Software defect prediction sangat bergantung pada pemilihan subset fitur yang relevan dan ringkas untuk meningkatkan akurasi klasifikasi sekaligus menurunkan kompleksitas model. Penelitian ini mengusulkan hybrid framework feature selection yang mengintegrasikan Scatter Search (SS) dan Beluga Whale Optimization (BWO), yang selanjutnya disebut SSBWO. Metode ini meningkatkan kemampuan eksplorasi global melalui rekombinasi solusi terstruktur pada SS serta memperkuat eksploitasi lokal melalui mekanisme penyempurnaan berbasis BWO. Evaluasi dilakukan menggunakan dua belas dataset dari repositori NASA MDP dan lima classifier, dengan Area Under the Curve (AUC) sebagai metrik kinerja utama. Hasil eksperimen menunjukkan bahwa SSBWO secara konsisten menghasilkan nilai AUC yang lebih tinggi dibandingkan beberapa algoritma metaheuristik pembanding. Analisis statistik lebih lanjut mengonfirmasi bahwa peningkatan kinerja yang diperoleh bersifat signifikan dan tidak bergantung pada jenis classifier yang digunakan. Temuan ini menunjukkan bahwa kombinasi SS dan BWO merupakan strategi optimasi yang efektif dan robust untuk feature selection pada software defect prediction, khususnya dalam menghadapi dataset berdimensi tinggi dan tidak seimbang.