Algoritma klasifikasi yang sering digunakan dan cukup terkenal adalah K-Nearest Neighbor (KNN), akan tetapi algoritma KNN lemah terhadap data dengan jumlah fitur yang besar maka untuk dataset dengan banyak fitur dapat dilakukan seleksi fitur untuk meningkatkan performa klasifikasi KNN. Salah satu yang sering digunakan untuk seleksi fitur adalah algoritma Binary Particle Swarm Optimization (BPSO) tetapi algoritma tersebut masih memiliki kelemahan yaitu kemampuan ekplorasinya yang kurang dan dapat menyebabkan partikel terperangkap dalam local optimum. Pada penelitian ini dilakukan penggabungan algoritma Binary Particle Swarm Optimization dengan algoritma Grey Wolf Optimizer untuk mengatasi kelemahan tersebut. Dilakukan juga pembagian dataset dalam beberapa rasio untuk melihat pengaruh jumlah data train terhadap hasil yang didapatkan. Pada salah satu dataset, KNN dengan seleksi fitur Binary PSO-GWO mendapakan akurasi yang lebih tinggi sebesar 7,41% dibandingkan KNN tanpa seleksi fitur, serta mampu meghasilkan fitur yang lebih sedikit dan megimbangi akurasi KNN dengan seleksi fitur Binary PSO. Pada dataset Breast cancer Wisconsin (diagnostic) hasil akurasi tertinggi untuk tiap rasio adalah 96,05% pada 60% data train, 95,23% pada 70% data train, 94,74% pada 70% data train, dan 98,25% pada 90% data train. Pada dataset Statlog (heart) hasil akurasi tertinggi untuk tiap rasio adalah 87,96% pada 60% data train, 88,89% pada 70% data train, 85,19% pada 80% data train, dan 85,19% pada 90% data train.