Kesuksesan sebuah video game di platform Steam dapat diukur secara kuantitatif melalui pendapatan (revenue) yang dihasilkan. Penelitian ini bertujuan membandingkan efektivitas dua metode seleksi fitur, yaitu Algoritma Genetika (GA) dan Recursive Feature Elimination with Cross-Validation (RFECV), dalam mengoptimalkan model Random Forest untuk mengklasifikasikan kesuksesan video game. Dataset yang digunakan adalah 1.500 game dengan revenue tertinggi di Steam tahun 2024, dengan kelas "sukses" dan "tidak sukses" ditentukan berdasarkan nilai median revenue dataset. Penelitian dilakukan melalui tiga skenario, yaitu model Random Forest tanpa seleksi fitur (baseline), Random Forest dengan seleksi fitur GA, dan Random Forest dengan seleksi fitur RFECV. Hasil penelitian menunjukkan model baseline dengan 7 fitur menghasilkan akurasi 95,33%. Model RF + GA menghasilkan 4 fitur optimal dengan akurasi 96,00% namun memerlukan waktu komputasi 2.639,08 detik. Model RF + RFECV menghasilkan 3 fitur optimal dengan akurasi yang sama yaitu 96,00%, namun hanya membutuhkan waktu komputasi 19,04 detik. Kedua metode konvergen pada tiga fitur inti yang sama, yaitu copiesSold, price, dan avgPlaytime. Berdasarkan hasil tersebut, RFECV terbukti lebih unggul dibandingkan GA karena mampu mencapai performa klasifikasi yang setara dengan jumlah fitur lebih sedikit dan efisiensi waktu komputasi 138 kali lebih cepat, sehingga menjadi pilihan yang lebih praktis pada dataset berukuran kecil hingga menengah dengan ruang fitur yang terbatas.

Kata kunci: Algoritma Genetika, , klasifikasi kesuksesan video game, Random Forest, RFECV, seleksi fitur