Prediksi cacat perangkat lunak (Software Defect Prediction) digunakan untuk

mengidentifikasi cacat pada modul perangkat lunak, yang merupakan tantangan

dalam pengembangan perangkat lunak. Penelitian ini berfokus pada permasalahan

yang terjadi dalam metode Particle Swarm Optimization (PSO), seperti keberadaan

atribut yang mengandung noise, dimensi data yang tinggi, serta distribusi kelas

yang tidak seimbang. Untuk mengatasi permasalahan tersebut, penelitian ini

mengusulkan metode seleksi fitur berbasis filter secara hybrid yang dikombinasikan

dengan teknik penyeimbangan kelas. Proses seleksi fitur menggunakan Chi-Square

(CS), Correlation-Based Feature Selection (CFS), dan Correlation Matrix-Based

Feature Selection (CMFS), yang telah terbukti efektif dalam mengurangi atribut

yang tidak relevan dan redundan. Selain itu, Synthetic Minority Over-sampling

Technique (SMOTE) diterapkan untuk mengatasi ketidakseimbangan kelas dalam

dataset. Sebagai metode klasifikasi, digunakan algoritma K-Nearest Neighbors

(KNN) karena efisiensinya serta akurasinya dalam melakukan prediksi. Evaluasi

kinerja dilakukan menggunakan metrik Area Under Curve (AUC) dengan tingkat

signifikansi 0,05. Hasil menunjukkan bahwa metode yang diusulkan berhasil

mencapai AUC sebesar 0,872, yang membuktikan efektivitasnya dalam

meningkatkan kinerja prediksi. Metode yang diusulkan juga menunjukkan

keunggulan dibandingkan dengan kombinasi lain, seperti PSO SMOTE (0,0043),

PSO SMOTE CS (0,0091), PSO SMOTE CFS (0,0111), dan PSO SMOTE CFS

CMFS (0,0007). Hasil penelitian ini berkontribusi dalam meningkatkan kinerja

PSO dalam prediksi cacat perangkat lunak dengan secara signifikan meningkatkan

nilai AUC. Pendekatan ini menunjukkan potensi yang besar dalam pemanfaatan

teknik seleksi fitur hybrid dan penyeimbangan kelas untuk mengoptimalkan PSO

dalam prediksi cacat perangkat lunak.