Prediksi cacat software dilakukan untuk mencari tahu tentang kinerja dan performa dari model prediksi ataupun metode yang digunakan dalam penelitian. Seperti digunakannya dataset NASA MDP yang merupakan dataset metrik software yang memiliki setidaknya 40 metrik dan secara umum bersifat tidak seimbang. Prediksi terhadap keseluruhan metrik bisa menyebabkan hasil prediksi rendah, hal ini dapat diatasi dengan melakukan seleksi terhadap metrik software. Pada penelitian ini menggunakan seleksi fitur untuk mengetahui bagaimana hasil prediksi cacat software yang dilakukan dan untuk mengetahui kategori metrik mana yang berpengaruh dalam prediksi. Seleksi fitur yang digunakan adalah seleksi berdasarkan kategori metrik software yang lalu diklasifikasi dengan 5 algoritma yaitu Naive Bayes, Decision Tree, Random Forest, K-Nearest Neighbor, dan Support Vector Machine serta divalidasi dengan 10-Fold Cross Validation. Lalu dilakukan evaluasi dengan AUC. Hasil prediksi dengan kategori Line of Code didapatkan nilai AUC terbaik pada dataset PC4 dengan nilai 0.908, kategori Halstead mendapat nilai performa AUC terbaik pada dataset MC1 dengan nilai 0.798, kategori McCabe mendapat untuk nilai performa AUC terbaik pada dataset PC4 dengan nilai 0.908, kategori Miscellaneous mendapatkan nilai performa AUC terbaik pada dataset MC1 dengan nilai 0.907.