Kanker Paru-paru adalah penyakit yang memiliki tingkat kematian yang tinggi dan seringkali sulit dideteksi hingga mencapai stadium yang sangat parah. Data menunjukkan bahwa kasus kanker paru biasanya terlambat didiagnosis, sehingga menimbulkan tantangan yang signifikan terhadap pengobatan yang efektif. Upaya deteksi dini menawarkan potensi peluang pemulihan yang lebih baik. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode identifikasi dan klasifikasi kanker paru dengan harapan dapat memberikan pengetahuan lebih lanjut tentang cara yang efektif untuk mendeteksi kondisi ini pada tahap awal. Salah satu pendekatan yang diteliti adalah dengan menggunakan teknik klasifikasi pembelajaran mesin, yang diharapkan dapat berfungsi sebagai alat penting dalam deteksi dini penyakit dan meningkatkan tingkat kelangsungan hidup pasien. Penelitian ini melibatkan lima tahap: pengumpulan data, prapemrosesan data, partisi data untuk pelatihan dan pengujian menggunakan 10-fold cross validation, pelatihan model, dan analisis hasil evaluasi. Dalam penelitian ini, empat percobaan terdiri dari penerapan dua metode klasifikasi, CatBoost dan Random Forest, yang masingmasing diuji dengan menggunakan hyperparameter default dan tuning hyperparameter menggunakan Bayesian Optimization. Ditemukan bahwa model Random Forest menggunakan tuning hyperparameter Bayesian Optimization mengungguli model lainnya dengan akurasi (0.97106), presisi (0.97339), recall (0.97185), f-measure (0.97011), dan AUC (0.99974) untuk data kanker paru-paru. Temuan ini menyoroti bahwa Optimasi Bayesian untuk penyetelan hyperparameter dalam model klasifikasi dapat meningkatkan prediksi klinis kanker paru-paru dari rekam medis pasien. Integrasi Bayesian Optimization dalam penyetelan hyperparameter merupakan langkah maju yang signifikan dalam menyempurnakan akurasi dan efektivitas model klasifikasi, sehingga berkontribusi pada peningkatan diagnostik medis dan strategi perawatan kesehatan yang sedang berlangsung.

Kata kunci: Kanker Paru-paru, CatBoost, Random Forest, Bayesian Optimization