Software Defect Prediction (SDP) atau Prediksi Cacat Perangkat Lunak merupakan teknik penting untuk meningkatkan kualitas perangkat lunak dengan membangun berbagai model klasifikasi menggunakan pendekatan machine learning. Salah satu tantangan utama dalam SDP, seperti pada penelitian yang menggunakan dataset NASA MDP, adalah adanya redundansi dan ketidakrelevanan fitur pada dataset, yang dapat menurunkan kinerja model. Salah satu solusi untuk masalah tersebut adalah metode ekstraksi fitur, yang dapat meminimalkan redundansi dengan mentransformasi data ke dalam bentuk baru yang lebih representatif. Penelitian ini membandingkan empat metode ekstraksi fitur, yaitu Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel PCA (K-PCA), dan Autoencoder, pada dataset NASA MDP, untuk mencari tahu mana metode yang bekerja lebih baik dalam penelitian SDP. Dua classifier digunakan, yaitu Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM),yang dikenal dalam keandalannya dalam menangani dataset tidak seimbang,  dengan hyperparameter tuning Optuna untuk memaksimalkan kinerja model. Evaluasi dilakukan berdasarkan metrik Area Under Curve (AUC). Hasil eksperimen menunjukkan bahwa PCA memberikan hasil terbaik dalam hal AUC untuk kedua classifier, dengan nilai rata-rata AUC sebesar 0,876 untuk XGBoost dan 0,8596 untuk LightGBM. Dengan demikian, dapat disimpulkan bahwa PCA memiliki keunggulan dibandingkan LDA, K-PCA, dan Autoencoder dalam konteks penelitian ini.