Halo, temen-temen mahasiswa RPL! Sebagai anak RPL, aku yakin kita semua pernah ngerasa pusing sama software testing. Bikin aplikasi sih seru, tapi ngetesnya kok rasanya bikin jidat berkerut---lama, ribet, dan kadang bingung mulai dari mana. Nah, pas aku baca artikel "Advances in Test Automation for Software with Special Focus on Artificial Intelligence and Machine Learning" di Software Quality Journal, aku jadi kepikiran: apa iya AI sama machine learning (ML) bisa jadi penutup buat semua drama testing ini? Yuk, kita obrolin bareng apa yang aku tangkep dari artikel ini!
Testing: Penting, Tapi Susah Dilupain
Dari awal, artikel ini bilang testing itu inti banget di RPL. Tanpa testing, aplikasi kita bisa jadi bom waktu---jalan sih, tapi entah kapan errornya meledak. Makanya, otomatisasi pengujian (Test Automation atau TA) jadi penyelamat, bikin proses lebih cepet dan murah. Dulu, kita cuma kenal alat kayak JUnit buat ngetes kode atau Selenium buat cek GUI. Tapi sekarang, software udah jauh lebih ribet---ada yang pake cloud, mobile, sampe sistem AI kayak mobil otonom. Artikel ini bilang TA harus ikut naik level, dan AI sama ML bisa jadi jawabannya. Aku setuju banget---bayangin kalo kita punya asisten pintar yang otomatis ngetes aplikasi tanpa kita capek bikin skrip manual!
Edisi khusus ini ngenalin empat makalah keren yang coba bantu kita ngerti gimana TA bisa lebih cerdas pake AI/ML. Dua makalah langsung nyanyi soal AI, dua lainnya lebih ke domain yang related sama AI. Aku bakal ceritain satu-satu biar kita sama-sama paham.
Empat Ide Keren dari Makalah
Pertama, ada makalah soal pengujian sistem kontrol akses pake pendekatan XACMET. Jadi, mereka ubah aturan akses (yang biasanya ditulis pake XACML, bahasa XML gitu) jadi graf, trus bikin tes otomatis buat cek semua jalur keputusan. Ini berguna banget buat sistem AI berbasis aturan---misalnya, aplikasi yang ngatur siapa boleh masuk server. Aku jadi mikir, bisa nggak ya aku coba bikin alat gini buat tugas akhir? Kayaknya simpel tapi impactful.
Kedua, makalah tentang "virtualization" layanan pake ML. Mereka bikin mock (tiruan) layanan yang punya "state" (keadaan) pake dua teknik ML---klasifikasi sama sequence-to-sequence. Ini buat ngetes sistem yang pake arsitektur layanan, kayak aplikasi berbasis microservices. Aku suka banget sama ide ini---soalnya sering bingung kalo testing bagian yang butuh server beneran. Kalo pake mock cerdas gini, hemat waktu banget!
Ketiga, ada yang fokus ke keamanan web. Mereka pake teknik AI buat nyari celah XSS sama SQL injection di aplikasi web. Caranya? Bikin model perencanaan pake PDDL (bahasa perencanaan AI), trus jadiin kasus uji pake tata bahasa serangan. Mereka tes di proyek OWASP Mutillidae 2, dan hasilnya lumayan oke. Buat aku, ini seru---keamanan itu topik yang bikin deg-degan, dan kalo AI bisa bantu nyari bug otomatis, aku nggak bakal takut lagi kalo aplikasiku di-hack, hehe.
Terakhir, makalah tentang alat bernama Sentinel buat ngetes aplikasi Android sama Android Wear. Fokusnya ke kebocoran sensor---misalnya, aplikasi lupa matiin sensor GPS, jadinya baterai borobor. Sentinel otomatis bikin tes GUI buat nyari pola yang bikin boros daya. Meskipun nggak langsung pake AI, ini related banget sama wearable computing, yang katanya bagian dari dunia AI. Aku sih ngerasa ini praktis---aku pernah bete sama aplikasi yang bikin HP cepet lowbat, dan ternyata ini solusinya!
AI dan ML: Solusi atau Tantangan Baru?
Artikel ini bilang AI/ML punya dua sisi di TA. Pertama, mereka bisa bantu bikin pengujian lebih pintar---contohnya, klasifikasi hasil tes atau bikin mock layanan. Kedua, mereka juga bikin tantangan baru, soalnya sistem AI/ML sendiri (kayak mobil otonom) susah dites pake cara biasa. Aku setuju---bayangin kalo bikin tes buat mobil tanpa sopir, salah tes bisa bahaya banget. Makanya, TA harus cepet beradaptasi.
Dari empat makalah ini, aku lihat potensi besar. Misalnya, XACMET sama Sentinel bisa aku contek idenya buat proyek kecil---mungkin bikin alat buat ngetes aplikasi kampus. Tapi, aku juga sadar nggak semua makalah pake AI secara langsung. Dua yang terakhir lebih ke domain AI daripada teknik AI-nya sendiri. Jadi, aku ngerasa artikel ini agak "mepet" sama tema utamanya---tapi tetep inspiratif.
