Perangkat lunak berskala besar seperti Learning Management System (LMS) Moodle memerlukan proses pengujian yang efisien untuk mengurangi risiko kegagalan sistem. Pendekatan berbasis metrik kode statis masih memiliki keterbatasan dalam menangkap dinamika perubahan kode dan kolaborasi pengembang yang berpotensi menimbulkan cacat perangkat lunak. Oleh karena itu, identifikasi modul rentan cacat menjadi penting untuk mendukung proses pengujian yang lebih efektif. Penelitian ini bertujuan membangun model prediksi kerentanan cacat pada 23 modul utama Moodle menggunakan algoritma Random Forest berbasis fitur change history. Data diperoleh melalui pendekatan Mining Software Repositories dan diproses menggunakan validasi kronologis untuk menghindari data leakage. Penelitian ini juga menerapkan balanced class weight dan optimasi threshold klasifikasi guna meningkatkan sensitivitas model. Hasil penelitian menunjukkan bahwa model mampu meningkatkan performa prediksi dengan akurasi sebesar 85,7% dan Recall 1,00, sehingga efektif dalam meminimalkan false negative pada deteksi modul cacat. Analisis feature importance menunjukkan bahwa jumlah pengembang unik merupakan faktor yang paling berpengaruh terhadap kemunculan cacat perangkat lunak. Penelitian ini berkontribusi dalam mendukung deteksi dini modul berisiko tinggi secara lebih realistis dan interpretatif. Kata kunci: Software Defect Prediction, Moodle, Random Forest, Change History, Time-Aware Split.
Copyrights © 2026