Penyakit Jantung Koroner (PJK) menjadi salah satu penyebab kematian paling tinggi di dunia. Deteksi PJK sejak dini menjadi hal penting yang perlu dilakukan dengan menganalisis data rekam medis pasien. Berbagai algoritma machine learning telah diaplikasikan di beberapa penelitian untuk melakukan diagnosa PJK. Pada penelitian ini dilakukan teknik seleksi fitur dengan algoritma genetika dan Particle Swarm Optimization (GA-PSO) untuk memilih subset fitur yang relevan sehingga dapat meningkatkan akurasi sistem diagnosa PJK. Seleksi fitur memungkinkan pemilihan data rekam medis yang relevan secara efektif, meningkatkan efisiensi, mengurangi kompleksitas model dengan tetap menghasilkan model yang valid dan andal untuk deteksi PJK. Dalam sistem diagnosa ini, metode klasifikasi yang digunakan adalah algoritma CatBoost. Model dievaluasi dengan teknik 10-fold cross validation dan perhitungan confusion matrix. Pengujian dilakukan menggunakan dataset z-Alizadeh Sani, Cleveland, Statlog, dan Hungarian. Hasil terbaik pada model ini diperoleh pada dataset z-Alizadeh Sani dengan 6 fitur terpilih dari 54 fitur dengan performa evaluasi didapatkan nilai akurasi 99,32%, spesifisitas 98,57%, sensitivitas 100,00%, AUC 99,28%, dan F1-Score 99,37%.