Pengembangan Model Klasifikasi Code Smells Pada Backend Python Menggunakan Algoritma Random Forest (Studi Kasus Proyek Open Source Github)

Tekanan tenggat waktu dalam pengembangan perangkat lunak sering mendorong pengembang mengambil jalan pintas penulisan kode, yang memicu munculnya degradasi kualitas struktural yang dikenal sebagai code smells. Penumpukan anomali struktural ini berkontribusi langsung pada pembengkakan utang teknis (technical debt) dan mempersulit proses pemeliharaan sistem dalam jangka panjang. Penelitian ini bertujuan mengembangkan model klasifikasi otomatis berbasis kecerdasan buatan untuk mendeteksi kontaminasi code smells pada arsitektur backend Python. Metode yang digunakan adalah eksperimen kuantitatif data sains dengan menerapkan algoritma ensemble learning Random Forest yang diintegrasikan dengan teknik penyeimbangan kelas SMOTE (Synthetic Minority Over-sampling Technique). Data dikumpulkan dari platform GitHub melalui kriteria inklusi reputasi tinggi, berhasil mengekstrak 137.728 entitas sampel kode dari 7 repositori skala besar menggunakan instrumen multi-metrik Radon. Untuk menyimulasikan kesalahan manusia, gangguan acak (random noise) sebesar 5% disisipkan ke dalam data pelabelan. Hasil pengujian menunjukkan model usulan mencapai performa klasifikasi yang stabil dan seimbang dengan rata-rata presisi, recall, dan f1-score sebesar 0.95 pada evaluasi macro average dan weighted average. Melalui studi ablasi, SMOTE terbukti secara empiris menjaga konsistensi deteksi pada kelas minoritas. Analisis kontribusi fitur mengidentifikasi metrik Logical Lines of Code (LLOC) sebagai indikator paling krusial dengan bobot pengaruh 37,65%. Penelitian ini memberikan kontribusi praktis berupa sistem penjaminan kualitas otomatis bagi pengembang untuk mendeteksi lokasi refaktorisasi kode sejak dini, sehingga mampu menekan pembengkakan utang teknis dan mempermudah pemeliharaan sistem.