Prediksi cacat software menjadi salah satu cara untuk meningkatkan kualitas software dengan melakukan klasifikasi terhadap cacat software menggunakan berbagai algoritma klasifikasi. Selain algoritma klasifikasi berbasis pohon seperti Decision Tree dan Random Forest, terdapat algoritma baru bernama Deep Forest. Ketiga algoritma tersebut memiliki keterkaitan satu sama lain di mana pada Random Forest berisi banyak Decision Tree dan Deep Forest berisi banyak Random Forest namun ketiganya memiliki perbedaan tersendiri. Pada penelitian ini, melakukan prediksi cacat software terhadap algoritma klasifikasi berbasis pohon Decision Tree, Random Forest, Deep Forest yang dilakukan dengan hyperparameter tuning. Tujuan dari penelitian ini untuk mencari tahu pengaruh hyperparameter tuning terhadap algoritma klasifikasi berbasis pohon yang digunakan mampu memberikan kinerja prediksi cacat software yang lebih baik. Setiap model prediksi divalidasi dengan Stratified 10-Fold Cross Validation dan kinerja dievaluasi menggunakan AUC. Kemudian melakukan uji perbandingan menggunakan T-Test. Rata-rata nilai AUC yang dihasilkan Decision Tree tanpa hyperparameter tuning sebesar 0.652 dan dengan hyperparameter tuning sebesar 0.714, sedangkan rata-rata nilai AUC yang dihasilkan Random Forest tanpa hyperparameter tuning sebesar 0.791 dan dengan hyperparameter tuning sebesar 0.783, sedangkan rata-rata nilai AUC yang dihasilkan Deep Forest tanpa hyperparameter tuning sebesar 0.789 dan dengan hyperparameter tuning sebesar 0.776. Hasil penelitian menunjukkan hyperparameter tuning yang dilakukan mampu meningkatkan kinerja Decision Tree pada prediksi cacat software.