Software Defect Prediction (SDP) bertujuan untuk mengidentifikasi modul yang cacat sejak awal siklus pengembangan perangkat lunak guna meningkatkan kualitas perangkat lunak dan mengurangi biaya pemeliharaan. Namun, dataset SDP umumnya mengalami dimensionalitas tinggi, redundansi fitur, dan ketidakseimbangan kelas, yang dapat menurunkan performa dan stabilitas model. Penelitian ini mengusulkan kerangka seleksi fitur hybrid untuk mengatasi tantangan tersebut dan meningkatkan performa prediksi. Pendekatan yang diusulkan mengintegrasikan Combined Corre-lation and Mutual Information (CONMI), yang menggabungkan Pearson Correlation Coefficient (PCC) dan Mutual Information (MI) untuk menangkap relevansi fitur linear maupun nonlinear. Fitur terpilih kemudian disempurnakan melalui seleksi Top-K, filtering berbasis korelasi untuk mengu-rangi multikolinearitas, dan Backward Elimination (BE) untuk memperoleh subset fitur optimal. Untuk mengatasi ketidakseimbangan kelas, SMOTE-Tomek diterapkan dengan mengombinasikan teknik oversampling dan pembersihan data. Eksperimen dilakukan pada dua belas dataset NASA MDP menggunakan classifier Logistic Regression (LR) dan Naïve Bayes (NB). Hasil menunjukkan bahwa kerangka yang diusulkan secara konsisten mencapai performa terbaik, dengan Logistic Regression yang dikombinasikan dengan SMOTE-Tomek memperoleh rata-rata AUC tertinggi sebesar 0,7923 ± 0,0714, sedangkan NB memperoleh 0,7554 ± 0,0580. Analisis statistik menggunakan paired t-test menunjukkan bahwa metode yang diusulkan secara signifikan mengungguli MI+SMOTE-Tomek dan BE+SMOTE-Tomek untuk Logistic Regression, sedangkan tidak ditemukan perbedaan signifikan pada NB. Selain meningkatkan performa klasifikasi secara keseluruhan (AUC), pendekatan yang diusulkan juga meningkatkan deteksi kelas minoritas yang tercermin dari peningkatan Recall dan F1-score. Secara keseluruhan, kerangka hybrid yang diusulkan memberikan solusi yang efektif dan andal untuk prediksi cacat perangkat lunak, khususnya pada dataset berdimensi tinggi dan tidak seimbang.