Kanker merupakan salah satu masalah utama bagi kesehatan seluruh manusia di dunia ini. Oleh karena itu, pendeteksian kanker harus dilakukan sejak dini. Seiring berkembangnya teknologi, terdapat teknologi microarray yang dapat membantu peneliti untuk mengumpulkan informasi dari ribuan gen seorang manusia secara bersamaan yang nantinya akan berguna untuk pendeteksian penyakit kanker. Setiap fitur data microarray mempunyai dimensi yang tinggi sehingga dilakukan pemilihan dimensi untuk meningkatkan akurasi dari klasifikasi data microarray apakah seorang individu menderita kanker atau tidak menggunakan algoritma Genetic Bee Colony (GBC) dan Conjugate Gradient Backpropagation dengan Modifikasi Polak Ribiere (MBP-CGP). GBC merupakan algoritma hybrid metaheuristik yang terinspirasi berdasarkan algoritma Artificial Bee Colony dan Genetic Algorithm. MBP-CGP merupakan modifikasi dari Artificial Neural Network (ANN) untuk mempercepat pelatihan backpropagation. Dengan implementasi GBC dan MBP-CGP sebagai seleksi fitur dan classifier, sistem yang dibangun mampu menyeleksi fitur hingga 47-51% untuk keseluruhan data serta performansi yang dihasilkan untuk keseluruhan data (tanpa seleksi fitur GBC) berkisar di antara 15,56-36,25% untuk arsitektur MBP-CGP dua hidden layer dan 17,23-36,25% untuk arsitektur MBP-CGP satu hidden layer, sedangkan hasil akurasi menggunakan klasifikasi MBP-CGP dan GBC berkisar di antara 88,75-100% dengan satu hidden layer.