Meningkatnya dimensionalitas fitur pada aplikasi Android menimbulkan tantangan yang signifikan dalam mendeteksi malware secara akurat dan efisien. Penelitian ini mengusulkan suatu kerangka kerja Hybrid Feature Selection yang mengombinasikan Minimum Redundancy Maximum Relevance (mRMR) dan correlation filtering untuk mengoptimalkan kinerja klasifikasi pada dataset Drebin-215. Konfigurasi terpilih yang terdiri atas 175 fitur dengan ambang batas korelasi sebesar 0,7 dievaluasi menggunakan lima algoritma klasifikasi, yaitu LSTM, Support Vector Machine (SVM), Random Forest, K-Nearest Neighbors (KNN), dan XGBoost. Hasil eksperimen menunjukkan bahwa reduksi dimensionalitas mampu meningkatkan stabilitas klasifikasi serta kinerja prediktif secara keseluruhan. SVM menunjukkan peningkatan performa yang paling signifikan, dengan akurasi meningkat dari 63,05% tanpa Feature Selection menjadi 98,57% setelah menerapkan kerangka kerja yang diusulkan. LSTM mencapai akurasi sebesar 98,57% dengan nilai AUC sebesar 99,86%, sedangkan Random Forest, KNN, dan XGBoost secara konsisten memperoleh akurasi di atas 97%. Selain meningkatkan performa klasifikasi, pendekatan Hybrid Feature Selection juga secara signifikan meningkatkan efisiensi komputasi. Waktu pelatihan SVM berkurang dari 770,75 detik menjadi 155,88 detik, sedangkan waktu pengujian menurun dari 15,581 detik menjadi 0,3824 detik. Waktu pengujian KNN juga berkurang dari 1,623 detik menjadi 0,4595 detik.