Prediksi Modul Rentan Cacat pada Moodle Menggunakan Random Forest Berbasis Riwayat Perubahan
DOI:
https://doi.org/10.31102/jatim.v7i2.3961Abstract
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.
Downloads
References
DAFTAR PUSTAKA
[1] S. Stradowski and L. Madeyski, “Machine learning in software defect prediction: A business-driven systematic mapping study,” Mar. 01, 2023, Elsevier B.V. doi: 10.1016/j.infsof.2022.107128.
[2] A. Dwi Permatasari, N. Rahmatina, and M. Ainul Yaqin, “Evaluasi Teknik Elisitasi pada Software Requirement dalam Menentukan Efektivitas Kebutuhan Perangkat Lunak,” Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer), vol. 5, no. 1, pp. 183–193, Jun. 2025, doi: 10.55382/jurnalpustakadata.v5i1.993.
[3] M. Jorayeva, A. Akbulut, C. Catal, and A. Mishra, “Machine Learning-Based Software Defect Prediction for Mobile Applications: A Systematic Literature Review,” Apr. 01, 2022, MDPI. doi: 10.3390/s22072551.
[4] W. Rhmann, B. Pandey, G. Ansari, and D. K. Pandey, “Software fault prediction based on change metrics using hybrid algorithms: An empirical study,” Journal of King Saud University - Computer and Information Sciences, vol. 32, no. 4, pp. 419–424, May 2020, doi: 10.1016/j.jksuci.2019.03.006.
[5] S. Haldar and L. F. Capretz, “Feature Importance in the Context of Traditional and Just-In-Time Software Defect Prediction Models,” in 2024 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE), 2024, pp. 818–822. doi: 10.1109/CCECE59415.2024.10667167.
[6] A. Khalid, G. Badshah, N. Ayub, M. Shiraz, and M. Ghouse, “Software Defect Prediction Analysis Using Machine Learning Techniques,” Sustainability (Switzerland) , vol. 15, no. 6, Mar. 2023, doi: 10.3390/su15065517.
[7] M. Ali, T. Mazhar, A. Al-Rasheed, T. Shahzad, Y. Y. Ghadi, and M. A. Khan, “Enhancing software defect prediction: a framework with improved feature selection and ensemble machine learning,” PeerJ Comput. Sci., vol. 10, 2024, doi: 10.7717/peerj-cs.1860.
[8] Y. Jiang, B. Shen, and X. Gu, “Just-In-Time Software Defect Prediction via Bi-modal Change Representation Learning,” Oct. 2024, doi: 10.1016/j.jss.2024.112253.
[9] G. Destefanis et al., “An audit of machine learning experiments on software defect prediction,” Empir. Softw. Eng., vol. 31, no. 4, Jul. 2026, doi: 10.1007/s10664-025-10797-w.
[10] S. R. Goyal, “Current Trends in Class Imbalance Learning for Software Defect Prediction,” IEEE Access, vol. 13, pp. 16896–16917, 2025, doi: 10.1109/ACCESS.2025.3532250.
[11] X. Wan, Z. Zheng, F. Qin, and X. Lu, “Data Complexity: A New Perspective for Analyzing the Difficulty of Defect Prediction Tasks,” ACM Transactions on Software Engineering and Methodology, vol. 33, no. 6, Jun. 2024, doi: 10.1145/3649596.
[12] R. van Dinter, C. Catal, G. Giray, and B. Tekinerdogan, “Just-in-time defect prediction for mobile applications: using shallow or deep learning?,” Software Quality Journal, vol. 31, no. 4, pp. 1281–1302, Dec. 2023, doi: 10.1007/s11219-023-09629-1.
