Prediksi Cacat Perangkat Lunak (SDP) berperan penting dalam mendeteksi cacat sejak dini, terutama pada aplikasi seluler yang memiliki siklus rilis cepat. Keterbatasan data historis pada proyek baru menyebabkan pendekatan Prediksi Cacat Antar-Proyek (CPDP) menjadi alternatif yang relevan. Penelitian ini menganalisis dan membandingkan tiga algoritma metaheuristik, yaitu Particle Swarm Optimization (PSO), Genetic Algorithm (GA), dan Gray Wolf Optimizer (GWO), untuk mengoptimalkan hiperparameter Deep Neural Network (DNN) dalam kerangka CPDP. Sebanyak 14 proyek aplikasi Android sumber terbuka digunakan dengan teknik Leave-One-Out Cross Validation. Kinerja model dievaluasi menggunakan ROC-AUC, sedangkan signifikansi perbedaan diuji menggunakan Wilcoxon Signed-Rank dengan koreksi Bonferroni. Hasil menunjukkan bahwa GWO-DNN memperoleh kinerja terbaik dengan rata-rata ROC-AUC sebesar 0,721 dan menjadi satu-satunya model yang tetap signifikan secara statistik setelah koreksi Bonferroni, dengan ukuran efek kecil berdasarkan Cliff's delta. Temuan ini menunjukkan bahwa optimasi hiperparameter berbasis metaheuristik cukup efektif dalam meningkatkan kinerja DNN untuk prediksi cacat perangkat lunak lintas proyek pada domain aplikasi seluler, meskipun peningkatan yang diperoleh masih tergolong moderat