Un error, fallo o equivocación en un programa que resulta en resultados no deseados se conoce como un defecto o fallo de software. Las fallas de software son errores de programación debido a errores en los requisitos, arquitectura o código fuente. Encontrar y corregir errores tan pronto como surjan es un objetivo crucial del desarrollo de software que se puede lograr de varias maneras. Por lo tanto, seleccionar un puñado de subconjuntos óptimos de características de cualquier conjunto de datos es un enfoque principal. Indirectamente, el rendimiento de clasificación puede mejorarse a través de la selección de características. Se ha desarrollado un enfoque novedoso para la selección de características (FS), que incorpora el algoritmo de Optimización del Chacal Dorado (GJO), una técnica de optimización metaheurística que se basa en las tácticas de caza de los chacales dorados. Combinar este algoritmo con cuatro clasificadores, a saber, K-Nearest Neighbor, Árbol de Decisión, Análisis Discriminante Cuadrático y Naive Bayes, ayudará a seleccionar un subconjunto de características relevantes de los conjuntos de datos de predicción de fallos de software. Para evaluar la precisión de este algoritmo, compararemos su rendimiento con otros métodos de selección de características como FSDE (Evolución Diferencial), FSPSO (Optimización de Enjambre de Partículas), FSGA (Algoritmo Genético) y FSACO (Optimización de Colonias de Hormigas). El resultado que obtuvimos de FSGJO es excelente para casi todos los casos. Para muchos de los resultados, FSGJO ha dado una mayor precisión de clasificación. Al utilizar las pruebas de Friedman y Holm, para determinar la significancia estadística, se ha verificado la estrategia sugerida y se ha encontrado que es superior a los métodos anteriores en la selección de un conjunto óptimo de atributos.