Penyakit Parkinson, suatu kondisi neurodegeneratif yang ditandai dengan penurunanneuronpenghasildopamin,menimbulkantantangandiagnostikkarenakurangnyatesyangpasti.Penelitian ini menyelidiki algortima pembelajaran mesin AdaBoost, LightGBM, dan CatBoost untukmeningkatkanakurasidiagnosispenyakitParkinsondenganmenggunakanrekamansuara.Memanfaatkan dataset Kaggle Parkinson's Disease Detection dengan 195 rekaman dan 22atribut, penelitian kami berfokus pada peningkatan ketepatan diagnosis melalui metode yanginovatif.SetelahmelakukannormalisasidanmengatasiketidakseimbangankelasdenganADASYN, peningkatan kinerja yang signifikan terlihat. Secara khusus, sebelum menggunakanADASYN, kinerja model awal adalah sebagai berikut: AdaBoost mencapai akurasi 89,74%,presisi89,53%,recall89,74%,danskorF189,59%;LightGBMmencapaiakurasi95,38%, presisi95,34%,recall95,38%,danskorF195,33%;CatBoostmencapaiakurasi93,33%,presisi93,30%, recall 93,33%, dan skor F1 93,15%. Selanjutnya, dengan model ADASYN, ADASYN-LightGBM dan ADASYN-CatBoost menunjukkan kinerja yang luar biasa, mencapai 96,92%akurasi,97,10%presisi,96,92%recall,dan96,92%skorF1.Halinimenggarisbawahipentingnya mengintegrasikan metode boosting dengan teknik penyeimbangan data. Selain itu,temuan kami memposisikan model-model ini secara kompetitif terhadap penelitian sebelumnya,yang menunjukkankemajuanyangmenjanjikan dalam diagnosispenyakitParkinson.

Katakunci—ADASYN,AdaBoost,CatBoost, LightGBM, PenyakitParkinson