Prediksi cacat perangkat lunak digunakan untuk mengidentifikasi cacat pada modul perangkat lunak yang dapat menjadi tantangan dalam pengembangan perangkat lunak. Penelitian ini berfokus pada permasalahan yang terjadi pada Particle Swarm Optimization (PSO), seperti masalah atribut yang berisik, data berdimensi tinggi, dan konvergensi dini.  Sehingga penelitian ini berfokus pada peningkatan performa PSO dengan menggunakan metode seleksi fitur dengan teknik hybrid untuk mengatasi permasalahan tersebut.  Teknik seleksi fitur yang digunakan adalah Filter dan Wrapper. Metode yang digunakan adalah Chi-Square (CS), Correlation-Based Feature Selection (CFS), dan Forward Selection (FS) karena metode seleksi fitur telah terbukti dapat mengatasi permasalahan dimensi data dan menghilangkan atribut yang bersifat noisy.    Seleksi fitur sering digunakan oleh beberapa peneliti untuk mengatasi permasalahan tersebut, karena metode-metode tersebut memiliki fungsi yang penting dalam proses reduksi dimensi data dan menghilangkan atribut-atribut yang tidak berkorelasi yang dapat menyebabkan noisy. Algoritma Naive Bayes digunakan untuk mendukung proses penentuan kelas yang paling optimal. Evaluasi performa akan menggunakan AUC dengan nilai alpha sebesar 0.050.  Teknik seleksi fitur hybrid ini membawa peningkatan yang signifikan terhadap performa PSO dengan nilai AUC yang jauh lebih rendah yaitu 0.00342. Perbandingan signifikansi AUC dengan kombinasi lainnya menunjukkan nilai FS PSO sebesar 0.02535, CFS FS PSO sebesar 0.00180, dan CS FS PSO sebesar 0.01186. Metode dalam penelitian ini berkontribusi dalam meningkatkan PSO pada domain SDP dengan meningkatkan nilai AUC secara signifikan.  Oleh karena itu, penelitian ini menyoroti potensi seleksi fitur dengan teknik hibrida untuk meningkatkan kinerja PSO di SDP.