Kanker adalah istilah umum untuk sekelompok besar penyakit yang dapat menyerang bagian tubuh mana pun. Salah satu kanker yang berbahaya adalah Kanker payudara. Pencegahan kanker payudara dapat dilakukan dengan salah satu cara yaitu skrining atau diagnosa dini. Pendiagnosaan dapat menggunakan Machine learning dengan beberapa algoritma contohnya K-Nearest Neighbor. Algortima klasifikasi K-Nearest Neighbor (K-NN) merupakan algortima yang cukup terkenal dan sering digunakan, tetapi terdapat kelemahan pada algoritma KNN yaitu algoritma ini sangat berpengaruh dengan adanya data yang noise atau tidak relevan jika skala fitur tidak konsisten dengan kepentingannya. Salah satu cara mengatasinya adalah dengan cara menyeleksi fitur. Seleksi fitur yang digunakan yaitu menggunakan Extreme Gradient Boosting (XGBoost) berdasarkan kepentingan fitur yang didapatkan. Hasilnya menunjukkan bahwa KNN dengan seleksi fitur XGBoost menggungguli model KNN tanpa seleksi fitur, untuk nilai KNN dengan seleksi fitur XGBoost mendapatkan akurasi sebesar 0,977 sedangkan KNN tanpa seleksi fitur mendapatkan akurasi sebesar 0,974.