Bidang teknologi informasi sekarang membutuhkan perangkat lunak. Namun, perangkat lunak yang bermasalah masih menimbulkan masalah besar. Untuk meningkatkan kualitas dan keandalan perangkat lunak, prediksi kerusakan menjadi penting. Dalam bidang ini, algoritma berbasis pohon seperti Random Forest, Deep Forest, dan Decision Tree menunjukkan banyak prospek. Konfigurasi hyperparameter yang tepat sangat penting untuk mencapai hasil yang optimal. Dalam penelitian ini, Teknik Pengaturan Hyperparameter Random Search ditunjukkan sebagai metode inovatif untuk memprediksi cacat perangkat lunak. Metodologi ini memungkinkan penyelidikan parameter algoritma secara efektif, yang pada akhirnya akan meningkatkan keakuratan perkiraan kerusakan perangkat lunak. Kami melakukan penelitian ini dengan menggunakan kumpulan data ReLink yaitu, Apache, Safe, dan Zxing. Ini memungkinkan kami untuk menemukan parameter algoritma berbasis pohon yang paling efektif untuk prediksi kerusakan perangkat lunak. Hasilnya menunjukkan bahwa Decision Tree, Random Forest, dan Deep Forest masing-masing memiliki rata-rata AUC 0.73,0.79 dan 0.79 untuk pengaturan hyperparameter menggunakan Pencarian Acak. Hasilnya menunjukkan bahwa metode yang menggunakan penyetelan hyperparameter dengan Pencarian Acak mengungguli algoritma berbasis pohon lainnya. Khususnya, dalam kasus Random Forest, kontribusi utama penelitian ini terletak pada pendekatan metode inovatif yang menggunakan teknik penyetelan hyperparameter Pencarian Acak, yang mencakup pencarian parameter ekstensif. Penemuan kami secara signifikan menekankan keunggulan Pencarian Acak dibandingkan dengan algoritma berbasis pohon lainnya.