Prediksi cacat perangkat lunak adalah metode untuk mengurangi biaya
pengujian aplikasi dengan menentukan area yang paling berpotensi cacat pada
perangkat lunak sehingga pengembang dapat berfokus pada area tersebut sebelum
aplikasi rilis. Implementasi prediksi cacat perlu dilakukan pada aplikasi android
melihat jumlah penggunanya yang telah mencapai 81% dari pengguna ponsel
pintar. Salah satu faktor yang mempengaruhi kinerja prediksi cacat adalah metrik
yang digunakan. Pada penelitian ini, penulis akan berfokus untuk
mengimplementasikan metrik ACM pada aplikasi android untuk membuktikan
kontribusi metrik ACM terhadap prediksi cacat dengan melakukan uji korelasi
dan nilai evaluasi menggunakan model machine learning SVM, Decision Tree,
Gradient Boosting Machine dan eXtreme Gradient Boosting. Penulis mengatasi
masalah class imbalance pada pemodelan dengan metode Random oversample
dan Random undersampler. Eksperimen dilakukan menggunakan dataset
Androsec yang berisi 1.179 aplikasi, termasuk 4.416 versi berbeda dari aplikasi
dan total 435.680 commit. Hasil penelitian menunjukkan bahwa beberapa metrik
ACM yaitu di antaranya metrik agregat NUC, LT, REXP dan EXP memiliki
korelasi kuat terhadap cacat serta mampu mengungguli beberapa metrik kode dan
metrik proses. Metrik agregat NUC mampu memiliki korelasi yang sangat tinggi
terhadap cacat yaitu mencapai 0.9. Hasil penelitian juga menunjukkan bahwa
metrik dengan korelasi tertinggi memiliki urutan performa yang sama pada uji
evaluasi model secara praktis. Selain itu, seluruh metrik hasil ekstraksi memiliki
performa yang baik pada model ditunjukkan dengan nilai MCC 94,4% diuji
menggunakan metode oversample pada model Decision Tree, GBM dan XGB.
Hasil penelitian menunjukkan pula bahwa metrik ACM berhasil mengungguli
metrik ACM+CM, PM+CM, PM dan CM dengan metode oversampling.
Kata Kunci : Prediksi Cacat Perangkat Lunak, Metrik Perangkat Lunak,
ACM Metrik, Aplikasi Android