Tren AI/ML dalam Software Quality Assurance (SQA) dan kesiapan penerapan Test Automation

Sintesis studi QA (2022–2026) tentang tren AI/ML dalam SQA dan kesiapan penerapan test automation dengan kualitas produk.

I. Latar belakang

   Selama bertahun-tahun, Software Quality Assurance (SQA) bertumpu pada pengujian manual dan skrip otomasi yang ditulis secara manual. Dewasa ini AI/ML semakin banyak diteliti dan diterapkan di berbagai tahap pengujian sistem [1], [2], [5]. Namun di sisi lain, ada arus riset yang bertanya hal yang lebih mendasar yaitu seberapa baik praktik otomasi sebuah tim QA dijalankan dan apakah itu memengaruhi kualitas produk maupun kecepatan rilis [3], [4]. Artikel ini merangkum sumber-sumber kredibel untuk mengikuliti permasalahan dari kedua arus tersebut.

*artikel ini merupakan sintesis naratif, bukan tinjauan sistematis.

II. AI/ML dalam Pengujian Software

   Tinjauan atas 40 studi mengelompokkan metode ML dalam pengujian ke dalam pendekatan supervised, unsupervised, reinforcement, dan hybrid [2]. Fokus riset tidak berhenti pada prediksi defect, tinjauan satu dekade melaporkan pergeseran menuju otomasi, kolaborasi, dan evaluasi [1], meski prediksi defect tetap menjadi kategori yang paling banyak diteliti.

   Generasi test juga sudah cukup banyak diteliti. ML sudah dipakai untuk membuat test case serta menyusun dan mengevaluasi test oracle [2], sementara itu penelitian terbaru semakin melibatkan LLM dan perangkat berbasis AI dalam pengujian [5], [6].

   Untuk masalah test yang rapuh/mudah rusak saat ada perubahan pada sistem. salah satu jawaban yang dibahas adalah self-healing test script. Tinjauan grey literature menggambarkannya sebagai mekanisme AI yang menyesuaikan test secara otomatis ketika terjadi perubahan pada sistem [5].

   Pada regression testing, ML dipakai untuk memprioritaskan test case [2], dengan tujuan mempercepat umpan balik di pipeline CI/CD.

   Tren yang paling baru adalah agentic AI. Sebuah mapping study atas 37 studi (2023–2025) menemukan bahwa aplikasi agentic AI yang dikaji menumpuk di product assurance, terutama desain dan eksekusi test. Kebanyakan agen bekerja pada level copilot, artinya manusia tetap diberikan akses untuk memutuskan pengambilan keputusan, dan arsitektur monolitik lebih umum daripada multi-agen [6]. Jadi pertumbuhan agentic AI di QA kian adaptif, tetapi umumnya dalam pengoprasiannya masih perlu melibatkan manusia.

III. Kematangan Test Automation

   Studi kuantitatif atas 37 proyek open-source Java yang memakai Continuous Integration menemukan bahwa kematangan test automation yang lebih tinggi berasosiasi positif dengan kualitas produk (p = 0,000624) dan siklus rilis yang lebih singkat (p = 0,01891). Tidak ada bukti signifikan bahwa effort tim ikut naik [3]. Hasil ini bersifat asosiatif dan bukan kausal, dengan sampel kecil dan konteks terbatas.

   Adapun tinjauan multivocal atas 81 studi merumuskan 26 best practice, misalnya strategi test automation yang efektif, environment pengujian yang baik, dan test script berkualitas [4]. Menariknya, hanya enam dari praktik tersebut yang pengaruhnya terhadap kematangan test automation sudah diuji dengan metode empiris formal [4].

IV. Manfaat dan Keterbatasan

   Manfaat yang dilaporkan meliputi efisiensi, akurasi, dan kemudahan pemeliharaan [6], serta upaya menekan biaya pemeliharaan test [5]. Meski begitu, masih terdapat keterbatasan yang nyata, meliputi skalabilitas, generalisasi, transparansi, kesulitan validasi, dan kesenjangan integrasi [6], ditambah persoalan interpretabilitas dan adopsi industri [1].

V. Keterbatasan dan Kesimpulan

   Sintesis ini tidak sistematis dan hanya bertumpu pada sumber-sumber terlampir. Klaim manfaat AI sebagian besar berasal dari tinjauan, bukan evaluasi industri yang terkontrol, sehingga artikel ini bersifat indikatif.

   Artikel ini menunjukkan peran AI/ML di SQA yang semakin luas, mulai dari prediksi defect sampai generasi test, self-healing, dan sistem agentic (dengan pengawasan manusia). Kematangan test automation berasosiasi dengan kualitas dan kecepatan rilis pada konteks yang diteliti.

Daftar Pustaka:

   [1] Escalante-Viteri, A., & Mauricio, D. (2025). Artificial intelligence in software testing: A systematic review of a decade of evolution and taxonomy. Algorithms, 18(11), 717. https://doi.org/10.3390/a18110717

   [2] Ajorloo, S., Jamarani, A., Kashfi, M., Haghi Kashani, M., & Najafizadeh, A. (2024). A systematic review of machine learning methods in software testing. Applied Soft Computing, 162, 111805. https://doi.org/10.1016/j.asoc.2024.111805

   [3] Wang, Y., Mäntylä, M. V., Liu, Z., & Markkula, J. (2022). Test automation maturity improves product quality: Quantitative study of open source projects using continuous integration. Journal of Systems and Software, 188, 111259. https://doi.org/10.1016/j.jss.2022.111259

   [4] Wang, Y., Mäntylä, M. V., Liu, Z., Markkula, J., & Raulamo-Jurvanen, P. (2022). Improving test automation maturity: A multivocal literature review. Software Testing, Verification and Reliability, 32(3), e1804. https://doi.org/10.1002/stvr.1804

   [5] Ricca, F., Marchetto, A., & Stocco, A. (2025). A multi-year grey literature review on AI-assisted test automation. Information and Software Technology, 186, 107799. https://doi.org/10.1016/j.infsof.2025.107799

   [6] Ouaarous, R., Hilal, I., & Mezrioui, A. (2026). Software quality assurance in the era of agentic AI: A systematic mapping study. Frontiers in Computer Science, 8, 1936730. https://doi.org/10.3389/fcomp.2026.1936730