Penelitian ini membahas optimisasi hyperparameter (HPO) dalam prediksi cacat perangkat lunak melalui komparasi algoritma Grid Search, Random Search, Bayesian Search, dan Genetic Algorithm. Tujuan utama adalah menemukan algoritma HPO terbaik dalam kasus prediksi cacat perangkat lunak dan menilai sejauh mana HPO meningkatkan akurasi dibandingkan dengan feature selection. Metodologi yang diterapkan menggunakan dataset AEEEM, ReLink, dan NASA MDP dengan algoritma K-Nearest Neighbor (KNN) serta feature selection menggunakan ANOVA KBest. Hasil penelitian menunjukkan bahwa Bayesian Search adalah algoritma HPO terbaik dengan peningkatan akurasi tertinggi pada 11 dari 13 pengujian dataset. Dalam perbandingan, algoritma Bayesian Search dan Genetic Algorithm menunjukkan hasil akurasi lebih tinggi daripada feature selection saja, dengan rata-rata peningkatan akurasi masing-masing 5,08% dan 3,23%, sedangkan feature selection hanya 1,85%. Model kombinasi HPO dan feature selection optimal untuk dataset NASA MDP, sementara AEEEM dan ReLink mencapai akurasi terbaik dengan model HPO saja.
Kata Kunci:Optimisasi Hyperparameter;Prediksi Cacat Perangkat Lunak Learning;Uji Komparasi;Feature Selection