Tak Perlu ke Tukang Servis, Apple Kini Dapat Perbaiki Bug dengan AI
Minggu, 19 Oktober 2025 - 19:45 WIB
loading...
, Apple Kini Dapat Perbaiki Bug dengan AI. FOTO/ THE VERGE
A
A
A
LONDON - Apple saat ini sedang melakukan tiga studi baru yang mengungkap bagaimana kecerdasan buatan (AI) bisa memprediksi bug, menulis tes secara otomatis, bahkan memperbaiki kode perangkat lunak.
BACA JUGA - Tiga Pejabat Top Apple Tinggalkan Proyek Mobil Otonom Apple
Melansir 9to5mac, studi tersebut dikerjakan oleh sejumlah peneliti Apple. Dalam studi, Apple memberikan pengetahuan penting tentang seberapa canggih AI dapat bekerja, bahkan memperbaiki kerusakan di perangkat lunak.
Penelitian pertama fokus pada prediksi bug menggunakan model yang dinamakan ADE-QVAET, yang memadukan teknik Adaptive Differential Evolution (ADE), Quantum Variational Autoencoder (QVAE), lapisan Transformer, serta Adaptive Noise Reduction and Augmentation (ANRA).
Alih-alih membaca kode secara langsung, sistem ini menganalisis metrik dan data struktural dari basis kode, misalnya ukuran, kompleksitas, struktur, kemudian mencari pola yang mungkin menandakan kemungkinan munculnya bug.
Hasil yang didapatkan menjanjikan, di mana pada dataset Kaggle khusus prediksi bug, model ini mencapai akurasi 98,08 persen, kepresisian 92,45 persen, recall 94,67 persen, dan F1-score 98,12 persen.
Studi kedua membahas tentang bagaimana AI dapat menyederhanakan waktu para engineer dalam mngotomatisasi seluruh proses pengujian. Para peniliti mengembangkan sistem yang memanfaatkan LLM dan Agen AI otonom.
Sistem ini dirancang untuk menghasilkan dan mengelola artefak pengujian, mulai dari rencana hingga laporan validasi, secara otomatis. Hasil Studi ini dinilai menjanjikan dengan peningkatan akurasi pengujian dari 65 persen menjadi 94,8 persen.
Penelitian ketiga yang disebut SWE-Gym, sebuah platform latihan bagi agen AI agar mampu membaca, mengedit, dan memverifikasi kode nyata. Platform ini dibangun menggunakan 2.438 tugas Python dunia nyata dari repositori sumber terbuka.
Agen yang dilatih menggunakan SWE-Gym berhasil menyelesaikan 72,5 persen tugas dengan benar melampaui tolok ukur sebelumnya lebih dari 20 poin persentase.
Namun, varian Lite memiliki keterbatasan dalam hal skala dan kompleksitas tugas, sehingga efektivitasnya di skenario besar belum optimal.
BACA JUGA - Tiga Pejabat Top Apple Tinggalkan Proyek Mobil Otonom Apple
Melansir 9to5mac, studi tersebut dikerjakan oleh sejumlah peneliti Apple. Dalam studi, Apple memberikan pengetahuan penting tentang seberapa canggih AI dapat bekerja, bahkan memperbaiki kerusakan di perangkat lunak.
Penelitian pertama fokus pada prediksi bug menggunakan model yang dinamakan ADE-QVAET, yang memadukan teknik Adaptive Differential Evolution (ADE), Quantum Variational Autoencoder (QVAE), lapisan Transformer, serta Adaptive Noise Reduction and Augmentation (ANRA).
Alih-alih membaca kode secara langsung, sistem ini menganalisis metrik dan data struktural dari basis kode, misalnya ukuran, kompleksitas, struktur, kemudian mencari pola yang mungkin menandakan kemungkinan munculnya bug.
Hasil yang didapatkan menjanjikan, di mana pada dataset Kaggle khusus prediksi bug, model ini mencapai akurasi 98,08 persen, kepresisian 92,45 persen, recall 94,67 persen, dan F1-score 98,12 persen.
Studi kedua membahas tentang bagaimana AI dapat menyederhanakan waktu para engineer dalam mngotomatisasi seluruh proses pengujian. Para peniliti mengembangkan sistem yang memanfaatkan LLM dan Agen AI otonom.
Sistem ini dirancang untuk menghasilkan dan mengelola artefak pengujian, mulai dari rencana hingga laporan validasi, secara otomatis. Hasil Studi ini dinilai menjanjikan dengan peningkatan akurasi pengujian dari 65 persen menjadi 94,8 persen.
Penelitian ketiga yang disebut SWE-Gym, sebuah platform latihan bagi agen AI agar mampu membaca, mengedit, dan memverifikasi kode nyata. Platform ini dibangun menggunakan 2.438 tugas Python dunia nyata dari repositori sumber terbuka.
Agen yang dilatih menggunakan SWE-Gym berhasil menyelesaikan 72,5 persen tugas dengan benar melampaui tolok ukur sebelumnya lebih dari 20 poin persentase.
Namun, varian Lite memiliki keterbatasan dalam hal skala dan kompleksitas tugas, sehingga efektivitasnya di skenario besar belum optimal.
(wbs)
Lihat Juga :
