Penyakit usus buntu atau apendisitis merupakan diagnosis yang paling sering ditemukan pada pasien muda dengan kondisi perut akut. Keterlambatan diagnosis apendisitis dapat menimbulkan komplikasi lanjutan. Oleh karena itu, machine learning digunakan untuk meningkatkan ketepatan diagnosis dan meminimalisir tindakan yang tidak diperlukan. Penelitian ini memiliki dataset dengan banyak fitur sehingga dilakukan seleksi fitur Particle Swarm Optimization dan Boruta-SHAP. Kedua metode seleksi fitur tersebut dibandingkan menggunakan model Random Forest, SVM, dan Logistic Regression untuk klasifikasi diagnosis, penanganan, dan tingkat keparahan pasien. Selain itu, ketidakseimbangan kelas pada data dapat diatasi menggunakan random oversampling. Penerapan seleksi fitur PSO menghasilkan 23, 16, dan 10 fitur, sedangkan Boruta-SHAP menghasilkan 13, 17, dan 18 fitur pada target diagnosis, penanganan, dan tingkat keparahan dari total 49 fitur awal. Hasil penelitian menunjukkan bahwa kombinasi Boruta-SHAP dengan Random Forest menghasilkan akurasi tertinggi sebesar 93,59%, 84,08%, dan 89,81% pada target diagnosis, penanganan, dan tingkat keparahan apendisitis. Sementara itu, kombinasi PSO dengan Random Forest menghasilkan akurasi tertinggi sebesar 92,31% pada target diagnosis dan 85,99% pada tingkat keparahan apendisitis, sedangkan kombinasi PSO dengan Logistic Regression mencapai akurasi 82,17% pada target penanganan.