Penyakit Parkinson merupakan gangguan kerusakan sel-sel saraf di otak dan termasuk penyakit yang berkembang paling cepat secara global. Upaya yang dapat dilakukan untuk mencegah meningkatnya kasus penyakit parkinson adalah diagnosis melalui pendekatan klasifikasi menggunakan algoritma pembelajaran mesin. Penelitian ini mengimplementasikan metode seleksi fitur Chi-Square yang dikombinasikan dengan algoritma Light Gradient Boosting Machine (LightGBM) untuk klasifikasi penyakit Parkinson. Tujuan dari seleksi fitur Chi-Square adalah untuk menghilangkan fitur-fitur yang tidak terlalu relevan sehingga dapat meningkatkan hasil kinerja model. Selain itu, diterapkan metode SMOTE untuk menangani ketidakseimbangan data serta hyperparameter tuning untuk menentukan kombinasi parameter optimal. Pengujian menggunakan sepuluh variasi jumlah fitur hasil seleksi, mulai dari 5 hingga 250 fitur. Hasil terbaik diperoleh pada penggunaan 200 fitur dengan nilai akurasi sebesar 96,05%. Penerapan Chi-Square berhasil meningkatkan performa pada model LightGBM dibandingkan dengan model yang tidak menggunakan seleksi fitur Chi-Square. Penerapan kombinasi metode ini secara signifikan mampu meningkatkan performa model klasifikasi dan berpotensi diaplikasikan dalam sistem pendukung diagnosis penyakit Parkinson.