Diabetes Mellitus is a disease that occurs due to disorders of carbohydrate, fat and protein metabolism associated with a lack of performance of insulin secretion. Diabetes is a degenerative disease that requires appropriate and serious treatment efforts. The effects lead to various complications of other serious diseases such as heart disease and stroke. Erectile dysfunction, kidney failure, nervous system damage, etc. Because there are so many impacts caused by diabetes, it is important to study this disease. The benefit of this study is to prevent the occurrence of severe complications and can help medical personnel in predicting this disease early and reduce the cost burden that arises due to this problem. The purpose of this study is to determine the level of accuracy resulting from the use of feature selection with genetic algorithms and nave Bayes. In this study, predictions will be made using hyperparameter tuning with genetic algorithms and Naive Bayes optimization by performing feature selection. After conducting related research, it was found that the accuracy of 17 features using a genetic algorithm was better than modeling with 10 features. By using 17 features and hyperparameter tuning with genetic algorithm and naive Bayes modeling, the accuracy is 93.2%. By using 17 features without feature selection, the accuracy is 91.2%, there is an increase in accuracy of 1.5%. Diabetes Mellitus merupakan penyakit yang terjadi akibat gangguan metabolisme karbohidrat, lemak, dan protein yang berhubungan dengan kurangnya kinerja sekresi insulin. Diabetes merupakan penyakit degeneratif yang memerlukan upaya penanganan yang tepat dan serius. Efeknya mengakibatkan berbagai komplikasi penyakit serius lainnya seperti penyakit jantung dan stroke. Disfungsi ereksi, gagal ginjal, kerusakan sistem saraf, dll. Karena begitu banyak dampak yang ditimbulkan oleh penyakit diabetes, maka penting untuk mempelajari penyakit ini. Manfaat dari penelitian ini adalah untuk mencegah terjadinya komplikasi yang parah dan dapat membantu tenaga medis dalam memprediksi penyakit ini secara dini serta mengurangi beban biaya yang timbul akibat masalah ini. Tujuan dari penelitian ini adalah mengetahui tingkat akurasi yang dihasilkan dari penggunakan seleksi fitur dengan algoritma genetika dan Naïve Bayes. Pada penelitian ini dilakukan prediksi menggunakan hyperparameter tuning dengan algoritma genetika dan optimasi Naive Bayes dengan melakukan seleksi fitur. Setelah dilakukan penelitian terkait, ditemukan bahwa akurasi 17 fitur menggunakan algoritma genetika lebih baik daripada pemodelan dengan 10 fitur. Dengan menggunakan 17 fitur dan hyperparameter tuning dengan algoritma genetika dan pemodelan Naive Bayes menghasilkan akurasi sebesar 93,2%. Dengan menggunakan 17 fitur tanpa seleksi fitur didapatkan akurasi sebesar 91,2%, terjadi peningkatan akurasi sebesar 1,5%.