Cacat perangkat lunak adalah anomali atau kerusakan dalam program komputer yang menyebabkan perangkat lunak berperilaku tidak terduga atau menghasilkan output yang salah. Cacat ini dapat muncul dalam berbagai bentuk, termasuk kesalahan pengkodean, cacat desain, dan kesalahan logika. Cacat ini berpotensi muncul pada setiap tahap siklus pengembangan perangkat lunak. Model prediksi tradisional biasanya memiliki kinerja prediksi yang lebih rendah. Untuk mengatasi masalah ini, penelitian ini mengusulkan sebuah model prediksi baru menggunakan Hybrid Grey Wolf Optimizer dan Particle Swarm Optimization (HGWOPSO). Penelitian ini bertujuan untuk mengetahui apakah model Hybrid Grey Wolf dan Particle Swarm Optimization berpotensi meningkatkan efektivitas prediksi cacat perangkat lunak dibandingkan dengan algoritma PSO dan GWO tanpa hibridisasi. Selain itu, penelitian ini bertujuan untuk mengetahui efektivitas algoritma klasifikasi Gradient Boosting Algorithm yang berbeda ketika dikombinasikan dengan pemilihan fitur HGWOPSO. Penelitian ini menggunakan 13 dataset NASA MDP. Dataset ini dibagi menjadi data testing dan data training dengan menggunakan 10 Fold Cross Validation. Setelah data dibagi, teknik SMOTE digunakan dalam data pelatihan. Teknik ini menghasilkan sampel sintetis untuk menyeimbangkan dataset, memastikan kinerja yang lebih baik dari model prediksi.  Selanjutnya, seleksi fitur dilakukan dengan menggunakan Algoritma HGWOPSO. Setiap subset dari dataset NASA MDP akan diproses oleh tiga algoritma klasifikasi boosting yaitu XGBoost, LightGBM, dan CatBoost. Evaluasi kinerja didasarkan pada nilai Area di bawah Kurva ROC (AUC). Rata-rata nilai AUC yang dihasilkan oleh HGWOPSO XGBoost, HGWOPSO LightGBM, dan HGWOPSO CatBoost berturut-turut adalah 0.891, 0.881, dan 0.894. Hasil penelitian ini menunjukkan bahwa penggunaan algoritma HGWOPSO meningkatkan kinerja AUC dibandingkan dengan algoritma dasar GWO dan PSO. Penelitian ini menunjukkan bahwa HGWOPSO secara signifikan meningkatkan kinerja prediksi cacat perangkat lunak. Implikasi dari penelitian ini adalah untuk meningkatkan model prediksi cacat perangkat lunak dengan menggabungkan teknik optimasi hybrid dan menggabungkannya dengan algoritma gradient boosting, yang berpotensi mengidentifikasi dan mengatasi cacat dengan lebih akurat.