Penyakit jantung koroner adalah salah satu jenis penyakit kardiovaskular yang ditandai dengan plak aterosklerosis yang menyebabkan infark miokard atau kematian jantung mendadak. Untuk mencegah risiko yang lebih berbahaya, maka diperlukan sistem deteksi dini kemungkinan seseorang terkena penyakit jantung koroner. Penelitian sebelumnya telah melakukan berbagai diagnosis penyakit jantung seperti meningkatkan akurasi prediksi dengan berbagai metode dan klasifikasi. Pemilihan fitur dari faktor risiko digunakan untuk mengetahui relevansi antara fitur pada data dan output. Oleh karena itu, penelitian ini bertujuan untuk menerapkan algoritma Bee Swarm Optimization dikombinasikan dengan Q-learning yang dapat mengoptimalkan pemilihan fitur dalam meningkatkan prediksi penyakit jantung. Model deteksi ini dibangun dengan beberapa metode klasifikasi seperti Support Vector Machine (SVM), Random Forest, LightGBM, dan XGBoost. Dari hasil pengujian, metode Bee Swarm Optimization dan Q-learning Feature Selection pada SVM model pada dataset ZAlizadeh Sani mendapatkan nilai yang paling tinggi untuk precision sebesar 0.94, recall 0.93, dan AUC 0.941 dengan jumlah fitur yang didapatkan sebanyak 24 fitur.