Ya/
Tidak'' tergantung pada apakah ada tautan antara persyaratan atau tidak.
Serangkaian persyaratan yang sama
D. Rajpathak, PM Peranandam dan S. Ramesh
Meja 2
Rangkuman hasil istilah yang diidentifikasi oleh pakar materi pelajaran versus istilah yang diidentifikasi oleh alat kami.
P P sy
(UKM) (Alat) (UKM)
89 102 57
Bagian baru diidentifikasi oleh alat Gejala baru diidentifikasi oleh alat
13 14
Gambar 10.Evaluasi algoritma ontologi domain dan term ekstraksi dalam hal presisi,
recall, dan f-measure.
disediakan sebagai input ke algoritme kami untuk menghasilkan
tautan otomatis di antara mereka dalam sebuah matriks.
Persyaratan dikatakan mirip satu sama lain, yaitu ''Ya'' jika skornya
lebih besar atau sama dengan 0,4 dan jika skornya kurang dari 0,4
maka diberi tanda tidak mirip, yaitu ''Tidak'.Gambar. 11Dan12
menunjukkan bagian penting dari matriks hasil oleh SME dan alat
masing-masing. Kolom pertama dan baris pertama menunjukkan
ID unik persyaratan.
Analisis hasil yang dihasilkan oleh algoritme jika dibandingkan
dengan penautan UKM mengungkapkan bahwa lebih dari 84%
penautan persyaratan yang dihasilkan oleh alat tersebut akurat dengan
yang diidentifikasi oleh UKM. Dengan kata lain, 106 tautan dari 126
tautan dihasilkan oleh alat yang cocok dengan tautan SME, yaitu True
Positive dan True Negative. Di sisa∼16% dari kasus keputusan UKM
adalah tautan "Tidak", sedangkan alat yang diidentifikasi sebagai
tautan "Ya", yaitu tautan "Positif Palsu". Kasus positif palsu ini disorot
Gambar. 11Dan12. Yang paling penting, tidak ada kasus di mana alat
menghubungkan persyaratan sebagai link ''Tidak'', sementara SME
menautkannya sebagai link ''Ya'', yaitu tidak ada link ''Negatif Palsu''.
6.4. Keakuratan tingkat hubungan antara persyaratan
Di sini, kami menjelaskan validasi pendekatan kami dalam
mengklasifikasikan persyaratan dengan benar dengan kategori 'Tinggi' atau
'Rendah' dari level tautan. Sekali lagi, kategorisasi yang dilakukan oleh UKM
dianggap sebagai tolok ukur. Dalam percobaan ini, hanya dua kategori
tautan yang digunakan karena dua persyaratan apa pun dapat berada di
ruang sub-status dari fungsionalitas yang sama atau status berbeda yang
mungkin atau mungkin tidak berada dalam ruang status fungsionalitas yang
sama. Misalnya, persyaratan "Tekanan Selanjutnya dari Peralihan
Kehormatan" dan "Penguncian Jarak Jauh" berkaitan dengan fungsionalitas
"Penguncian" dan kedua persyaratan ini memiliki prasyarat yang sama,
kecuali bahwa dalam persyaratan sebelumnya disebutkan bahwa "di
setidaknya satu pintu terbuka'' dan persyaratan terakhir menyebutkan
bahwa ''pintu pengemudi terbuka''. Dengan prasyarat ini, persyaratan yang
terakhir jelas termasuk dalam sub-kondisi dari persyaratan sebelumnya
karena pintu pengemudi hadir sebagai subsistem dari perakitan sistem
pintu dalam arsitektur kendaraan. Sedangkan persyaratan ''Tonneau
Release - Interior Release''
14
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
sy (Alat) A A
(UKM) (Alat)
71 31 36
Tindakan baru diidentifikasi oleh alat
5
dan "Penyebaran Kantung Udara" jelas milik dua negara bagian yang
berbeda karena kedua persyaratan ini berurusan dengan dua fungsi
independen. Sepele, persyaratan yang sangat terkait dipelajari untuk
memeriksa masalah konsistensi mereka. Studi menyeluruh diperlukan
karena persyaratan yang sangat terkait biasanya milik ruang sub-
negara fungsional yang sama, sedangkan persyaratan terkait rendah
biasanya milik negara yang berbeda yang mungkin atau mungkin tidak
berada di ruang fungsional yang sama dan berbagi bagian yang sama.
Dalam eksperimen ini, kami telah mempertimbangkan 39 tautan
dari 126 tautan yang ditautkan sebagai "Ya" dan menerima tingkat
tautan oleh UKM. Ringkasan tautan yang diidentifikasi oleh pendekatan
kami sehubungan dengan tautan yang diidentifikasi oleh UKM
ditampilkan diTabel 3. Kasus ''Benar Positif'' didefinisikan sebagai
tingkat dan derajat keterkaitan yang sama dengan derajat keterkaitan
UKM, yaitu, ''Rendah'' atau ''Tinggi''. Kasus ''Positif Palsu'' didefinisikan
sebagai tingkat penautan yang lebih tinggi dibandingkan dengan
penautan UKM, yaitu, ''Rendah'' hingga ''Tinggi''. Dengan kata lain,
penautan yang dihasilkan oleh alat mengatakan ''Tinggi'', tetapi UKM
menyebutkannya sebagai ''Rendah''. Jelas, dalam percobaan ini tidak
ada kasus ''Negatif Benar'' dan Negatif Palsu'' karena kasus tersebut
telah dipertimbangkan dalam percobaan sebelumnya (Percobaan 2).
Dari 39 tautan, alat tersebut mengklasifikasikan 20 tautan memiliki
tingkat tautan 'Rendah', yang cocok dengan tautan yang diidentifikasi
oleh UKM. Dalam lima kasus, alat tersebut salah mengklasifikasikan
tautan sebagai tautan "Tinggi", ketika UKM menautkannya sebagai
tautan "Rendah". Namun, Tabel 4menampilkan rangkuman hasil
percobaan.
Berdasarkan 2×2 meja (Tabel 4) kami telah menghitung ukuran Presisi,
Ingat, dan F1 sebagaimana didefinisikan dalam Persamaan.(20),(21), Dan
(22)telah dipakai. Rata-rata Presisi adalah 0,87, Recall adalah 1 dan F1-
Measure adalah 0,93. Pada akhir percobaan 1 dan 2, kami menyadari bahwa
sekitar 70% perbandingan menghasilkan kategori tanpa tautan dan sekitar
30% perbandingan menghasilkan persyaratan yang terhubung dengan
tingkat tautan yang berbeda. Biasanya, dalam kasus penautan manual di
mana rata-rata 70% kasus tidak memiliki tautan, ini menjadi proses yang
membosankan dan melelahkan. Juga, ada kemungkinan besar bahwa
peninjau manusia dapat menyatakan persyaratan yang ditautkan sebagai
persyaratan yang tidak ditautkan karena kelelahan dan sifat tautan yang
monoton. Rangkaian eksperimen ketiga dilakukan untuk memvalidasi
asumsi kami guna mengungkapkan perlunya alat penautan otomatis.
6.5. Keuntungan menghubungkan persyaratan secara otomatis
Dalam percobaan ini, kami mencoba dua pendekatan berbeda
untuk penautan manual. Pada pendekatan pertama, kami telah
menyediakan UKM dengan dokumen persyaratan dan eksperimennya
adalah tentang studi tentang tautan 'positif palsu' sehubungan dengan
tautan yang dihasilkan oleh UKM. Awalnya, UKM mengembangkan
model mental persyaratan dengan menghubungkan setiap persyaratan
baru dengan semua persyaratan terkait sebelumnya. Dengan kira-kira
lima persyaratan per halaman, mental linking matrix dengan cepat
menjadi sulit ditangani oleh UKM dalam beberapa halaman pertama
dokumen. Kesulitan meningkat secara linier ke jumlah persyaratan
yang ditinjau. Dalam proses ini, fokus dan keefektifan tinjauan
berkurang secara eksponensial. Ada beberapa kasus yang diidentifikasi
di mana UKM ditandai
D. Rajpathak, PM Peranandam dan S. Ramesh Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Gambar 11.Cuplikan matriks penautan persyaratan yang dibuat oleh pakar materi pelajaran.

Gambar 12.Cuplikan matriks penautan persyaratan yang dihasilkan oleh model.

Tabel 3
Tingkat ringkasan tautan yang dihasilkan oleh alat kami dibandingkan dengan penautan UKM.
Detail Level Tautan SME = L Level Tautan SME = H
Total Tautan = 25 Total Tautan = 14
Rentang Tumpang Tindih = 40% < OL <= 70% Rentang Tumpang Tindih = 70% < OL <= 100%

Benar-benar positif 20 14
Positif palsu 5 0

Tabel 4
Ringkasan dari 2×2 tabel penautan persyaratan.
Positif palsu = tingkat hubungan antara alat dengan persyaratan bervariasi dari tingkat hubungan SME Negatif palsu = alat 5
menolak persyaratan sebagai tautan "Tidak" di mana SME menautkannya 0
True positive = alat menautkan persyaratan dengan level yang sama dengan SME True 34
negative = alat menolak persyaratan sebagai tautan "Tidak" sama dengan SME 0

kedua persyaratan tersebut tidak memiliki tautan, sedangkan alat menandainya dibandingkan dengan persyaratan lain dari halaman yang berbeda.
sebagai tautan.Gambar 13mencerminkan model mental parsial dari Misalnya, diGambar 14apersyaratan #3.1 sangat terkait dengan
SAKU fr Hai M fi Rst kira-kira Ach. Tpersyaratan #2.2 dan #2.3, sedangkan persyaratan yang sama
SAYA
nt Hes emenipu d approa ch si S ME were sebagai ked Toi dentify A Sberintikan tautan rendah dengan persyaratan #4.1, #4.2, dan #4.3.
s kecil et dari re Quirements dan Hai hanya Those re Quirepria Taw sebelum NPerhatikan bahwa persyaratan ini tersebar di beberapa halaman
mpared dengan semua lainnya memerlukan Menmasuk sebagaipersamaan
bersama uential MsebuahNeh. Hai
dokumen. Angka ini menunjukkan banyak fokus yang jelas di
Perbandingan ini dilakukan secara iteratif untuk semua himpunan yang terbentuk proses peninjauan melalui tautan informasi yang konsisten di
oleh SMEM
S. e bijih efektive res kamu Itu dulu meraih D di dalamTmiliknya AP- Ssetiap halaman.
proach Karena hanya pada e set dari memerlukan Ment wer ec ompaRed Namun, bahkan pendekatan ini pada akhirnya menyebabkan kelelahan
wiTH theo thers sebuahD itu Rsebelum th e focuS w sebagaiMuh bertaruhTerw engan diakarena sifat iteratif dan karena persyaratan membentang di sejumlah
minimi zed diffi Culty dan ted Saya
keburukan dalam hal dari t dia b Ack l besar halaman (sekitar 100 halaman). Model yang baru diusulkan berhasil
dan untuk th melintasi bernyanyi t Hdan dokumen Ment.Ara S. 14asebuah D 14bsho ws menangani semua persyaratan dalam satu lintasan tanpa kehilangan
menghubungkan melakukan ed oleh UKM untuk R dua suc h himpunan r equireme nts informasi apa pun. Misalnya, di salah satu mobil tersebut

15
D. Rajpathak, PM Peranandam dan S. Ramesh Jurnal Sistem & Perangkat Lunak 186 (2022) 111211

Gambar 13.Model mental parsial ahli materi pelajaran Pendekatan 1.

diklasifikasikan sebagai memiliki ''Tinggi'', ''Rendah'' atau Tanpa Tautan'' di

antara mereka. Metodologi kami membebaskan peninjau dari membuat dan
memperbarui model mental dengan membaca dokumen persyaratan yang
panjang secara manual. Ini pada gilirannya memastikan bahwa liputan
lengkap tercapai tanpa harus khawatir tentang kelelahan mental yang
terlibat dalam proses peninjauan manual. Manfaat sampingan, tetapi juga
keuntungan utama dari alat ini adalah menyediakan kemandirian waktu.
Dengan kata lain, peninjau dapat membagi proses peninjauan dari waktu ke
waktu karena dia tidak diharuskan untuk menjaga model mental tetap hidup
saat meninjau, karena alat tersebut menyediakan pemetaan. Alat kami
digunakan sebagai prototipe dan kinerjanya telah memastikan kegunaannya
saat digunakan oleh UKM yang berbeda.
Gambar 14a.Contoh model mental UKM Pendekatan 2.
Di masa depan, tujuan kami adalah untuk memperluas kerangka ini
di mana frase multi-istilah akan dibangun secara otomatis dari
dokumen persyaratan yang ditulis tidak hanya dalam bahasa Inggris,
tetapi juga dalam bahasa Spanyol, Korea, dan Cina. Selain itu, kami
juga bertujuan untuk memperoleh ontologi secara otomatis dari kode
perangkat lunak sedemikian rupa sehingga pemeriksaan konsistensi
antara dokumen persyaratan yang berbeda dan antara persyaratan
dan perangkat lunak yang sesuai dapat dilakukan secara otomatis.

Pernyataan kontribusi kepengarangan CRedit

Dnyanesh Rajpathak:Konseptualisasi, Metodologi, Perangkat

Gambar 14b.Contoh model mental UKM Pendekatan 2. Lunak, Investigasi, Validasi, Penulisan – draf asli, Penulisan
– meninjau & mengedit.Prakash M. Peranandam:Konseptualisasi,
Metodologi, Perangkat Lunak, Investigasi, Validasi, Penulisan – draf asli,
menautkan contoh, dua persyaratan berbeda yang disebutkan di Penulisan – tinjauan & penyuntingan.S. Ramesh:Penulisan – draf asli,
halaman 16 (berbicara tentang ''Door Locking'') dan di halaman 26 Penulisan – tinjauan & penyuntingan, Pengawasan.
(berbicara tentang ''Door Un-Locking''), yang ditandai oleh alat tersebut
memiliki Tautan 'rendah', sementara UKM menandai mereka memiliki Deklarasi kepentingan bersaing
''NHai
- Lin k''. W induk ayamseperti persyaratan
kamu
irements w sebelum presetertagih ke tHe SMEs
ac ritik Aaku lin k wa S ideNtifie D bertaruhw een ini e tw Hai kamu
persyaratan MentS.
kemarahan
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan
Ckeuangan atau hubungan pribadi yang bersaing yang dapat muncul untuk
7. Menipu ClusiHai
n and fuTure bekerja Tmempengaruhi pekerjaan yang dilaporkan dalam makalah ini.
Di t Hadalah halaper, Kamimemiliki cakram kamu
ssed sebuah novel perkiraan Hai
ach dari l tinta-
ing TDiaunstructumerah TextuAaku butuh kamu MentS untuk sayamprHai
kemarahan ved persyaratankemarahan- Terima kasih
Saya nts Dan efekctive Sseringw adalah DevelHai PMent ProceSsu Sing itu
seMsemut Saya
c si Milari ty m odel. Kita Model m Akes menggunakan Hai
f th e Mkamu ini- Penulis mengucapkan terima kasih kepada Dr. John Cafeo, Dr.
phRase termdte S Saya
eN jika
Saya
d fr Haimd jika fer nt r equirepria t lakukan Cuments Jonathan Owen, dan komite peninjau publikasi GM atas saran dan
N TDiase terms a kembali kamike comPute Tdia s aku
iklan ilaRity s Cbijih Between Sumpan balik mereka yang berharga, yang membantu meningkatkan
ted
H iffehent req uireMentS. Ac bersama rdiNterbang, itu membutuhkan
rements adalah Hai
kualitas makalah ini.

16
D. Rajpathak, PM Peranandam dan S. Ramesh
Referensi
Abadi, A., Nisenson, M., Simionovici, Y., 2008. Teknik ketertelusuran untuk
spesifikasi, Dalam: Dalam Proc. dari Inter ke-16. Konf. pada Prog. Kompres, Vol. 10,
hlm. 3–112.
Apostu, S., Burkacky, O., Deichmann, J., Doll, G., 2005. Perangkat Lunak Otomotif
dan Arsitektur Listrik/Elektronik: Implikasi untuk OEM. McKinsey & Perusahaan.
Banerjee, S., Pedersen, T., 2002. Algoritma Lesk yang diadaptasi untuk dis- sense kata
ambiguitas menggunakan WordNet. Di dalam: Prok. dari Konferensi Internasional
Ketiga tentang Pemrosesan Teks Cerdas dan Linguistik Komputasi, Mxico City.
Benedittini, O., Baines, TS, Lightfoot, HW, 2009. Greenough, RM State-of-
the-art dalam manajemen kesehatan kendaraan terpadu. J. Aerosp. Eng. 223 (2), 157–
170.
Biemann, C., Bordag, S., Quasthoff, U., 2004. Akuisisi otomatis paradigma
hubungan matic menggunakan iterasi co-kejadian. Di dalam: Prok. Konferensi
Internasional ke-4 tentang Sumber Daya dan Evaluasi Bahasa, Lisboa, Portugal.
Blei, D., Ng, A., Jordan, M., 2003. Alokasi Dirichlet Laten. J.Mach. Mempelajari. Res.
3, 993–1022.
Borg, M., Runeson, P., Ardo, A., 2014. Memulihkan dari satu dekade: sistematis
pemetaan pendekatan pengambilan informasi untuk ketertelusuran perangkat lunak. Int. J.
Empir. Lembut. Eng. 19 (6), 1565–1616.
Borg, A., Yong, A., Carlshamre, P., Sandahl, K., 2003. Hati nurani yang buruk
rekayasa persyaratan: Investigasi dalam perawatan dunia nyata dari persyaratan
nonfungsional. Di dalam: Prok. dari conf ketiga. pada Lembut. Inggris Res. dan Prac.,
Swedia, Lund, hlm. 1-8.
Budanitsky, A., Hirst, G., 2006. Mengevaluasi ukuran semantik berbasis WordNet
jarak. Komputer. Ahli bahasa. 32 (1), 13–47.
Capobianco, G., De Lucia, A., Oliveto, R., Panichella, A., Panichella, S., 2013.
Meningkatkan pemulihan ketertelusuran berbasis IR melalui pengindeksan artefak perangkat lunak
berbasis noun. J.Softw. Pemeliharaan. Evolut. Res. Praktek. 25 (7), 743–762.
Cilibrasi, R., Vitanyi, P., 2007. The google similarity distance. Trans IEEE. Tahu.
Eng. 19 (3), 370–383.
Deerwester, S., Dumais, ST, Furnas, GW, Landauer, TK, Harshman, R., 1990.
Pengindeksan dengan analisis semantik laten. Selai. Soc. Inf. Sains. 41 (6), 391–407.
Dekhtyar, A., Huffman, HJ, Sundaram, S., Holbrook, A., Dekhtyar, O., 2007.
Integrasi teknik untuk penilaian kebutuhan. Dalam: Dalam Proc. dari Inter ke-15.
Memerlukan. Inggris Konf, Vol. 14, hlm. 1–152.
Devlin, J., Ming-Wei, C., Kenton, L., Toutanova, K., 2019. BERT: Prapelatihan
transformator dua arah yang dalam untuk pemahaman bahasa. Di dalam: Prok. dari
Konferensi Tahunan 2019 Asosiasi Linguistik Komputasi Cabang Amerika Utara,
Minneapolis, Minnesota, Vol. 417, hlm. 1–4186. Egyed, A., 2001. Pemeriksaan
konsistensi terukur antar diagram - The VIEWIN-
Pendekatan TEGRA. Di dalam: Prok. dari IEEE Inter ke-16. Konf. pada Aut. Lembut. Inggris
Masyarakat Komputer IEEE. P. 387.
Egyed, A., 2006. Pengecekan konsistensi instan untuk UML. Di dalam: Prok. dari ACM
Int.28 Konf. pada Lembut. Inggris Shanghai, Cina. Vol. 38, hlm. 1-390. Farfeleder, S.,
Moser, T., Krall, A., Stalhane, T., Omoronvia, I., Sojer, H., 2011.
Panduan berbasis ontologi untuk elisitasi kebutuhan. Di dalam: Prok. dari Perpanjangan
ke-8. Sem. Konferensi Web (ESWC 2011). Kreta, Yunani, 29 Mei-2 Juni 2011. Vol. 21. hlm.
2-226.
Gabrilovich, E., Markovitch, S., 2007. Menghitung keterkaitan semantik menggunakan
Analisis semantik eksplisit berbasis Wikipedia. Di dalam: Prok. dari Konferensi Bersama
Internasional tentang Kecerdasan Buatan, Vol. 160. hlm. 6–1611.
Geravasi, V., Zowghi, D., 2005. Penalaran tentang ketidakkonsistenan dalam alam
persyaratan bahasa. ACM Trans. Lembutw. Eng. Metode. 14, 277–330. Gnesi, S., Lami,
G., Trentanni, G., 2005. Alat otomatis untuk analisis
persyaratan bahasa alami. Int. J.Komput. Sistem. Sains. Eng. 20, 53–61. Harispe, S.,
Sanchez, D., Ranwez, S., Janaqi, S., Montmain, J., 2014. Seorang fremarowkr
untuk menyatukan langkah-langkah kesamaan semantik berbasis ontologi: Sebuah studi
dalam domain biomedis. J.Bio. Inf. 48, 38–53.
Huffman-Hayes, J., Dekhtyar, A., Osborne, J., 2003. Meningkatkan persyaratan
penelusuran melalui pencarian informasi. Di dalam: Prok. dari Konferensi
Internasional tentang Rekayasa Kebutuhan, Vol. 13. hlm.8–147.
Kamalrudin, M., Grundy, J., Hosking, J., 2010. Mengelola konsistensi antara
persyaratan tekstual, interaksi abstrak, dan kasus penggunaan penting. Di dalam: Seoul,
Korea Selatan (Ed.), Proc. dari Intl. Konf. di Komp. Lembut. Aplikasi. (COMPSAC 2010). Vol. 32.
hlm. 7–336.
Kotonya, G., Sommerville, I., 1998. Rekayasa Persyaratan: Proses dan
Teknik. John Wiley Sons, Inc, ISBN: 0471972088.
Kozlenkov, A., Zisman, A., 2002. Apakah spesifikasi desain mereka konsisten dengan
persyaratan kami? Di dalam: Prok. dari IEEE Joint Int. Konf. pada Req. Inggris
hlm.145-154.
Leacock, C., Chodorow, M., 1998. Menggabungkan konteks lokal dan sim- WordNet
ilaritas untuk identifikasi arti kata. Dalam: Fellbaum, C. (Ed.), WordNet: An Electronic
Lexical Database. MIT Press, hlm. 265–283.
Li, Y., Bandar, ZA, McLean, D., 2003. Suatu pendekatan untuk mengukur semantik
kesamaan antara kata-kata menggunakan beberapa sumber informasi. Trans IEEE.
Tahu. Eng. 15 (4), 871–882.
17
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
Lormans, M., Deursen, AV, 2005. Merekonstruksi tampilan cakupan persyaratan
dari desain dan pengujian menggunakan pemulihan ketertelusuran melalui LSI. Di dalam: Prok. dari
Inter ke-3. Lokakarya tentang Jejak. Di Emerg. Bentuk Lembut. Inggris Pantai Panjang, California.
Mahmoud, A., Niu, N., 2015. Tentang peran semantik dalam persyaratan otomatis
pelacakan. Memerlukan. Eng. 20, 281–300.
Manning, C., Raghavan, P., Schutze, H., 2008. Pengantar Informasi
Pengambilan. Pers Universitas Cambridge.
Marcus, A., Maletic, J., 2003. Memulihkan dokumentasi-to-source-code traceabil-
tautan ity menggunakan pengindeksan semantik laten. Di dalam: Prok. dari Inter ke-25. Konf. pada
Lembut. Inggris Vol. 12. hlm.5–135.
Mich, L., Franch, M., Inverardi, PN, 2004. Riset pasar tentang persyaratan
analisis menggunakan alat linguistik. Memerlukan. Eng. 9 (1), 40–56.
Mihalcea, R., Corley, C., Strapparava, C., 2006. Berbasis korpus dan pengetahuan-
ukuran berdasarkan kesamaan semantik teks. Dalam: Dalam Proc. dari Nat ke-21.
Konf. pada Artif. Intell., Vol. 1. AAAI Press, hlm. 775–780.
Mikolov, T., Chen, K., Corrado, G., Dean, J., 2013. Estimasi kata yang efisien
representasi dalam ruang vektor. Di dalam: Prok. dari Konferensi Internasional
tentang Representasi Pembelajaran.
Mohammad, S., Hirst, G., 2012. Pengukuran distribusi jarak semantik:
survei. pracetak arXivarXiv:1203.1858, URL:http://citeseerx.ist.psu.edu/viewdoc/
download?doi=10.1.1.337.9413&rep=rep1&type=pdf.
Nentwich, C., Emmerich, W., Finkelstein, A., Ellmer, E., 2003. Konsistensi yang fleksibel
memeriksa. ACM Trans. Lembutw. Eng. Metode. 12, 28–63.
Noack, T., 2013. Penautan otomatis kasus uji dan persyaratan. Di dalam: Prok. dari
the Fifth International Conference Advances in System Testing and Vlidation
Lifecycle, Venesia, Italia.
Palmer, JD, 1997. Rekayasa Kebutuhan Perangkat Lunak. Masyarakat Komputer IEEE
Pers, New York,
Parvathy, AG, Vasudevan, BG, Balakrishnan, R., 2008. Studi komparatif
teknik korelasi dokumen untuk analisis ketertelusuran. Di dalam: Prok. dari Inter
ke-10. Konf. di Enter. Informasi. Sistem. Informasi. Sistem. Ana. dan Spek, Vol. 6. hlm.
4–69.
Patwardhan, S., Banerjee, S., Pedersen, T., 2003. Menggunakan ukuran semantik
keterkaitan untuk disambiguasi arti kata. Di dalam: Prok. dari Konferensi
Internasional ke-4 tentang Linguistik Komputasi dan Seri Teks Cerdas, Mexico City,
Mexico, Vol. 24. hlm. 1-257.
Pennington, J., Socher, R., Manning, C., 2014. GloVe: vektor global untuk kata
perwakilan. Dalam: Prosiding Konferensi 2014 tentang Metode Empiris dalam
Pemrosesan Bahasa Alami, EMNLP. Vol. 153. hlm. 2-1543.
Pohl, K., 1997. Perubahan manajemen. Di dalam: Mertens, P., Back, A., Becker, J. (Eds.),
Leksikon Der Wirtschaftsinformatik. Springer, Berlin, Heidelberg.
Port, D., Nikora, A., Hayes, JH, Huang, L., 2011. Dukungan penambangan teks untuk perangkat lunak
persyaratan: jaminan ketertelusuran. Dalam Prok. dari Hawaii Int ke-44. Konf. di Syst.
Sains. Hawaii.
Rada, R., Mili, H., Bicknell, E., Blettner, M., 1989. Pengembangan dan aplikasi
metrik pada jaringan semantik. IEEE Trans.Syst. Man Cybern. 19 (1), 17–30.
Rajpathak, D., 2013. Sistem penambangan teks berbasis ontologi untuk pengetahuan
penemuan dari data diagnosis dalam domain otomotif. Komputer. Ind.64, 565–580.
Rajpathak, D., Singh, S., 2014. Metode penambangan teks berbasis ontologi untuk dikembangkan
D-matrix dari teks yang tidak terstruktur. IEEE Tras. Sistem. Man Cybern. 44 (7), 966–
977.
Rajpathak, D., Xu, Y., Gibbs, I., 2020. Kerangka terintegrasi untuk otomatis
pembelajaran ontologi dari data teks perbaikan tidak terstruktur untuk deteksi dan isolasi
kesalahan yang efektif dalam domain otomotif. Komputer. Ind.123.
Ramesh, B., Stubbs, C., Powers, T., Edwards, M., 1997. Persyaratan ketertelusuran:
Teori dan praktek. Ann. Lembut. Eng. 3, 397–415.
Ratnaparkhi, A., 1996. Tagger part-of-speech entropi maksimum. Di dalam: Brill, E.,
Gereja, K. (Eds.), Proc. dari Konferensi Metode Empiris dalam Pemrosesan Bahasa
Alami, Vol. 13, Filadelfia, PA. hlm. 3–142.
Riloff, E., Shepherd, J., 1997. Pendekatan berbasis korpus untuk membangun semantik
kamus. Di dalam: Prok. Konferensi Kedua tentang Metode Empiris dalam
Pemrosesan Bahasa Alami. Brown University, Providence, Rhode Island, hlm. 117–
124.
Roark, B., Charniak, E., 1998. Statistik kejadian bersama frase kata benda untuk semi-
konstruksi leksikon semantik otomatis. Di dalam: Prok. Pertemuan Tahunan ke-36
Asosiasi Linguistik Komputasi. Universit de Montreal, Montreal, Quebec, Kanada,
hlm. 1110–1116.
Rosario, B., 2000. Pengindeksan semantik laten: ikhtisar. Di dalam: INFOSYS 240 Spring
Kertas. Universitas California, Berkeley.
Spärck, Jones K., 1972. Sebuah interpretasi statistik dari spesifisitas istilah dan
aplikasi dalam pengambilan. J.Dok. 28, 11–21.
Sultanov, H., Hayes, JH, Kong, W.-K., 2011. Penerapan teknik swarm untuk
penelusuran kebutuhan. Memerlukan. Eng. 16 3, 209–226.
Toutanova, K., Manning, CD, 2000. Memperkaya sumber pengetahuan yang digunakan dalam
tagger part-of-speech entropi maksimum. Di dalam: Prok. Konferensi SIGDAT
Bersama tentang Metode Empiris dalam Pemrosesan Bahasa Alami dan Corpora
Sangat Besar (EMNLP/VLC-2000). Vol. 6. hlm. 3-70.
D. Rajpathak, PM Peranandam dan S. Ramesh
Turney, PD, 2001. Menambang Web untuk sinonim: PMI-IR versus LSA di TOEFL. Di dalam:
Proses dari eur ke-12. Konf. di Mach. Belajar. ECML-2001, Freiburg, Jerman, Vol. 49.
hlm. 1-502.
Turney, PD, 2002. Jempol ke atas atau ke bawah? Orientasi semantik diterapkan
untuk klasifikasi ulasan tanpa pengawasan. Di dalam: Prok. dari Ann ke-40.
Pertemuan Assoc. untuk Komp. Linguistik, Vol. 41. hlm. 7–424.
Turney, PD, 2006. Kesamaan hubungan semantik. Komputer. Ahli bahasa. 32 (3),
379–416.
Wang, W., Niu, N., Liu, H., Niu, Z., 2018. Meningkatkan persyaratan otomatis
ketertelusuran dengan menyelesaikan polisemi. Di dalam: Prok. Konferensi Rekayasa
Persyaratan Internasional (RE) ke-26 IEEE, Banff, AB, Kanada. hlm. 40–51. http://
dx.doi.org/10.1109/RE.2018.00-53.
Wong, WE, Debroy, V., Restrepo, A., 2010. Peran perangkat lunak belakangan ini
kecelakaan katastropik. Trans IEEE. Andal. 59 (3), 469–473.
Wu, Z., Palmer, M., 1994. Semantik kata kerja dan pemilihan leksikal. Di dalam: Prok. dari
32 tahun. Pertemuan Assoc. untuk Komp. Linguistik, Morristown, NJ, AS, Vol. 13. hlm.
3–138.
Xu, Y., Rajpathak, D., Gibbs, I., Klabjan, D., 2020. Pembelajaran ontologi otomatis
dari data teks pendek tidak terstruktur khusus domain. Dalam: Prosiding Konferensi
Bersama Internasional ke-12 tentang Penemuan Pengetahuan, Rekayasa
Pengetahuan, dan Manajemen Pengetahuan (IC3K 2020) - Vol. 3: KMI. Vol. 2. hlm. 9–
39. ISBN: 978-989-758-474-9.
Zesch, T., Gurevych, I., 2007. Analisis grafik kategori wikipedia untuk NLP
aplikasi. Di dalam: Prok. Lokakarya TextGraphs-2 (NAACL-HLT 2007), Rochester, NY.
hlm. 1-8.
Zowghi, D., Gervasi, V., 2003. Tentang interaksi antara konsistensi, kelengkapan-
ness, dan kebenaran dalam evolusi persyaratan. Inf. Lembutw. Technol. 45, 993–
1009.
Dr.Dnyanesh G. Rajpathakadalah Staf Peneliti di General Motors. Ia memperoleh gelar Ph.D.
gelar dalam Kecerdasan Buatan dari Universitas Terbuka, Inggris, pada tahun 2004. Dia memiliki
lebih dari 15 paten dan lebih dari 37 rahasia metode perdagangan yang diberikan bersama
dengan lebih dari 26 publikasi teknis untuk kreditnya. Dia dianugerahi penghargaan Charles L.
McCuen (GM R&D) 2010, penghargaan GM paling bergengsi tahun 2011
18
Jurnal Sistem & Perangkat Lunak 186 (2022) 111211
Penghargaan "Boss Kettering", dan General Motors President Award, untuk karya dalam
penambangan data, deteksi anomali, dan penambangan teks. Saat ini, dia adalah
Associate Editor SAE International Journal of Aerospace. Dia telah menjabat sebagai
anggota Komite Program dari berbagai konferensi ACM CIKM 2020-21, ESWC'20,
ESWC'14, ESWC'13, PDCTA-2016, dan menjabat sebagai reviewer di beberapa IEEE dan
jurnal internasional lainnya serta konferensi. Minat penelitiannya saat ini meliputi
pembelajaran mendalam, pembelajaran mesin, penambangan data dan teks untuk
diagnosis dan prognosis, investigasi akar penyebab, deteksi masalah keselamatan yang
muncul, manajemen kesehatan kendaraan terintegrasi, dan manufaktur 4.0.
Dr Prakash M. Peranandamadalah peneliti senior di GM R&D. Ia memperoleh gelar
Ph.D. pada tahun 2006 dari University of Tuebingen, Jerman. Dia telah ikut menulis lebih
dari 30 publikasi penelitian, laporan teknis, dan menghasilkan lebih dari 40 IP. Minat
penelitiannya adalah analisis & rekayasa persyaratan, virtualisasi, verifikasi & validasi
(V&V) perangkat lunak Tertanam dan sistem AV/ADAS.
dr. Ramesh Stelah bekerja di General Motors Global R&D di mana dia saat ini memegang
posisi Senior Technical Fellow dan memimpin area dorong untuk perangkat lunak
tertanam berbasis model. Di General Motors, dia bertanggung jawab untuk memberikan
kepemimpinan teknis untuk penelitian dan pengembangan di beberapa bidang yang
berkaitan dengan proses, metode, dan peralatan Elektronika, Kontrol & Perangkat Lunak.
Bidang minatnya yang luas adalah Rekayasa Perangkat Lunak yang Ketat, Sistem
Tertanam, dan Sistem Waktu Nyata. Dia adalah penulis beberapa paten dan telah
menerbitkan lebih dari 100 makalah di jurnal dan konferensi internasional yang ditinjau
oleh rekan sejawat. Dia berada di dewan redaksi International Journal on Real-Time
Systems, Eurasip Journal on Embedded Systems, dan sebelumnya di IEEE Journal on
Embedded System Letters. Sebelum bergabung dengan GM R&D, dia berada di fakultas
departemen Ilmu & Teknik Komputer di IIT Bombay, selama lebih dari lima belas tahun.
Di IIT Bombay, dia memainkan peran utama dalam mendirikan Pusat Nasional untuk
Desain Formal dan Verifikasi Perangkat Lunak. Sebagai kepala pendiri Pusat ini, dia
melakukan banyak proyek verifikasi perangkat lunak yang disematkan, untuk beberapa
organisasi Pemerintah. Dia adalah rekan dari Akademi Teknik Nasional India dan menjadi
fakultas tamu/tambahan di banyak institusi.