Perpustakaan Digital ITB

Dokumentasi teknis tingkat tinggi seperti Software Requirement Specification (SRS) dan Software Design Document (SDD) yang tidak sinkron dengan kode sumber yang terus berevolusi dapat menimbulkan utang teknis dokumentasi (documentation debt), yang pada akhirnya mempersulit pemeliharaan dan pengembangan sistem. Penelitian ini mengatasi masalah tersebut dengan merancang, membangun, dan mengevaluasi Docureco, sebuah agen inteligensi berbasis Large Language Model (LLM) yang terintegrasi ke dalam alur kerja Continuous Integration/Continuous Delivery (CI/CD). Pendekatan utama yang diusulkan adalah penggunaan sebuah peta keterlacakan (traceability map) untuk menjembatani kesenjangan abstraksi antara artefak kode, elemen desain, dan butir kebutuhan. Agen ini secara otomatis menganalisis perubahan kode dalam Pull Request, menelusuri dampaknya menggunakan peta keterlacakan, dan menghasilkan rekomendasi pembaruan yang spesifik untuk SRS dan SDD. Hasil verifikasi fungsional dan validasi melalui studi kasus menunjukkan bahwa Docureco mampu beroperasi sesuai rancangan dan secara akurat menghasilkan rekomendasi yang relevan untuk berbagai skenario perubahan (penambahan, modifikasi, penghapusan fitur). Validasi oleh 11 praktisi rekayasa perangkat lunak lebih lanjut mengonfirmasi efektivitasnya: rekomendasi dinilai sangat akurat dan relevan (skor rata-rata >4.1/5.0), dan 100% di antaranya dinilai dapat ditindaklanjuti (diterima atau hanya memerlukan revisi minor oleh pengguna). Penelitian ini menyimpulkan bahwa pendekatan agen LLM yang dipandu oleh peta keterlacakan merupakan solusi yang layak dan efektif untuk membantu menjaga dokumentasi perangkat lunak tingkat tinggi tetap mutakhir sehingga meningkatkan kualitas dan keterpeliharaan sistem.