Hepatitis C, sebuah tantangan kesehatan global yang signifikan, mempengaruhi 71 juta orang di seluruh dunia, dengan komplikasi parah seperti sirosis dan karsinoma hepatoseluler. Meskipun prevalensi dan ketersediaannya dalam tes diagnostik cepat (RDT), kebutuhan akan metode deteksi dini yang akurat masih tetap penting. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi virus hepatitis C dengan mengintegrasikan algoritma C5.0 dengan pemilihan fitur Chi-Square, mengatasi keterbatasan pendekatan diagnostik saat ini dan berpotensi mengurangi kesalahan diagnostik. Penelitian ini mengeksplorasi pengembangan model pembelajaran mesin untuk prediksi hepatitis C, memanfaatkan kumpulan data yang tersedia untuk umum dari Kaggle. Ini mencakup teknik pra-pemrosesan seperti pengkodean label, penanganan nilai yang hilang, normalisasi, pemilihan fitur, pengembangan model, dan evaluasi untuk memastikan kemanjuran dan keakuratan model dalam mendiagnosis hepatitis C. Temuan penelitian ini mengungkapkan bahwa penerapan pemilihan fitur Chi-Square secara signifikan meningkatkan efektivitas algoritma pembelajaran mesin. Secara khusus, kombinasi algoritma C5.0 dan pemilihan fitur Chi-Square menghasilkan akurasi luar biasa sebesar 96,75%, melampaui tolok ukur penelitian sebelumnya. Hal ini menyoroti sinergi yang kuat antara teknik pemilihan fitur tingkat lanjut dan algoritme pembelajaran mesin dalam meningkatkan presisi diagnostik. Studi ini secara meyakinkan menunjukkan bahwa pembelajaran mesin adalah alat yang efektif untuk mendeteksi hepatitis C, dan menunjukkan potensi untuk meningkatkan akurasi diagnostik secara signifikan. Sebagai rekomendasi di masa mendatang, penggunaan AutoML disarankan untuk mengotomatiskan pemilihan algoritme optimal secara berkala, sehingga menjanjikan peningkatan lebih lanjut dalam kemampuan deteksi.

Kata kunci: Algoritma C5.0, Seleksi Fitur, Penyakit Hepatitis C, Pembelajaran Mesin