Prediksi cacat software adalah suatu proses membangun model Machine Learning untuk memprediksi kemungkinan terjadinya cacat atau kesalahan dalam software. Namun, pengembangan model prediksi cacat software dengan menggunakan metode Machine Learning sangatlah kompleks dan sulit, terutama ketika mencari atribut pengukuran kompleksitas asli yang relevan dan dapat diandalkan. Terlalu banyak atribut pengukuran kompleksitas asli dapat mengarah ke Curse of Dimensionalityyang membuat model Machine Learning dapat mengalami overfitting pada data latih, sehingga menghasilkan model yang buruk pada data uji. Pada penelitian ini untuk menangani permasalahan tersebut,dilakukan pendekatan seleksi fitur association rules dengan algoritma Fp-Growth untuk mengatasi kompleksitas atribut pengukuran dan meningkatkan akurasi prediksi cacat software, serta algoritma klasifikasi K-Nearest Neighbor (KNN) sebagai metode klasifikasi yang dioptimasi dengan algoritma genetika. Tujuan dari penelitian ini adalah untuk mengetahui kinerja yang dihasilkan oleh seleksi fitur FP-Growth pada klasifikasi KNN yang dioptimasi algoritma genetika menggunakan 12 dataset NASA MDP. Hasil penelitian menunjukkan pendekatan klasifikasi KNN, seleksi fitur FP-Growth dengan klasifikasi KNN, klasifikasi KNN yang dioptimasi dengan algoritma genetika dan seleksi fitur FP-Growthpada klasifikasi KNN yang dioptimasi dengan algoritma genetika memiliki nilai rata-rata AUC secara berurutan yaitu 0,739, 0,796, 0,888 dan 0,880.