Mendeteksi cacat perangkat lunak sejak dini sangat penting untuk menghindari kerugian. Namun, membangun model prediksi cacat perangkat lunak yang akurat dapat menjadi tantangan karena ketidakseimbangan kelas, di mana data untuk modul yang cacat jauh lebih sedikit daripada modul standar. Penelitian ini membahas masalah ini dengan menggunakan dataset NASA MDP yang tidak seimbang. Untuk mengatasi masalah ini, dilakukan metode baru yang menggabungkan pendekatan penyeimbangan tingkat data dengan 14 variasi algoritme SMOTE untuk meningkatkan jumlah data modul yang cacat. Pendekatan tingkat algoritme dengan tiga algoritme boosting, Catboost, LightGBM, dan Gradient Boosting, diterapkan untuk mengklasifikasikan modul sebagai cacat atau tidak cacat. Metode-metode ini bertujuan untuk meningkatkan akurasi prediksi cacat perangkat lunak. Kontribusi penelitian ini terhadap prediksi cacat perangkat lunak adalah mengembangkan teknik baru dan mengevaluasi keefektifannya dalam mengatasi ketidakseimbangan kelas.