Prediksi cacat software sering dilakukan pada penelitian untuk mencari tahu tentang kinerja, akurasi, presisi dan performa dari model prediksi ataupun metode yang digunakan dalam penelitian, dengan menggunakan berbagai macam dataset metrik software seperti NASA MDP. Namun dataset metrik software umumnya bersifat tidak seimbang yang dapat menurunkan kinerja model prediksi cacat software karena cenderung menghasilkan prediksi kelas mayoritas. Pada penelitian ini menggunakan pendekatan level algoritma yaitu bagging untuk membuat pengklasifikasi lebih konduktif terhadap kelas minoritasmenggabungkan (ensemble) pengklasifikasi tunggal agarmenjadilebihbaik. Pengklasifikasi yang digunakan merupakan salah satu dari model deep learning yaitu Deep Neural Network. Kemudian di validasi menggunakan Stratified K-Fold Cross Validation dan di evaluasi menggunakan AUC. Pada model Deep Neural Network tanpa bagging memperoleh rata-rata nilai AUC sebesar 0.772, kemudian model Deep Neural Network menggunakan bagging dengan BaggingClassifier 5 boostrap memperoleh rata-rata nilai AUC sebesar 0.766 dan BaggingClassifier 10 boostrap memperoleh rata-rata nilai AUC sebesar 0.763. Untuk model Deep Neural Network menggunakan bagging dengan teknik Balance Bagging memperoleh rata-rata nilai AUC sebesar 0.877.