<![CDATA[Prediksi cacat perangkat lunak sangat penting untuk menjaga kualitas sistem, tetapi sering kali menghadapi masalah dimensi atribut yang tidak relevan dan ketidakseimbangan kelas data yang ekstrem. Penelitian ini bertujuan menganalisis pengaruh Feature Selection menggunakan Information Gain dan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data terhadap performansi model Multi Layer Perceptron (MLP). Dataset yang digunakan berasal dari NASA Metrics Data Program (NASA MDP) yang menggabungkan enam dataset dengan total 28.258 data. Tahap preprocessing data meliputi standardisasi label, median imputation untuk data hilang di bawah 30 persen, eliminasi atribut dengan data hilang di atas 30 persen, standardisasi StandardScaler, dan SMOTE. Feature Selection Information Gain digunakan untuk memilih 10 atribut terbaik. Model MLP dilatih dan dievaluasi menggunakan Stratified 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa penggunaan SMOTE secara signifikan meningkatkan kemampuan model mendeteksi kelas cacat (Defective), ditandai dengan kenaikan recall dari 0,1897 menjadi 0,7112. Skenario terbaik diperoleh pada kombinasi MLP dengan seleksi fitur dan SMOTE yang menghasilkan akurasi sebesar 0,7549, presisi 0,2368, recall mencapai nilai tertinggi sebesar 0,8267, F1-Score 0,3681, dan Area Under Curve (AUC) sebesar 0,8670. Kombinasi ini berhasil meminimalkan risiko kegagalan sistem akibat cacat yang tidak terdeteksi (false negative). Penelitian ini berkontribusi memberikan panduan metodologis yang efektif bagi pengembang perangkat lunak untuk mengidentifikasi potensi cacat sejak tahap awal pengembangan guna meningkatkan efisiensi pengujian.]]>
Copyrights © 2026
