Prediksi cacat perangkat lunak memungkinkan manajer proyek perangkat lunak untuk mengelola orang, biaya, dan waktu secara efisien dalam upaya meningkatkan kualitas perangkat lunak. Oleh karena itu, penelitian untuk meningkatkan performa atau nilai akurasi dari model prediksi cacat perangkat lunak masih terus dilakukan. Akan tetapi dataset untuk SDP seringkali memiliki jumlah atribut yang besar dan tidak semua menguntungkan performa model yang dihasilkan. Selain itu ketidakseimbangan antara sampel kelas cacat dan tidak cacat mengakibatkan prediksi model bias. Penulis bertujuan melakukan penelitian mengenai pendekatan analitik melalui visualisasi dalam pemodelan prediksi cacat perangkat lunak menggunakan PCA dan SMOTE. Algoritma pengklasifikasi SVM, RF, NB, dan NN yang dicari parameter terbaiknya dievaluasi berdasarkan nilai Recall, AUC dan G-Means pada lima dataset NASA yang berbeda. Penulis kemudian membandingkan hasil evaluasi model usulan dengan model PCA tanpa SMOTE untuk mengetahui apakah performa model mengalami peningkatan. Visual analytics berhasil dibuat setelah model dibuat untuk seluruh tahap pembangunan model, sehingga dapat memberikan kepercayaan dan membantu pengguna mendapatkan wawasan. Hasil menunjukkan bahwa metode yang diusulkan meningkatkan performa rata-rata sebesar 60%, 47% dan 16% untuk skor Recall, AUC dan G-Means dibandingkan dengan model yang hanya menggunakan PCA. Penggunaan SMOTE terbukti dapat mengatasi pengaruh ketidakseimbangan kelas dan NN merupakan algoritma paling baik berdasarkan nilai rata-rata skor pada model usulan.
Kata Kunci : Software Defect Prediction, PCA, Imbalance Handling, ML, Visual Analytics