Cacat perangkat lunak adalah permasalahan dimana perangkat lunak tidak berfungsi dengan baik. Kesalahan dalam proses pengembangan perangkat lunak adalah alasan penyebab cacat perangkat lunak. Pembelajaran mesin yaitu klasifikasi digunakan untuk mengklasifikasikan cacat dalam perangkat lunak. Untuk meningkatkan model klasifikasi, diperlukan pemilihan fitur terbaik dari dataset. Recursive Feature Elimination adalah salah satu metode seleksi fitur. Shapley Additive Explanation (SHAP) adalah metode yang dapat mengoptimalkan algoritma seleksi fitur untuk dapat memberikan hasil yang lebih baik. Pada penelitian ini, metode boosting populer yaitu LightGBM akan dipilih sebagai pengklasifikasi untuk memprediksi cacat perangkat lunak. Sementara itu, RFE-SHAP akan digunakan sebagai seleksi fitur untuk memilih subset fitur terbaik. Hasil dan pembahasan menunjukkan bahwa seleksi fitur RFESHAP sedikit mengungguli RFE, dengan nilai rata-rata AUC masing-masing 0.826 dan 0.816 secara berurutan. Metode RFE-SHAP membuat perbedaan lebih signifikan dibandingkan RFE dalam uji T-Test AUC. Selain itu, metode RFE-SHAP terbukti memiliki penggunaan jumlah fitur yang lebih efisien dibandingkan metode RFE