ISTNISTN

https://ejournal.istn.ac.id/index.php/sainstechhttps://ejournal.istn.ac.id/index.php/sainstech

Transformasi digital telah menjadi pendorong utama dalam pengembangan teknologi informasi modern, khususnya dalam integrasi Artificial Intelligence (AI) dan Machine Learning (ML). Proses ini menuntut adaptasi sistem yang lebih canggih, cepat, dan andal. Salah satu pendekatan penting dalam mendukung transformasi ini adalah penerapan automasi testing. Automasi testing memainkan peran krusial dalam memastikan kualitas, stabilitas, dan kecepatan implementasi sistem berbasis AI/ML. Melalui automasi, pengujian terhadap model-model AI dan ML dapat dilakukan secara efisien, mulai dari validasi data, evaluasi performa model, hingga integrasi sistem secara menyeluruh. Studi ini membahas bagaimana automasi testing menjadi fondasi utama dalam integrasi teknologi AI/ML dengan sistem bisnis digital yang terus berkembang. Dengan mengurangi kesalahan manual dan mempercepat proses validasi, automasi testing mendorong terciptanya solusi digital yang lebih adaptif dan berbasis data. Hasilnya, organisasi mampu meningkatkan produktivitas, kecepatan inovasi, serta kualitas produk digital secara keseluruhan.

Kerangka kerja yang digerakkan oleh AI dan ML mampu meningkatkan kecepatan siklus rilis, mengurangi jumlah cacat yang terlewat, serta mempercepat umpan balik kepada pengembang.Dengan kemampuan belajar secara otomatis, sistem ini dapat memprioritaskan kasus uji berdasarkan risiko dan memantau perubahan kode serta log historis.Akibatnya, proses pengujian menjadi lebih fleksibel dan efisien, mempercepat adaptasi dalam era transformasi digital.

Sebagai langkah selanjutnya, dapat diteliti bagaimana kerangka kerja automasi testing berbasis AI/ML berperformasi pada domain industri selain layanan keuangan, misalnya pada manufaktur atau sektor kesehatan, untuk menguji generalisasi metodologi. Penelitian selanjutnya bisa mengevaluasi integrasi kontinu antara sistem automasi testing dan pipeline CI/CD, termasuk dampaknya terhadap waktu siklus pengembangan dan kualitas kode, dengan menggunakan metrik yang lebih komprehensif. Selain itu, diperlukan studi yang membandingkan efektivitas teknik pembelajaran penguatan versus pembelajaran terawasi dalam mengoptimalkan prioritas kasus uji berbasis risiko, serta mengidentifikasi faktor-faktor yang mempengaruhi skalabilitas dan keandalan model pada lingkungan produksi yang dinamis. Penelitian-penelitian ini diharapkan dapat memperluas pemahaman tentang adaptabilitas, efisiensi, dan keamanan automasi testing dalam konteks transformasi digital yang terus berkembang. Akhirnya, eksplorasi penggunaan teknik explainable AI untuk memberikan interpretasi keputusan automasi testing dapat meningkatkan kepercayaan pengguna dan memfasilitasi perbaikan berkelanjutan.

  1. Machine Learning: A New Era in Test Automation. machine learning era test automation journal science... doi.org/10.21275/SR24617015431Machine Learning A New Era in Test Automation machine learning era test automation journal science doi 10 21275 SR24617015431
  2. https://ejournal.istn.ac.id/index.php/sainstech. perancangan implementasi aplikasi monitoring berkas... journal.istn.ac.id/index.php/sainstech/article/view/2078ejournal istn ac index php sainstech perancangan implementasi aplikasi monitoring berkas journal istn ac index php sainstech article view 2078
  3. Digital transformation: conceptual framework. digital conceptual framework skip main content url cite... cris.vilniustech.lt/cris/handle/20.500.14911/155817Digital transformation conceptual framework digital conceptual framework skip main content url cite cris vilniustech lt cris handle 20 500 14911 155817
Read online
File size801.85 KB
Pages8
DMCAReport

Related /

ads-block-test