Kualitas sebuah kasus uji bergantung pada kebutuhan perangkat lunak. Namun, mengidentifikasi secara manual elemen-elemen penting seperti prakondisi dan pascakondisi dalam kebutuhan perangkat lunak dapat memakan waktu dan tenaga yang banyak. Tantangan ini telah mendorong sebuah studi penelitian untuk mengusulkan pendekatan baru dalam pembuatan kasus uji menggunakan klasifikasi teks. Pendekatan yang diusulkan melibatkan pengelompokan kebutuhan perangkat lunak ke dalam dua label: "None" dan "Both." Label-label ini mengindikasikan keberadaan atau ketiadaan prakondisi dan pascakondisi dalam kebutuhan perangkat lunak. Untuk mencapai hal ini, penelitian ini menggunakan algoritma Naive Bayes, sebuah algoritma klasifikasi probabilitas yang digunakan dalam tugas klasifikasi teks. Algoritma ini memanfaatkan dua pustaka, yaitu Scikit-learn dan NLTK. Model Scikit-learn terbukti cukup efektif melalui eksperimen, dengan mencapai skor akurasi yang mengesankan sebesar 0.86. Hasil ini menunjukkan kelayakan dalam mengurangi usaha dan waktu yang diperlukan untuk mengklasifikasikan komponen-komponen kasus uji berdasarkan kebutuhan perangkat lunak. Dengan mengotomatisasi proses ini, pendekatan yang diusulkan menawarkan pendekatan yang cocok untuk meningkatkan efisiensi dan efektivitas dalam pembuatan kasus uji dalam pengujian perangkat lunak. Dengan memanfaatkan klasifikasi teks dan teknik pembelajaran mesin, pendekatan yang diusulkan tidak hanya menyederhanakan identifikasi komponen-komponen penting dalam kebutuhan perangkat lunak, tetapi juga membuka peluang untuk lebih lanjut mengotomatisasi dan mengoptimalkan proses pengujian.
Kata kunci: requirements, test case classification, text classification, natural language preprocessing