Prediksi cacat software telah menjadi bagian penting dalam proses pengujian kualitas software. Namun, semakin berkembangnya ukuran dan kompleksitas software seringkali menghasilkan jumlah data yang besar. Keberadaan fitur yang tidak relevan dapat mempengaruhi kinerja algoritma klasifikasi dengan meningkatkan komputasi dan penggunaan memori yang tinggi. Masalah ini dikenal sebagai "Curse of Dimensionality" di mana semakin tinggi dimensi data, semakin rendah performa algoritma prediksi karena kompleksitas komputasi yang tinggi. Solusi untuk masalah ini adalah menggunakan seleksi fitur. Salah satu metode seleksi fitur yang dapat digunakan adalah metode Wrapper yang melibatkan algoritma machine learning seperti Algoritma Metaheuristik. Algoritma Genetika dan Particle Swarm Optimization adalah dua contoh seleksi fitur dalam Algoritma Metaheuristik. Dalam penelitian ini, peneliti membandingkan kinerja prediksi antara Algoritma Genetika dan Particle Swarm Optimization dengan tiga classifier populer: KNN, Support Vector Machine, dan Random Forest. Hasil yang didapat pada penelitian ini adalah kinerja model prediksi yang menggunakan seleksi fitur Algoritma Genetika dan klasifikasi KNN lebih baik dengan rata-rata AUC tertinggi yakni 0,876. Sementara itu, model prediksi yang menggunakan seleksi fitur Particle Swarm Optimization dan klasifikasi KNN menghasilkan rata-rata AUC sebesar 0,799.