Obesitas adalah masalah kesehatan global yang ditandai dengan penumpukan lemak tubuh yang berlebihan dan risiko penyakit kronis yang terkait. Penelitian ini menyelidiki integrasi Ant Colony Optimization (ACO) untuk pemilihan fitur dalam klasifikasi tingkat obesitas menggunakan Random Forests. Hasil penelitian menunjukkan bahwa pemilihan fitur secara signifikan meningkatkan akurasi klasifikasi, meningkat dari 94,49% menjadi 96,17% ketika menggunakan 10 fitur yang dipilih oleh ACO. Terlepas dari keterbatasan, seperti tantangan dalam pengaturan parameter seperti alpha (α), beta (β), dan evaporation rate dalam teknik ACO, penelitian ini memberikan wawasan yang berharga untuk mengembangkan sistem klasifikasi obesitas yang lebih efisien. Secara khusus, penyesuaian parameter ini memerlukan keseimbangan yang hati-hati untuk meningkatkan kemampuan eksplorasi dan eksploitasi, yang diatasi melalui serangkaian penyesuaian dan validasi eksperimental. Pendekatan yang diusulkan mengungguli algoritma lain, menekankan pentingnya metode pemilihan fitur seperti ACO dalam meningkatkan kinerja model. Penelitian ini berkontribusi dalam memajukan metode klasifikasi obesitas dan menggarisbawahi potensi ACO dalam mengoptimalkan akurasi klasifikasi, sehingga membantu mengembangkan intervensi kesehatan masyarakat yang lebih efektif. Selain itu, penelitian ini menyoroti penerapan ACO yang lebih luas dalam berbagai tugas klasifikasi, yang menunjukkan bahwa teknik serupa dapat digunakan untuk mengatasi masalah kesehatan kompleks lainnya, yang pada akhirnya meningkatkan akurasi diagnostik dan hasil pasien.