Kanker payudara merupakan salah satu penyakit mematikan yang tingkat keberhasilannya sangat bergantung pada deteksi dini yang akurat. Penelitian ini bertujuan untuk menganalisis kinerja algoritma XGBoost dalam klasifikasi kanker payudara serta mengevaluasi peningkatannya setelah dilakukan seleksi fitur menggunakan Algoritma Genetika (GA). Data yang digunakan adalah Breast Cancer Wisconsin (Diagnostic) dari UCI Machine Learning Repository yang terdiri dari 569 sampel dan 32 fitur. Proses penelitian meliputi preprocessing, pembentukan model XGBoost, dan penerapan seleksi fitur berbasis GA. Evaluasi model dilakukan menggunakan confusion matrix dengan teknik validasi silang 10-fold. Hasil penelitian menunjukkan bahwa XGBoost tanpa seleksi fitur menghasilkan akurasi 97,02%, recall 95,28%, precision 96,65%, dan F1-score 95,96%. Setelah dilakukan seleksi fitur menggunakan GA, jumlah fitur berkurang menjadi 22, dan kinerja model meningkat dengan akurasi 97,72%, recall 95,28%, precision 98,53%, dan F1-score 96,88%. Hasil ini membuktikan bahwa seleksi fitur menggunakan Algoritma Genetika tidak hanya menyederhanakan model, tetapi juga mampu meningkatkan akurasi dan efisiensi klasifikasi. Pendekatan ini sangat potensial untuk diterapkan dalam sistem pendukung keputusan medis guna meningkatkan ketepatan diagnosis kanker payudara.

Kata Kunci: Seleksi Fitur, Genetic Algoritm (GA), Klasifikasi, XGBOOST