Prediksi cacat perangkat lunak (SDP) yang akurat sangat penting untuk menjaga kualitas perangkat lunak dan mengurangi biaya pemeliharaan di masa depan. Namun, SDP menghadapi berbagai tantangan seperti ketidakseimbangan kelas, fitur redundan, dan metrik evaluasi yang tidak konsisten. Untuk mengatasi hal ini, penelitian ini memperkenalkan kerangka kerja SDP yang inovatif dengan menggabungkan optimisasi multi-objektif menggunakan algoritma NSGA-II berbasis Pymoo, seleksi fitur biner, serta pelatihan model menggunakan Random Forest dengan penyetelan hiperparameter manual dan oversampling ADASYN. Tujuan utama penelitian ini adalah menemukan kombinasi model terbaik untuk prediksi cacat perangkat lunak dan menganalisis trade-off antara dua tujuan yang dioptimalkan, yaitu F1-Score dan waktu eksekusi. Model yang diusulkan menunjukkan peningkatan signifikan pada AUC, F1-Score, recall, dan precision, masing-masing sebesar 10,725%, 17,5%, 14%, dan 20,5%. Performance indicator pada Pymoo dapat mengevaluasi konvergensi algoritma NSGA-II dan distribusi solusi dengan efektif, menegaskan keunggulan kerangka kerja yang diusulkan dalam prediksi cacat perangkat lunak.
Kata Kunci:Optimasi Multi Objektif;Prediksi Cacat Perangkat Lunak;NSGA-II,;Pymoo