Prediksi cacat software merupakan langkah krusial dalam proses pengembangan perangkat lunak guna meminimalkan risiko kerugian akibat kegagalan sistem. Namun, tantangan utama dalam prediksi ini terletak pada ketidakseimbangan data (class imbalance) yang menyebabkan performa model prediksi menjadi tidak optimal. Penelitian sebelumnya menunjukkan bahwa algoritma C4.5 memiliki performa cukup baik, namun masih belum mampu menangani permasalahan ketidakseimbangan kelas secara efektif. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan pendekatan integrasi Class Balancer dan teknik Bagging pada algoritma C4.5 sebagai solusi prediksi yang lebih robust. Hasil penelitian menunjukkan bahwa model Class Balancer+Bagging+C4.5 memberikan peningkatan nilai AUC pada dataset PC4.arff hingga mencapai 0.834 dengan akurasi 83.35%, yang masuk dalam kategori Good Classification. Meskipun rata-rata akurasi menurun dibandingkan C4.5 original, rata-rata nilai AUC meningkat secara signifikan dari 0.599 menjadi 0.672, yang menunjukkan peningkatan kualitas klasifikasi dari Failure menjadi Poor Classification. Temuan ini menunjukkan bahwa integrasi teknik Class Balancer dan Bagging pada algoritma C4.5 mampu meningkatkan kemampuan model dalam mengenali cacat software, terutama dari sisi kestabilan prediksi terhadap data yang tidak seimbang.