Penyakit Parkinson merupakan gangguan pada sistem saraf pusat yang mempengaruhi sistem motorik. Diagnosis penyakit ini cukup sulit dilakukan karena gejalanya yang serupa dengan penyakit lain. Saat ini diagnosa dapat dilakukan menggunakan machine learning dengan memanfaatkan rekaman suara pasien yang diekstraksi. Namun, fitur yang dihasilkan dari ekstraksi rekaman suara tersebut relatif cukup banyak, sehingga penting untuk mempertimbangkan seleksi fitur untuk menghindari penurunan kinerja sebuah model. Pada penelitian ini, Particle Swarm Optimization digunakan sebagai seleksi fitur, sedangkan XGBoost akan digunakan sebagai model klasifikasi. Selain itu model juga akan diterapkan SMOTE untuk mengatasi masalah ketidakseimbangan kelas data dan hyperparameter tuning menggunakan Random Search pada XGBoost untuk mendapatkan hyperparameter yang optimal. Hasil pengujian menunjukkan bahwa nilai AUC pada model XGBoost dengan seleksi fitur adalah 0.9325, sedangkan pada model XGBoost tanpa seleksi fitur hanya mendapat nilai AUC sebesar 0.9250. Kemudian, ketika metode SMOTE dan Random Search diterapkan, maka kinerja model XGBoost akan semakin baik dengan mendapatkan nilai AUC sebesar 0.9366. Namun, ketika seleksi fitur diterapkan terlebih dahulu dari kedua metode tadi, maka model akan mendapatkan nilai AUC yang lebih baik yaitu sebesar 0.9483. Dengan demikian, penggunaan seleksi fitur pada model telah terbukti mampu dalam meningkatkan kinerja dan hasil prediksi.