Deteksi Code Smell Menggunakan Kombinasi Metrik Struktural dan Representasi Semantik Kode pada Dataset yang Relevan dengan Industri

Azhar Bagaskara, Arif Nurwidyantoro, M.Cs., Ph.D.

2026 | Skripsi | ILMU KOMPUTER

Keberadaan code smell dapat mempersulit pemeliharaan perangkat lunak. Deteksi code smell secara otomatis telah berkembang ke pendekatan pembelajaran mesin (machine learning), namun sebagian besar penelitian terdahulu hanya berfokus pada salah satu jenis fitur saja (metrik struktural atau representasi semantik). Penelitian ini mengusulkan model deteksi berbasis pembelajaran mesin dengan menggabungkan metrik struktural (metrik CODEBEAT dan PMD) dan representasi semantik kode (vektor embedding code2vec, CuBERT, dan CodeBERT) pada dataset MLCQ yang relevan dengan industri. Klasifikasi dilakukan menggunakan algoritma random forest, XGBoost, dan SVM dengan label hasil majority voting. Hasil eksperimen menunjukkan bahwa penggabungan fitur mampu meningkatkan performa deteksi, dengan tingkat peningkatan yang bervariasi tergantung karakteristik unik code smell (cukup terlihat pada data class, namun marginal pada long method dan feature envy). Performa terbaik dicapai pada deteksi data class dengan F1-score 0,67 ± 0,04 dan MCC 0,62 ± 0,05 menggunakan random forest dan embedding CuBERT atau CodeBERT. Sementara itu, deteksi blob mendapatkan F1-score 0,53 ± 0,04 menggunakan SVM dan CodeBERT, deteksi long method mencatat F1-score 0,77 ± 0,04 menggunakan XGBoost dan code2vec, serta deteksi feature envy mencapai F1-score 0,30 ± 0,07 menggunakan random forest dan CuBERT. Hasil ini menunjukkan potensi kombinasi fitur dalam meningkatkan akurasi deteksi code smell di industri.

The presence of code smells complicates software maintenance. While automated code smell detection has shifted towards machine learning, previous studies typically focus on either structural metrics or semantic representations, limiting comprehensive understanding. This study proposes a machine learning-based detection model combining structural metrics (CODEBEAT and PMD metrics) and semantic representations (code2vec, CuBERT, and CodeBERT embedding vectors) on the industry-relevant MLCQ dataset. Models are classified using random forest, XGBoost, and SVM, with labels derived from majority voting. The experimental results show that combining features improves detection performance, though the improvement varies based on the unique characteristics of each code smell (noticeable for data class, but marginal for long method and feature envy). The best performance is achieved in data class detection with an F1-score of 0.67 ± 0.04 and MCC of 0.62 ± 0.05 using random forest with CuBERT or CodeBERT embeddings. Meanwhile, blob detection achieves an F1-score of 0.53 ± 0.04 using SVM with CodeBERT, long method detection obtains an F1-score of 0.77 ± 0.04 using XGBoost with code2vec, and feature envy detection reaches an F1-score of 0.30 ± 0.07 using random forest with CuBERT. These findings demonstrate the potential of combined feature models in improving code smell detection to support software maintenance in the industry.

Kata Kunci : Deteksi Code Smell, Metrik Struktural, Representasi Semantik Kode, Pembelajaran Mesin, Dataset MLCQ, Random Forest, XGBoost, SVM, code2vec, CuBERT, CodeBERT