EVALUASI PERFORMA KOMPARATIF MODEL LINEAR, BAGGING, DAN BOOSTING MENGGUNAKAN BORUTASHAP UNTUK PREDIKSI CACAT PERANGKAT LUNAK PADA DATASET NASA MDP (Oleh : Najla Putri Kartika; Pembimbing: Rudy Herteno, S.Kom., M.Kom. dan Irwan Budiman, S.T., M.Kom.; 2026; 16) Prediksi Cacat Perangkat Lunak bertujuan untuk mengidentifikasi modul-modul yang berpotensi mengalami cacat sejak dini guna meningkatkan keandalan perangkat lunak dan mengurangi biaya pemeliharaan. Namun, tantangan seperti dimensi fitur yang tinggi, metrik yang tidak relevan, dan ketidakseimbangan kelas sering kali menurunkan kinerja model prediksi. Penelitian ini bertujuan untuk membandingkan kinerja tiga kelompok model klasifikasi—linear, bagging, dan boosting—yang dikombinasikan dengan metode seleksi fitur BorutaSHAP untuk meningkatkan stabilitas dan interpretabilitas prediksi. Sebanyak dua belas dataset dari NASA Metrics Data Program (MDP) digunakan sebagai referensi pengujian. Tahapan penelitian meliputi data preprocessing, penyeimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE), seleksi fitur dengan BorutaSHAP, dan pelatihan model menggunakan lima algoritma, yaitu Logistic Regression, Linear SVC, Random Forest, Extra Trees, dan XGBoost. Evaluasi dilakukan dengan Stratified 5-Fold Cross-Validation menggunakan metrik F1-score dan Area Under the Curve (AUC). Hasil eksperimen menunjukkan bahwa model ensemble berbasis pohon memberikan performa paling konsisten, dengan Extra Trees mencatat rata-rata AUC tertinggi yaitu 0.794 ± 0.05, diikuti oleh Random Forest (0.783 ± 0.06). Model XGBoost memberikan hasil terbaik pada dataset PC4 (AUC = 0.937 ± 0.008), menunjukkan kemampuannya dalam menangani pola data yang kompleks. Temuan ini membuktikan bahwa BorutaSHAP efektif dalam menyaring fitur-fitur yang relevan, meningkatkan keandalan klasifikasi, serta memperkuat transparansi dan interpretabilitas dalam kerangka Explainable Artificial Intelligence (XAI) untuk peningkatan kualitas perangkat lunak. Kata Kunci: BorutaSHAP, Seleksi Fitur, Machine Learning Ensembles, SMOTE, Prediksi Cacat Perangkat Lunak, XAI.