Rekayasa kebutuhan perangkat lunak didominasi oleh bahasa alami yang rentan
terhadap ambiguitas, menyebabkan cacat desain dan keterlambatan proyek. EARS
sebagai pola terstruktur dan INCOSE GtWR sebagai panduan penulisan
dikembangkan untuk mengatasi masalah ini. LLM seperti GPT-4o juga
menawarkan solusi potensial untuk otomatisasi proses namun memiliki masalah
konsistensi dan halusinasi. Penelitian ini mengembangkan chatbot berbasis GPT-
4o untuk membantu pembuatan dan analisis kebutuhan perangkat lunak dalam
bahasa Indonesia menggunakan EARS dan INCOSE GtWR. Metodologi penelitian
meliputi adaptasi EARS dan INCOSE GtWR ke bahasa Indonesia, rekayasa
prompt, pengembangan kakas, dan evaluasi kinerja. Pengujian menggunakan 75
kalimat dari Public Requirements (PuRe) dan hasil generasi dua konfigurasi kakas
yang mewakili 5 sistem yang berbeda dan 5 pola EARS, untuk dianalisis oleh tiga
Software Engineer berpengalaman. Hasil menunjukkan kakas meningkatkan
kesepakatan antar evaluator sebesar 48% untuk aturan INCOSE dan 3,68% untuk
pola EARS. Konfigurasi dengan finetuning dan Retrieval Augmented Generation
(RAG) mengungguli konfigurasi standar dengan 1,72% untuk EARS dan 8,84%
untuk INCOSE. Dalam pembuatan kalimat kebutuhan, konfigurasi dengan
finetuning dan RAG mencapai akurasi 86,6%, sementara konfigurasi standar 64%.