T-way Test Suite Generation Strategy berdasarkan algoritma Koloni Semut (TTSGA) telah dikembangkan untuk mendukung pengujian t-way variable strength (VS) yang menangani masalah pengujian secara menyeluruh. Strategi ini menggunakan algoritma pengoptimalan koloni semut untuk menghasilkan jumlah ukuran rangkaian pengujian yang mendekati optimal. Meskipun ukuran rangkaian pengujian lebih kecil daripada pengujian menyeluruh, namun strategi ini mencakup setiap kemungkinan kombinasi parameter yang berinteraksi.
Untuk memperoleh kasus uji terbaik, teknik pencarian metaheuristik diadopsi ke dalam strategi. Metaheuristik dipilih karena terbukti dapat mengatasi berbagai permasalahan optimasi. Meskipun telah banyak algoritma metaheuristik digunakan dalam pengujian t-way, keluarga Ant Colony telah terbukti memberikan hasil yang kompetitif (yaitu: algoritma Ant Colony System untuk kekuatan variabel dan algoritma Ant Colony untuk kekuatan seragam). Hal ini menjadi tantangan untuk mengadopsi Ant Colony Optimization dalam strategi untuk melihat kinerja yang mempunyai kekuatan dan konfigurasi yang lebih tinggi.
VS-Tuples Generator digunakan untuk menghasilkan tupel. Parameter, nilai dan kekuatan masing-masing merupakan masukan untuk menghasilkan tupel. Kekuatan untuk setiap interaksi parameter mungkin berbeda-beda. VS-Tuples Generator menghasilkan tupel berdasarkan kekuatan dan parameter input yang ditetapkan untuk kekuatan. Generator akan menghasilkan daftar tupel dengan hasil berupa kasus uji terbaik.
Selanjutnya, Search Space Generator bekerja untuk menghasilkan rute. Rute tersebut terdiri dari simpul dan lintasan dari setiap simpul. Simpul mewakili parameter input, sedangkan lintasan menunjukkan nilai parameter input. Simpul terakhir adalah simpul makanan. Hal ini merupakan simpul tiruan untuk mengakhiri jalur terakhir. Agen akan melakukan perjalanan di sepanjang rute. Informasi (yaitu heuristik dan feromon) akan membantu agen dalam pemilihan rute terbaik.
Komponen terakhir adalah Test Case Generator, yang bertujuan untuk menghasilkan kasus uji. Komponen ini menggunakan rute yang dihasilkan oleh Search Space Generator dan VS Tuple List yang dihasilkan oleh VS-Tuple Generator. Algoritma Ant Colony Optimization disematkan dalam komponen ini untuk menghasilkan kasus uji terbaik.
Strategi TTSGA telah dievaluasi dengan pemanfaatan eksperimen berbanding untuk penentuan kemampuan strategi dalam pembuatan rangkaian pengujian dan perbandingan dengan strategi kekuatan variabel lain yang ada. Hasil yang diperoleh dibandingkan dengan strategi lain yang mendukung kekuatan variabel (yaitu: Harmony Search Strategy (HSS), Variable Strength-Particle Swarm Test Generator (VS-PSTG), Integrated T-way Test Data Generation (ITTDG), Ant Colony System (ACS), Simulated Annealing (SA), Pairwise Independent Combinatorial Testing (PICT), Test Vector Generator (TVG), Density, ParaOrder, In-Parameter-Order-General (IPOG), WHITCH).
Ditemukan bahwa hasil TTSGA sebanding dengan strategi lain yang ada terutama untuk konfigurasi kekuatan yang lebih tinggi. Dua tes non-parametrik, yaitu uji Wilcoxon Rank dan Friedman, telah dilakukan untuk penganalisaan hasil secara statistik antara TTSGA dan HSS. Hal ini dikarenakan, hanya kedua strategi ini yang memiliki hasil eksperimen yang lengkap. Meskipun hasil menunjukkan bahwa tidak ada perbedaan yang signifikan dari ukuran test suite di antara mereka, TTSGA berada di peringkat pertama dalam tes Friedman dan mengalahkan strategi HSS.
Penulis: Dr. Rimuljo Hendradi, M.Si.
Informasi detail dari riset ini dapat dilihat pada artikel ilmiah berikut:
https://iopscience.iop.org/article/10.1088/1742-6596/1755/1/012034/meta
N. Ramli(UniMAP), R.R. Othman(UniMAP), R. Hendradi(UNAIR), I. Iszaidy(UniMAP). T-way Test Suite Generation Strategy based on Ant Colony Algorithm to Support T-way Variable Strength, Journal of Physics: Conference Series, vol. 1775, Issue 1, 012034, 2021.
