Prediksi cacat perangkat lunak menghadapi tantangan utama berupa ketidakseimbangan kelas, di mana model klasifikasi cenderung mengabaikan kelas minoritas. Metode oversampling seperti SMOTE menghasilkan sampel sintetis secara seragam tanpa mempertimbangkan karakteristik risiko masing-masing sampel, sehingga berpotensi menghasilkan sampel yang tidak informatif. Penelitian ini mengusulkan Adaptive Risk-SMOTE (AR-SMOTE), metode oversampling baru yang mengombinasikan entropi Shannon dan kepadatan mayoritas lokal sebagai skor risiko untuk mengarahkan sintesis sampel secara selektif pada kategori minoritas yang paling informatif. Pengujian dilakukan pada dataset AEEEM (EQ, JDT, LC, ML, PDE) menggunakan enam algoritma klasifikasi dengan skema 5-fold stratified cross-validation dan metrik AUC. Hasil menunjukkan AR-SMOTE unggul pada Logistic Regression dan Neural
Network di 3 dari 5 dataset, dengan peningkatan terbesar pada LC untuk Logistic Regression (+0,0397 terhadap SMOTE) dan JDT untuk Neural Network (+0,0239 terhadap SMOTE). Secara rata-rata keseluruhan, AR-SMOTE (0,7768) mengungguli SMOTE standar (0,7753), Borderline-SMOTE (0,7748), dan
ADASYN (0,7748). Namun AR-SMOTE kurang optimal pada KNN dan SVM. AR-SMOTE terbukti menjadi alternatif oversampling yang selektif dan adaptif, dengan efektivitas tertinggi pada model yang bergantung pada kualitas distribusi data latih.

Kata Kunci: Software Defect Prediction, Ketidakseimbangan Kelas, AR-SMOTE, Oversampling, Entropi Shannon