Prediksi cacat perangkat lunak merupakan pendekatan strategis dalam meningkatkan kualitas perangkat lunak melalui identifikasi dini modul yang berpotensi mengandung cacat. Tantangan utama dalam prediksi ini meliputi redundansi dan ketidakrelevanan fitur pada dataset, serta ketergantungan performa model terhadap konfigurasi hyperparameter. Penelitian ini mengusulkan kerangka yang mengintegrasikan Recursive Feature Elimination (RFE) dan Genetic Algorithm (GA) untuk mengoptimasi secara simultan jumlah fitur dan hyperparameter model klasifikasi. Penelitian menggunakan 12 dataset NASA Metrics Data Program (MDP) versi D'' dengan empat model klasifikasi, yaitu Decision Tree, Random Forest, XGBoost, dan LightGBM. Evaluasi dilakukan menggunakan skema 10-fold stratified cross-validation dengan metrik F1-Score dan AUC, pengujian signifikansi statistik menggunakan Wilcoxon signed-rank test. Hasil penelitian menunjukkan bahwa kombinasi RFE dan optimasi GA meningkatkan performa secara signifikan pada Decision Tree, Random Forest, dan LightGBM dibandingkan skenario RFE tanpa optimasi GA. Peningkatan F1-Score terbesar sebesar 46,3% dan rata-rata AUC terbaik sebesar 0,7711 pada Random Forest. XGBoost tidak menunjukkan peningkatan signifikan, mengindikasikan bahwa konfigurasi pada skenario RFE tanpa optimasi GA sudah cukup kompetitif untuk karakteristik dataset yang digunakan. Secara keseluruhan, integrasi RFE dan GA sebagai kerangka optimasi simultan terbukti efektif dalam meningkatkan performa prediksi cacat perangkat lunak, khususnya pada Decision Tree, Random Forest, dan LightGBM.