<![CDATA[Industri pengembangan perangkat lunak menghadapi tantangan yang semakin kompleks dalam memperkirakan waktu pengembangan, mengidentifikasi bug sejak dini, serta mengelola kualitas kode secara konsisten. Machine learning telah muncul sebagai solusi transformatif dalam ranah predictive analytics untuk rekayasa perangkat lunak, karena mampu menghasilkan prediksi yang lebih akurat sekaligus mendukung pengambilan keputusan berbasis data. Tinjauan integratif ini menganalisis secara komprehensif peran machine learning dalam berbagai aspek predictive analytics untuk software engineering, meliputi estimasi effort pengembangan, prediksi defect, analisis code smell, serta forecasting kebutuhan maintenance.Metode tinjauan sistematis diterapkan terhadap 87 artikel ilmiah yang dipublikasikan pada periode 2020–2025 dan diperoleh dari basis data bereputasi seperti IEEE Xplore, ACM Digital Library, serta ScienceDirect. Hasil analisis menunjukkan bahwa algoritma ensemble methods seperti Random Forest dan Gradient Boosting mencapai akurasi tertinggi (85–92%) dalam prediksi defect. Sementara itu, model deep learning menunjukkan performa yang lebih unggul dalam estimasi effort proyek dengan nilai RMSE < 15%. Neural networks dan transformer-based models juga terbukti efektif dalam menganalisis kualitas kode, dengan precision mencapai 89%. Tantangan utama yang teridentifikasi meliputi ketersediaan dataset berkualitas, isu interpretabilitas model, serta kemampuan generalisasi lintas proyek. Temuan ini memberikan roadmap komprehensif bagi praktisi software engineering untuk mengintegrasikan machine learning dalam seluruh siklus pengembangan perangkat lunak, disertai rekomendasi spesifik terkait pemilihan algoritma yang selaras dengan konteks proyek dan karakteristik data yang tersedia.]]>
Copyrights © 2026
