Penyakit jantung merupakan kondisi yang menduduki peringkat pertama sebagai penyebab utama kematian di seluruh dunia. Berdasarkan data yang tersedia, lebih dari 36 juta orang telah meninggal karena penyakit tidak menular, dan penyakit jantung termasuk dalam kategori penyakit tidak menular. Penelitian ini menggunakan dataset penyakit jantung dari UCI Repository, yang terdiri dari 303 contoh dan 14 fitur kategorikal. Dalam penelitian ini, data dianalisis menggunakan metode klasifikasi XGBoost (Extreme Gradient Boosting) dan Random Forest, yang dapat diaplikasikan dengan PSO (Particle Swarm Optimization) sebagai teknik seleksi fitur untuk mengatasi masalah fitur yang tidak relevan. Masalah ini dapat mempengaruhi performa prediksi pada dataset penyakit jantung. Dari hasil penelitian yang dilakukan, diperoleh nilai untuk model XGBoost (Extreme Gradient Boosting) sebesar 0.877, dan untuk model Random Forest sebesar 0.874. Sedangkan pada model yang menggunakan Particle Swarm Optimization (PSO), nilai AUC yang diperoleh adalah 0.913 untuk XGBoost (Extreme Gradient Boosting) dan 0.918 untuk Random Forest. Hasil penelitian ini menunjukkan bahwa PSO (Particle Swarm Optimization) dapat meningkatkan AUC kinerja prediksi penyakit jantung. Oleh karena itu, penelitian ini berkontribusi dalam meningkatkan ketepatan dan efisiensi pemrosesan data pasien penyakit jantung, yang bermanfaat bagi diagnosis penyakit jantung dalam hal kecepatan dan keakuratan.