Deteksi kanker payudara pada tahap awal tidak mudah. Hal ini disebabkan oleh tes biopsy memerlukan banyak waktu untuk menentukan kankernya berjenis jinak atau ganas. Algoritma data mining telah banyak digunakan secara luas untuk melakukan otomatisasi diagnosis penyakit. Salah satu algoritma data mining yang populer adalah algoritma berbasis nearest neighbor karena kesederhanaan dan komputasinya yang rendah. Namun, terlalu banyak fitur dapat mengakibatkan akurasinya bernilai rendah. Tujuan dari penelitian ini adalah melakukan deteksi kanker payudara berbasis nearest neighbor dengan seleksi fitur. Algoritma k-Nearest Neighbor (KNN) konvensional dan Multi Local Means k-Harmonic Nearest Neighbor (MLM-KHNN) dipilih sebagai model berbasis nearest neighbor yang digunakan dalam penelitian ini. Selanjutnya, metode seleksi fitur yang digunakan adalah filter based, yakni Correlation based, Information Gain, dan ReliefF. Hasil eksperimen menunjukkan bahwa recall tertinggi dari MLM-KHNN dan Correlation based mencapai 92% dengan 5 fitur, MLM-KHNN dan Information Gain mencapai 94% dengan 5 fitur, dan MLM-KHNN dan ReliefF mencapai 94% dengan 5 fitur. Selanjutnya dibandingkan confusion matrix dari MLM-KHNN dan Information Gain dan MLM-KHNN dan ReliefF. Akurasi dan precision dari MLM-KHNN dan Information Gain lebih tinggi daripada MLM-KHNN dan ReliefF. Dapat disimpulkan bahwa MLM-KHNN dan Information Gain dapat meningkatkan recall prediksi dari kanker payudara jika dibandingkan dengan KNN konvensional dan telah melalui proses deployment ke dalam website menggunakan Streamlit sehingga model dapat digunakan untuk mendeteksi kanker payudara menggunakan fitur-fitur terpilih dari dataset Wisconsin yang diperoleh.