Rancang Bangun Aplikasi Website Pendukung Rekayasa Kebutuhan Menggunakan Naive Bayes Classifier untuk Klasifikasi User Feedback (Studi Kasus: E-Learning Universitas Multimedia Nusantara)

Rekayasa kebutuhan adalah proses memperoleh, mendokumentasikan, menganalisa, memvalidasi, dan mengelola kebutuhan. Dalam rekayasa kebutuhan, ada beberapa aktifitas utama yang dilakukan yaitu studi fisibilitas, menemukan kebutuhan (pengumpulan dan analisis), mengubah kebutuhan ke dalam bentuk strandar (spesifikasi), dan memastikan apakah kebutuhan sesuai dengan yang klien harapkan (validasi). Namun nyatanya, rekayasa kebutuhan adalah proses berulang, aktifitas tersebut saling disisipkan (interleaved). Dalam semua sistem, kebutuhan berubah-ubah. Orang-orang yang terlibat, mengembangkan pemahaman yang lebih baik tentang apa yang mereka ingin perangkat lunak lakukan, seperti perubahan pada perangkat keras, perangkat lunak, dan lingkungan sistem. Selain itu, penyebab lain perubahan pada kebutuhan adalah user feedback. Pengembangan perangkat lunak tidak berhenti setelah sistem berhasil dirilis, tetapi terus berlanjut sepanjang masa hidup dari sistem. Pada saat ini penyampaian user feedback untuk e-learning Universitas Multimedia Nusantara dilakukan melalui survey online yang dibagikan pada setiap akhir semester. Media yang digunakan adalah Google Form dan kemudian disebarkan melalui e-mail mahasiswa. Kemudian user feedback diklasifikasikan secara manual. Model seperti ini membutuhkan waktu 1 bulan hari kerja. Maka dalam penelitian ini dirancang dan dibangun suatu aplikasi website pendukung rekayasa kebutuhan yang membantu mempercepat proses klasifikasi untuk user feedback, dengan menggunakan algoritma Naive Bayes Classifier (NBC) untuk proses klasifikasi otomatis. Jenis NBC yang digunakan adalah Multinomial NBC. Algoritma ini melakukan klasifikasi dengan cara menghitung probabilitas kemunculan kata pada suatu kelas. Selain itu algoritma ini juga memiliki tingkat akurasi yang tinggi. Berdasarkan uji coba yang dilakukan, algoritma ini menghasilkan accuracy 0,925, precision 0,856, recall 0,851, dan f- measure 0,854. Selain itu, penerimaan aplikasi diukur menggunakan kuesioner TAM, yang memperoleh skor penerimaan sebesar 73,56% untuk faktor usefulness dan 78,56% untuk faktor ease of use