Panduan Praktis Property-Based Testing dengan Hypothesis: Dari Stateful hingga Metamorphic Testing

Bayangin kamu nulis unit test dengan nge-hardcode contoh input satu per satu. Capek, kan? Belum lagi edge cases yang selalu kelewat. Nah, property-based testing dengan Hypothesis ini solusinya.

Hypothesis bakal generate ribuan input otomatis, nge-shrink failure jadi contoh paling minimal, dan nemuin bug yang kamu nggak kepikiran. Beda banget sama testing tradisional yang cuma ngecek "kalau input A, output harus B."

Di artikel ini, kita bakal bangun pipeline testing lengkap pakai Hypothesis. Mulai dari pure function sampai stateful system yang kompleks. Siap?

Pertama, kita setup environment dulu. Install Hypothesis dan pytest, terus import modul yang dibutuhin. Kita definisiin beberapa utility function kayak clamp buat batasin nilai, normalize_whitespace, dan merge_sorted.

Function-function ini jadi fondasi yang bakal kita validasi pake property-based testing. Hypothesis bakal ngecek behavior-nya di berbagai skenario, bukan cuma contoh yang kita kasih.

Selanjutnya, kita bikin parser integer yang robust. Ada dua versi: safe_parse_int pake regex, dan safe_parse_int_alt yang manual parsing. Kenapa dua? Buat differential testing nanti.

Kita juga bikin strategies khusus, kayak int_like_strings yang generate string mirip integer. Ini penting biar input space-nya terkontrol tapi tetep variatif.

Nah, sekarang masuk ke inti testing-nya. Kita pake decorator @given buat kasih tahu Hypothesis mau generate input apa. Contohnya, test_clamp_within_bounds yang ngecek kalau output clamp selalu dalam range yang ditentukan.

Hypothesis otomatis explore edge cases: lo > hi, x negatif, x positif gede banget, dan sebagainya. Kamu nggak perlu nulis semua kemungkinan manual.

Kita juga implement differential testing buat merge_sorted. Ide-nya: bandingin output implementasi kita sama reference implementation yang udah trusted. Kalau beda, ada yang salah.

Buat parsing, kita verifikasi dua parser selalu setuju di input yang valid. Tapi juga ngecek kalau input invalid ditolak dengan benar. Hypothesis generate berbagai variasi: string kosong, karakter aneh, angka terlalu gede, dan lainnya.

Metamorphic testing juga kita coba. Contohnya, variance dari data yang ditambah konstanta harus sama dengan variance asli. Ini invariant yang harus selalu benar, meski input-nya berubah.

Hypothesis bisa targeted exploration juga. Kita bisa kasih hint ke Hypothesis buat fokus cari input yang bikin variance-nya ekstrem. Berguna banget buat statistical testing.

Yang paling seru: stateful testing. Kita simulasiin bank account pakai RuleBasedStateMachine. Ada rules buat deposit dan withdraw, dengan precondition dan invariant.

Precondition ngecek kondisi sebelum rule dijalankan. Misalnya, withdraw cuma bisa kalau balance > 0. Invariant ngecek konsistensi sistem setelah tiap operasi. Contohnya, replay_balance harus selalu sama dengan balance.

Hypothesis bakal generate urutan operasi acak: deposit 5000, withdraw 3000, deposit lagi, withdraw terlalu gede, dan sebagainya. Kalau ada bug di logic, Hypothesis bakal nemuin urutan minimal yang bikin fail.

Ini jauh lebih powerful dari unit testing biasa yang cuma test satu operasi isolasi. Stateful testing ngecek interaksi antar operasi yang bisa nge-trigger bug tersembunyi.

Praktisnya, begini cara mulai pakai Hypothesis di project kamu. Pertama, install: pip install hypothesis pytest. Terus mulai dari function sederhana, definisiin properties yang harus selalu benar.

Jangan langsung ke stateful testing kalau belum familiar. Bangun intuisi dulu pake @given dan @example. Pelajari cara Hypothesis shrink failure, itu insight berharga buat debug.

Untuk production code, combine Hypothesis dengan pytest fixture dan CI/CD. Jalanin property-based test di tiap commit, tapi limit max_examples biar nggak terlalu lama.

Takeaway praktis: property-based testing nggak ngantiin unit testing, tapi nambahin layer kepercayaan. Unit test buat contoh spesifik, property test buat behavior umum. Kombinasi keduanya bikin codebase lebih robust.

Hypothesis juga support Django, Pandas, NumPy, dan banyak library lain. Ekosistem-nya mature, dokumentasinya lengkap. Worth it buat diadopsi di project Python apapun yang butuh reliability tinggi.

Kesimpulannya, kita udah bangun framework testing komprehensif: pure function, parsing, statistical behavior, sampai stateful system. Semua pake Hypothesis yang otomatis explore, shrink, dan verify.

Dari example-based testing, kita naik level ke behavior-driven verification. Lebih abstrak, lebih kuat, dan lebih pede rilis code ke production.