COVID-19 merupakan penyakit menular yang muncul pada akhir tahun 2019 dan penyebarannya pernah menyebabkan pemberlakuan lockdown di berbagai negara termasuk Indonesia. Secara klinis, diagnosis COVID-19 dilakukan dengan tes antigen-antibodi dan reverse transcription polymerase chain reaction (RT-PCR). Selain kedua metode tersebut, beberapa metode deteksi dini alternatif dengan memanfaatkan machine learning telah dikembangkan, tetapi masih memiliki keterbatasan dalam aksesibilitas, invasif dan pengimplementasiannya yang melibatkan banyak pihak bahkan dapat berpotensi meningkatkan risiko penyebaran COVID-19. Oleh karena itu, penelitian ini bertujuan mengembangkan metode deteksi dini alternatif yang non-invasif dengan menggunakan algoritma LightGBM untuk mendeteksi COVID-19 berdasarkan suara batuk dan gejala penyerta yang dapat diidentifikasi secara mandiri. Penelitian ini menggunakan sampel suara batuk dan data gejala dari dataset Coswara. Suara batuk disegmentasi terlebih dahulu kemudian diekstrak fiturnya menggunakan metode Log Mel-spectrogram, Mel Frequency Cepstrum Coefficient (MFCC), Chroma, Zero Crossing Rate, dan Root Mean Square. Selanjutnya fitur suara batuk digabungkan dengan data gejala dalam satu array yang akan digunakan untuk melatih model LightGBM dengan metode Stratified k-Fold cross-validation setelah di-oversampling menggunakan SVM-SMOTE. Model yang dilatih menggunakan fitur suara batuk dan gejala pasien mendapatkan performa terbaik dengan akurasi 95,61%, AUC 93,33%, sensitivitas 88,74%, spesifisitas 97,91%, PPV 93,17% dan NPV 96,33%. Bisa disimpulkan bahwa model yang telah dilatih memiliki kemampuan klasifikasi yang sangat baik berdasarkan nilai AUC yang diperoleh.