Cacat perangkat lunak menghadirkan tantangan signifikan terhadap keandalan sistem perangkat lunak, yang sering kali mengakibatkan kerugian ekonomi yang substansial. Studi ini menguji kemanjuran varian Polynomial-fit-SMOTE (pf-SMOTE) yang dikombinasikan dengan klasifikasi berbasis pohon untuk prediksi cacat perangkat lunak, dengan memanfaatkan kumpulan data NASA Metrics Data Program (MDP). Metodologi penelitian melibatkan pembagian kumpulan data menjadi subset pelatihan dan pengujian, penerapan oversampling pf-SMOTE, dan evaluasi kinerja klasifikasi menggunakan Decision Trees, Random Forests, and Extra Trees. Temuan menunjukkan bahwa kombinasi oversampling pf-SMOTE-star dengan klasifikasi Extra Trees mencapai akurasi rata-rata tertinggi (90,91%) dan AUC (95,67%) di 12 kumpulan data MDP NASA. Hal ini menunjukkan potensi varian pf-SMOTE untuk meningkatkan efektivitas klasifikasi. Namun, penting untuk dicatat bahwa kehati-hatian diperlukan terkait potensi bias yang diperkenalkan oleh data sintetis. Temuan-temuan ini merupakan kemajuan signifikan atas upaya-upaya penelitian sebelumnya, yang menggarisbawahi peran penting pemilihan algoritma yang cermat dan karakteristik kumpulan data dalam mengoptimalkan hasil klasifikasi. Implikasi yang penting mencakup kemajuan dalam keandalan perangkat lunak dan dukungan keputusan untuk manajemen proyek perangkat lunak. Penelitian di masa mendatang dapat menyelidiki sinergi antara varian pf-SMOTE dan metode klasifikasi alternatif, serta mengeksplorasi integrasi penyetelan hiperparameter untuk lebih menyempurnakan kinerja klasifikasi.