Pengembangan perangkat lunak open-source berskala besar seperti Kubernetes memiliki tantangan besar seperti tingginya volume dan kompleksitas permintaan perubahan (change request) , yang menyebabkan inefisiensi dalam alokasi tugas pengembang dan duplikasi usaha yang menghambat produktivitas. Untuk mengatasi masalah ini, skripsi ini mengusulkan sebuah sistem yang mampu mengklasifikasikan area modul yang terdampak secara otomatis dan merekomendasikan tugas relevan berdasarkan kemiripan semantik. Solusi ini dibuat dengan tujuan untuk meningkatkan efisiensi dan produktivitas dalam proses pengembangan perangkat lunak. Skripsi ini menggunakan data change request dari repositori GitHub Kubernetes yang dikumpulkan melalui REST API dan web scraping. Pada tahap klasifikasi, berbagai model deep learning berbasis Transformer (BERT-base, DeBERTa, CodeBERT, ROBERTa) dibandingkan dengan model machine learning menggunakan representasi teks (embedding) dari FastText dan SBERT. Untuk mengatasi ketidakseimbangan data dan fitur yang tidak relevan, diterapkan teknik augmentasi data menggunakan GPT-2 dan feature selection menggunakan filter, wrapper, dan hybrid method. Arsitektur model juga dieksplorasi dengan menambahkan lapisan konvolusional (CNN). Pada tahap rekomendasi, performa SBERT dan FastText dibandingkan menggunakan cosine similarity untuk mengukur kemiripan semantik antar change request. Hasil penelitian menunjukkan bahwa performa model klasifikasi terbaik sangat bergantung pada ketersediaan informasi nama file. Ketika informasi nama file disertakan, model DeBERTa dengan augmentasi data dan seleksi 10 fitur teratas menghasilkan performa terbaik dengan F1-score sebesar 0.8851 pada data bug dan 0.9228 pada data permintaan fitur. Saat informasi nama file dihilangkan, arsitektur DeBERTa-CNN yang juga di-augmentasi dan menggunakan 10 label terseleksi menjadi model terbaik dengan F1-score 0.8481 pada data bug dan 0.8512 pada data permintaan fitur. Hasil ini menegaskan bahwa informasi nama file merupakan sinyal prediktif yang sangat dominan, dan ketika sinyal ini dihilangkan, penerapan lapisan CNN menjadi sangat efektif dalam mengekstraksi fitur-fitur tekstual yang lebih dalam. Untuk sistem rekomendasi, SBERT terbukti efektif dan lebih unggul dengan mencapai Precision@10 hingga 0.9016 pada data bug dan 0.9394 pada data permintaan fitur.