Software Defect Prediction (SDP) adalah proses mengidentifikasi defect perangkat
lunak berada pada tahap awal pengujian dari SDLC. SDP dapat menghemat waktu
pengujian perangkat lunak pada proses pengembangan. Terdapat beberapa masalah
pada proses pengembangan SDP untuk menjadi lebih efektif, salah satu masalahnya
adalah meningkatkan nilai akurasi pada proses prediksi. Mayoritas dataset yang
ditujukan untuk SDP mempunyai sifat imbalance data pada kelas defect, dalam kata
lain dataset tersebut akan menimbulkan bias dalam proses prediksi. Penelitian ini
mengajukan syntethic minority oversampling technique (SMOTE) dan Artificial
Nerual Network untuk menangani masalah tersebut. SMOTE disini digunakan
untuk menangani imbalance dataset dan Artificial Neural Network digunakan untuk
menangani pembentukan model prediksi karena dapat menjadi metode yang efektif
karena kemampuanya dalam memodelkan hubungan antar fitur dengan baik.
Hasil penelitian menunjukan bahwa metode usulan SMOTE dan Artificial Neural
Network dan Association Rules Mining dapat meningkatkan kinerja prediksi pada
kasus prediksi defect perangkat lunak dibandingkan dengan hanya menggunakan
metode Artificial Neural Network saja. Evaluasi pada skenario penelitian
menunjukan parameter precision, recall, F-measure dan accuracy mengalami
peningkatan sebesar 2.2%, 18.4%, 22.4% dan 8.8% pada perbandingan ANN
dengan ANN+ARM+SMOTE. Sedangkan pada perbandingan ANN+ARM dengan
ANN+ARM+SMOTE juga terjadi peningkatan sebesar 32.2%, 70.24%, 7% dan
63.38%. Untuk perbandingan terakhir menampilkan hasil yang cukup berbeda
dengan kedua perbandingan sebelumnya yaitu metode usulan mendapatkan nilai
kinerja yang lebih kecil dengan metode pembanding pada perbandingan
ANN+SMOTE dengan ANN+ARM+SMOTE, jarak kinerja dari kedua metode
tersebut adalah 17.2%, 7.8%, 1%, 15.6%. Alasan kenapa metode usulan sedikit
lebih buruk di dikarenakan penggunaan fitur seleksi berbasis Association Rule
Mining tidak membantu meningkatkan kinerja akurasi pada proses prediksi