Penyakit arteri koroner erupakan salah satu jenis penyakit kardiovaskular yang paling umum terjadi dan menjadi penyebab utama kematian dini di seluruh dunia. Mengklasifikasikan penyakit arteri koroner sebagai langkah deteksi dini memiliki dampak signifikan dalam upaya mengurangi angka kematian akibat penyakit ini. Penelitian ini menggunakan Z-Alizadeh Sani dataset, yang berisi informasi klinis dari pasien yang menderita penyakit arteri koroner, dengan total 303 data yang mencakup 55 fitur atribut prediksi dan 1 fitur atribut target. Dalam konteks klasifikasi, kami memilih algoritma Gradient Boosting Decision Tree (GBDT), dan kami juga menerapkan algoritma metaheuristik yang dikenal sebagai Monarch Butterfly Optimization (MBO) untuk mengurangi jumlah fitur. Tujuan penelitian ini adalah untuk membandingkan kinerja GBDT sebelum dan setelah menerapkan MBO untuk seleksi fitur. Hasil penelitian ini dievaluasi dengan menggunakan confusion matrix dan AUC. Hasil penelitian menunjukkan bahwa GBDT awalnya mencapai tingkat akurasi sebesar 87,46%, presisi sebesar 83,85%, recall sebesar 70,37%, dan AUC sebesar 82,09%. Setelah penerapan MBO kinerja GBDT meningkat mencapai akurasi sebesar 90,2%, presisi sebesar 86,6%, recall sebesar 80,6%, dan AUC sebesar 87,1% dengan 31 fitur terpilih. Dengan peningkatan kinerja ini, dapat disimpulkan bahwa MBO efektif dalam mengatasi masalah seleksi fitur dalam konteks ini.