Seiring meningkatnya kompleksitas dan skala proyek, muncul tantangan baru terkait penanganan cacat pada software. Pendekatan untuk mengatasi masalah ini adalah menggunakan teknik prediksi cacat software dengan metode machine learning. Salah satu contoh algoritma klasifikasi machine learning adalah KNN. Kinerja KNN bergantung pada ukuran jarak/kemiripan dan aturan mayoritas dalam menentukan hasil akhir klasifikasinya. Metode klasifikasi berbasis mayoritas ini memperburuk kinerja KNN ketika diterapkan pada data yang memiliki masalah ketidakseimbangan. Dalam penelitian ini, peneliti membandingkan kinerja metrik jarak euclidian, hamming, cosine, dan canberra pada KNN sebelum dan sesudah penerapan SMOTE. Hasil penelitian menunjukkan nilai AUC dan F-1 Measure terbaik pada dataset EQ diperoleh oleh jarak euclidian sebesar 0,7571 dan 0,7079 (tanpa SMOTE) serta 0,7752 dan 0,7311 (dengan SMOTE), dataset JDT pada jarak euclidian sebesar 0,7331 dan 0,6010 (tanpa SMOTE) serta jarak canberra 0,7707 dan 0,6342 (dengan SMOTE), dataset LC pada  jarak cosine sebesar 0,6161 dan 0,3029 (tanpa SMOTE) serta jarak canberra 0,6752 dan 0,3733 (dengan SMOTE), dataset ML pada jarak canberra sebesar 0,6435 dan 0,4006 (tanpa SMOTE) serta 0,6845 dan 0,4261 (dengan SMOTE), dataset PDE pada jarak canberra sebesar 0,5995 dan 0,3139 (tanpa SMOTE) serta 0,6580 dan 0,3957 (dengan SMOTE). Penerapan SMOTE secara signifikan dapat meningkatkan kinerja AUC dan F-1 Measure pada KNN dengan P value sebesar 0,0001.