Melola Discovery

← Melola Discovery

Open access Journal SINTA 2

Implementation of Chi-Square Feature Selection for Parkinson’s Disease Classification Using LightGBM

IJCCS (Indonesian Journal of Computing and Cybernetics Systems) · Vol. 19 No. 3 (2025) · pp. 327–336

DOI
10.22146/ijccs.107881
ISSN
2460-7258, 1978-1520
Published
2025-07-31
Publisher
IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.
Language
eng
License
creativecommons.org/licenses/by-sa/4.0

Abstract

Penyakit Parkinson merupakan penyakit yang disebabkan oleh kerusakan sel saraf otak dan termasuk penyakit yang jumlah kasusnya meningkat pesat di dunia. Salah satu cara yang dapat dilakukan untuk mencegah meningkatnya kasus penyakit Parkinson adalah dengan melakukan diagnosis melalui metode klasifikasi dengan pendekatan pembelajaran algoritmik. Penelitian ini mengimplementasikan teknik Chi-Square untuk pendekatan pemilihan fitur yang relevan dengan algoritma Light Gradient Boosting Machine (LightGBM) dalam klasifikasi penyakit Parkinson. Pemilihan fitur Chi-Square bertujuan untuk mengurangi fitur yang kurang relevan sehingga dapat meningkatkan hasil kinerja model. Selain itu, metode SMOTE diterapkan untuk menangani ketidakseimbangan data dan penyetelan hiperparameter guna menentukan kombinasi parameter yang optimal. Pengujian dilakukan terhadap sepuluh variasi jumlah fitur, dengan hasil terbaik diperoleh dengan menggunakan 200 fitur yang menghasilkan akurasi sebesar 96,05%. Dengan menggunakan metode Chi-Square, kinerja model LightGBM meningkat dibandingkan dengan kinerja tanpa pemilihan fitur. Penerapan kombinasi metode ini dapat meningkatkan kinerja model klasifikasi secara signifikan dan berpotensi untuk diterapkan dalam sistem pendukung diagnosis penyakit Parkinson.

Keywords

Collaboration network of the authors

38 authors · 163 co-authorship links · 33 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Lambung Mangkurat University
  • Kanazawa University
  • Sunan Gunung Djati State Islamic University Bandung
  • Jakarta State Polytechnic
  • Trường Đại học Bạc Liêu
  • National Research and Innovation Agency
  • State University of Makassar
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Mohammad Reza FaisalLambung Mangkurat University10
Friska AbadiLambung Mangkurat University8
Rudy HertenoLambung Mangkurat University7
Fatma IndrianiLambung Mangkurat University6
Setyo Wahyu SaputroLambung Mangkurat University6
Dodon Turianto NugrahadiLambung Mangkurat University5
Radityo Adi NugrohoLambung Mangkurat University4
Triando Hamonangan SaragihLambung Mangkurat University3
Siti Roziana AzizahLambung Mangkurat University3
Puput Dani Prasetyo AdiNational Research and Innovation Agency3
Jumadi Mabe ParenrengState University of Makassar3
Hafiz IlhamiLambung Mangkurat University3
Adela Putri AriyantiLambung Mangkurat University2
Muliadi MuliadiSunan Gunung Djati State Islamic University Bandung2
Muhammad Hevny RizkyLambung Mangkurat University2
Muhammad Amir NugrahaLambung Mangkurat University2
MuliadiAffiliation unknown2
Deni KurniaLambung Mangkurat University2
Lilies HandayaniKanazawa University2
Elvina Nur HanaLambung Mangkurat University2
Kenji SatouKanazawa University2
Salsha FarahdibaLambung Mangkurat University1
Putri NabellaAffiliation unknown1
Putri NabellaLambung Mangkurat University1
Reina Alya RahmaLambung Mangkurat University1
Halena Diyana SedarLambung Mangkurat University1
Moses Okechukwu OnyesoluAffiliation unknown1
Muhammad RafiAffiliation unknown1
Mera Kartika DelimayantiJakarta State Polytechnic1
Luu Duc NgoTrường Đại học Bạc Liêu1
Asri MartalisaLambung Mangkurat University1
Hawariul KamilLambung Mangkurat University1
Rudy HertonoLambung Mangkurat University1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.ugm.ac.id/ijccs/oai, first harvested 26 Oct 2026, last seen 15 Nov 2026.
Original metadata (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Implementation of Chi-Square Feature Selection for  Parkinson’s Disease Classification Using LightGBM</dc:title>
	<dc:creator>Ahdyani, Annisa Salsabila</dc:creator>
	<dc:creator>Budiman, Irwan</dc:creator>
	<dc:creator>Kartini, Dwi</dc:creator>
	<dc:creator>Farmadi, Andi</dc:creator>
	<dc:creator>Mazdadi, Muhammad Itqan</dc:creator>
	<dc:subject xml:lang="en-US">Computer Science</dc:subject>
	<dc:subject xml:lang="en-US">Parkinson Disease; Chi-Square; LightGBM</dc:subject>
	<dc:description xml:lang="en-US">Penyakit Parkinson merupakan penyakit yang disebabkan oleh kerusakan sel saraf otak dan termasuk penyakit yang jumlah kasusnya meningkat pesat di dunia. Salah satu cara yang dapat dilakukan untuk mencegah meningkatnya kasus penyakit Parkinson adalah dengan melakukan diagnosis melalui metode klasifikasi dengan pendekatan pembelajaran algoritmik. Penelitian ini mengimplementasikan teknik Chi-Square untuk pendekatan pemilihan fitur yang relevan dengan algoritma Light Gradient Boosting Machine (LightGBM) dalam klasifikasi penyakit Parkinson. Pemilihan fitur Chi-Square bertujuan untuk mengurangi fitur yang kurang relevan sehingga dapat meningkatkan hasil kinerja model. Selain itu, metode SMOTE diterapkan untuk menangani ketidakseimbangan data dan penyetelan hiperparameter guna menentukan kombinasi parameter yang optimal. Pengujian dilakukan terhadap sepuluh variasi jumlah fitur, dengan hasil terbaik diperoleh dengan menggunakan 200 fitur yang menghasilkan akurasi sebesar 96,05%. Dengan menggunakan metode Chi-Square, kinerja model LightGBM meningkat dibandingkan dengan kinerja tanpa pemilihan fitur. Penerapan kombinasi metode ini dapat meningkatkan kinerja model klasifikasi secara signifikan dan berpotensi untuk diterapkan dalam sistem pendukung diagnosis penyakit Parkinson.</dc:description>
	<dc:publisher xml:lang="en-US">IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.</dc:publisher>
	<dc:contributor xml:lang="en-US">Department of Computer Science</dc:contributor>
	<dc:date>2025-07-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US"></dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.ugm.ac.id/ijccs/article/view/107881</dc:identifier>
	<dc:identifier>10.22146/ijccs.107881</dc:identifier>
	<dc:source xml:lang="en-US">IJCCS (Indonesian Journal of Computing and Cybernetics Systems); Vol 19, No 3 (2025): July; 327-336</dc:source>
	<dc:source>2460-7258</dc:source>
	<dc:source>1978-1520</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.ugm.ac.id/ijccs/article/view/107881/42106</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2025 IJCCS (Indonesian Journal of Computing and Cybernetics Systems)</dc:rights>
	<dc:rights xml:lang="en-US">http://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>