Dataset berdimensi tinggi memungkinkan bagi para peneliti untuk melakukan analisis. Namun, dataset berdimensi tinggi biasanya memiliki ciri-ciri ukuran sampel yang kecil, class imbalance, dan tingginya kompleksitas yang menyebabkan sulit untuk dilakukan klasifikasi. Salah satu metode yang digunakan untuk mengolah data berdimensi tinggi yaitu dengan menggunakan seleksi fitur. Pada penelitian ini, seleksi fitur yang digunakan memanfaatkan algoritma Bacterial Foraging Optimization (BFO). Hasil dari seleksi fitur akan dibandingkan dengan evolutionary algorithm lainnya yaitu Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), dan Ant Colony Optimization (ACO). Hasil yang didapatkan setelah dilakukan klasifikasi menggunakan Support Vector Machine (SVM) adalah BFO berhasil unggul dalam fraction of features dan waktu klasifikasi dari algoritma yang lainnya, namun jika dibandingkan dalam hal akurasi, precision, recall, dan ROC AUC, BFO termasuk dalam rata-rata atau berada di tengah. Artinya tidak terlalu baik namun juga tidak terlalu buruk.