VERIFIKASI KUALITAS KODE BERBASIS LARGE LANGUAGE MODELS: TINJAUAN LITERATUR SISTEMATIS TERHADAP TANTANGAN DAN PENDEKATAN STRATEGIS

Abstract

Pemanfaatan Large Language Models (LLM) dalam rekayasa perangkat lunak menawarkan lonjakan produktivitas yang signifikan. Namun, hal ini menghadirkan paradoks kualitas berupa fenomena "ilusi kebenaran" di mana kode tampak valid namun cacat logika, risiko replikasi kerentanan keamanan dari data pelatihan, degradasi keterpeliharaan akibat tingginya code churn, serta ketidakjelasan aspek kepatuhan lisensi. Penelitian ini bertujuan untuk memetakan tantangan kualitas tersebut serta mengevaluasi strategi verifikasi yang efektif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan kerangka PRISMA terhadap 40 studi primer yang diterbitkan antara tahun 2018 hingga 2025.  Hasil penelitian menunjukkan bahwa strategi verifikasi telah berevolusi dari pengujian manual menuju pendekatan otonom hibrida. Solusi mutakhir yang teridentifikasi mencakup penerapan Shift-Left Security melalui secure prompting, penggunaan AI-Driven Test Generation, serta pemanfaatan agen otonom (Self-Healing Agents) untuk perbaikan mandiri. Penelitian ini mengusulkan kerangka kerja "Siklus Verifikasi Otonom Hibrida" sebagai standar baru untuk memastikan integritas sistem di era pemrograman berbasis AI