Diabetes adalah tantangan kesehatan global yang kritis, diklasifikasikan sebagai penyakit tidak menular, yang memengaruhi lebih dari 422 juta orang di seluruh dunia, dengan tingkat prevalensi terus meningkat setiap tahunnya. Studi ini membahas kebutuhan untuk prediksi diabetes yang lebih akurat dengan mengevaluasi kinerja algoritma klasifikasi Random Forest dan Extreme Gradient Boosting (XGBoost) pada kumpulan data diabetes yang tersedia untuk umum dari Kaggle. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi melalui teknik pemilihan fitur. Kumpulan data tersebut terdiri dari 768 catatan dengan 9 atribut, termasuk indikator medis seperti kehamilan, kadar glukosa, tekanan darah, dan BMI, dengan label target yang mengkategorikan hasil sebagai diabetes (1) atau non-diabetes (0). Prapemrosesan dilakukan untuk menangani data yang hilang, memastikan keandalan data. Metode pemilihan fitur, yaitu Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA), digunakan untuk mengidentifikasi atribut yang paling relevan, meningkatkan efisiensi dan akurasi model. Temuan tersebut mengungkapkan bahwa tanpa pemilihan fitur, model Random Forest mencapai skor Area Under Curve (AUC) sebesar 0,8120, sementara XGBoost memperoleh skor 0,7666. Setelah menerapkan pemilihan fitur berbasis PSO, skor AUC meningkat menjadi 0,8582 dan 0,8250 untuk Random Forest dan XGBoost. Pemilihan fitur berbasis GA selanjutnya meningkatkan skor ini menjadi 0,8612 untuk Random Forest dan 0,8351 untuk XGBoost, yang menunjukkan peningkatan hingga 8,9%. Hasil ini menyoroti efektivitas GA dalam mengungguli PSO untuk pemilihan fitur. Studi ini menggarisbawahi pentingnya mengintegrasikan teknik pemilihan fitur dalam meningkatkan akurasi model klasifikasi. Temuan ini memiliki implikasi praktis untuk mengembangkan alat prediksi yang kuat untuk deteksi diabetes dini, yang dapat memfasilitasi diagnosis yang tepat waktu dan akurat dalam pengaturan klinis.