Prediksi Cacat Perangkat Lunak (SDP) sangat penting untuk meningkatkan kualitas perangkat lunak selama pengujian. Ketika sistem perangkat lunak berkembang menjadi lebih kompleks, memprediksi kerusakan secara akurat menjadi semakin menantang. Salah satu tantangan yang dihadapi adalah menangani distribusi kelas yang tidak seimbang, dimana jumlah instance yang cacat jauh lebih rendah dibandingkan instance yang tidak cacat. Untuk mengatasi masalah ketidakseimbangan kelas, gunakan teknik SMOTE. Random Forest sebagai algoritma klasifikasi disebabkan oleh kemampuannya dalam menangani data non-linier, ketahanannya terhadap overfitting, dan kemampuannya dalam memberikan informasi tentang pentingnya fitur dalam klasifikasi. Penelitian ini bertujuan untuk mengevaluasi fitur-fitur penting dan mengukur akurasi pada SDP menggunakan teknik SMOTE+RFE+Random Forest. Dataset yang digunakan dalam penelitian ini adalah NASA MDP D”, yang berjumlah 12 data set. Metode yang digunakan menggabungkan teknik SMOTE, RFE, dan random forest. Penelitian ini dilakukan dengan dua tahap pendekatan. Tahap pertama menggunakan RFE+Random Forest teknik; tahap kedua melibatkan penambahan teknik SMOTE sebelum RFE dan Random Forest untuk mengukur data akurat dari MDP NASA. Hasil penelitian ini adalah bahwa penggunaan teknik SMOTE meningkatkan akurasi di sebagian besar kumpulan data, dengan kinerja terbaik dicapai pada dataset. Kumpulan data MC1 dengan akurasi 0,9998. Analisis kepentingan fitur mengidentifikasi "maintenance severity" dan "cyclomatic density" sebagai fitur paling penting dalam pemodelan data untuk SDP. Oleh karena itu, teknik SMOTE+RFE+RF secara efektif meningkatkan akurasi prediksi di berbagai kumpulan data dan berhasil mengatasi masalah ketidakseimbangan kelas.