Prediksi cacat perangkat lunak (SDP) memusatkan upaya pengujian terbatas pada modul yang paling mungkin gagal. Namun, data metrik dunia nyata bersifat tabel, berisik, dan sangat tidak seimbang kelas, yang merendahkan pembelajar konvensional. TabKANet, yang menggabungkan embedding Jaringan Kolmogorov-Arnold dengan tulang punggung Transformer, menunjukkan potensi pada data tabular umum tetapi belum diperiksa untuk SDP. Selain itu, efek langkah pra-pemrosesan yang umum masih belum terkuantifikasi. Studi ini mengadaptasi TabKANet ke pengaturan SDP yang bernumerik dan sangat tidak seimbang serta mengevaluasinya secara empiris terhadap baseline yang telah ditetapkan, menggunakan ablasi terstruktur untuk mengisolasi kontribusi oversampling dan pemilihan fitur daripada mengusulkan arsitektur baru. Dua belas dataset NASA Metrics Data Program diproses dengan penghapusan duplikat, normalisasi MinMax, pembobotan kelas efektif, dan validasi silang lima kali lipat yang berstratifikasi; sementara SMOTE dan Recursive Feature Elimination (RFE) diterapkan di dalam lipatan pelatihan. Empat varian TabKANet dibandingkan dengan Multi-Layer Perceptron (MLP), KAN mandiri, dan TabNet, dan perbedaan dinilai dengan tes signed-rank Wilcoxon (α = 0,05). Varian dasar mencapai rata-rata AUC sebesar 0,7589, secara statistik setara dengan MLP dan KAN serta secara signifikan lebih tinggi dari TabNet. Dalam ablation, SMOTE secara konsisten menurunkan AUC dan RFE bersifat netral, meskipun kedua efek tersebut tidak signifikan secara statistik; model tetap berkinerja terbaik tanpa pengambilan sampel tambahan. Kontribusi utama bersifat empiris: untuk SDP yang tidak seimbang, pembobotan kelas efektif saja sudah cukup dan SMOTE kontraproduktif untuk TabKANet.