Perpustakaan Digital ITB

Seiring dengan pengembangan perangkat lunak, pengujian terus dilakukan, termasuk A/B Testing. A/B Testing adalah metode pengujian yang membandingkan dua desain perangkat lunak untuk menentukan mana yang lebih efektif. Metrik yang umum digunakan adalah click rate, yaitu jumlah pengguna yang mengklik target dalam desain. Hipotesis awal adalah variasi A (kontrol) memiliki click rate lebih tinggi daripada variasi B (eksperimen). Kekurangan A/B Testing adalah bias pengguna yang dapat menyebabkan hasil yang tidak akurat. Hidden Markov Model (HMM) digunakan untuk mendeteksi keadaan tersembunyi yang memengaruhi hasil A/B Testing. Dilakukan implementasi HMM ke dalam A/B Testing untuk meminimalkan bias pengguna. HMM, yang biasa digunakan untuk mendeteksi pola tersembunyi, diimplementasikan untuk mengidentifikasi bias perilaku pengguna dalam A/B Testing. Algoritma HMM mengubah frekuensi tampilan desain secara tidak seimbang untuk menguji hipotesis awal dan menghasilkan pengujian yang dipengaruhi bias pengguna sekecil mungkin. Hasil penelitian menunjukkan bahwa HMM berhasil mendeteksi bias pengguna dan meningkatkan validitas hasil A/B Testing. Penelitian ini memberikan solusi baru untuk mengatasi bias pengguna dalam A/B Testing dengan cara mengubah frekuensi tampilan tiap variasi desain berdasarkan click rate, dan membuka peluang penelitian lebih lanjut tentang penerapan HMM dalam optimasi pengujian perangkat lunak.