Cacat perangkat lunak yang ditemukan pada saat aplikasi telah di luncurkan dapat menimbulkan berbagai masalah dan merugikan banyak pihak, mulai dari pemilik, pengembang hingga pengguna. Memprediksi cacat perangkat lunak merupakan salah satu cara untuk menghindari kerugian yang dapat terjadi dimasa depan. Namun, sering kali terjadi kesalahan klasifikasi pada saat proses prediksi dilakukan sehingga menyebabkan kerugian. Dalam studi ini, penulis mengusulkan metode cost-sensitive untuk meminimalisir kerugian yang disebabkan oleh kesalahan klasifikasi dan menerapkan algoritma Neural network untuk mendapatkan hasil performa yang optimal. Penulis kemudian membandingkan hasil evaluasi model menggunakan perhitungan cost-metrix dan AUC pada model yang menerapkan Neural Network dengan cost-insensitive untuk mengetahui tingkat kerugian yang dihasilkan. Dari hasil pengujian menunjukkan bahwa metode cost-sensitive dapat meningkatkan persentase nilai AUC sebesar 17% pada semua dataset dengan rata-rata nilai yang dihasilkan adalah 76% dari nilai awal 59% dan dapat menurunkan nilai cost-matrix pada semua dataset yang diuji dengan rata-rata penurunan hingga mencapai 45.74%.
Kata kunci : Cost-Sensitive, Software Defect Prediction Imbalance
Class, Misclassification Cost, AUC-ROC curve