Software Defect Prediction (SDP) merupakan aktivitas penting dalam fase pengujian Software Development Life Cycle (SDLC) untuk mengidentifikasi modul yang rawan cacat, sehingga sumber daya pengujian dapat digunakan secara efisien. Salah satu tantangan dalam SDP adalah pemilihan fitur yang relevan untuk meningkatkan kinerja model prediksi. Filter feature ranking adalah metode seleksi fitur yang mengevaluasi fitur berdasarkan kriteria statistik tanpa melibatkan algoritma pembelajaran mesin tertentu. Penelitian ini bertujuan untuk mengetahui kinerja metode filter feature ranking menggunakan tiga teknik seleksi fitur Information Gain (IG), Relief (Rel), dan Chi-Square (CS). serta kombinasi di antaranya pada dua algoritma klasifikasi, yaitu Naïve Bayes dan Random Forest. Eksperimen dilakukan pada tiga dataset publik: ReLink, AEEEM, dan SOFTLAB. Evaluasi kinerja dilakukan menggunakan metrik Area Under the ROC Curve (AUC). Hasil penelitian menunjukkan bahwa penerapan filter feature ranking pada dataset AEEEM dan SOFTLAB dapat menghasilkan nilai AUC sebesar 0.70 hingga 0.87 pada kedua model klasifikasi, menunjukkan bahwa filter feature ranking mampu dalam meningkatkan kinerja prediksi cacat perangkat lunak. Namun, dataset ReLink menunjukkan performa yang lebih rendah, dengan nilai AUC hanya berkisar antara 0.60 hingga 0.70, sehingga kurang cocok untuk diterapkan dengan metode ini.