Penyakit Parkinson merupakan gangguan sistem saraf yang mengganggu aktivitas manusia. Agar mempermudah penanganan, diperlukan pendeteksian dini sebelum gejala semakin memburuk. Pendeteksian dini sebelumnya sering menggunakan suara vokal penyandang sebagai pembanding dengan individu normal. Namun, penggunaan suara vokal masih memiliki kelemahan dalam sistem deteksi. Suara vokal yang menghimpun banyak sekali informasi membuat sistem deteksi menjadi kurang prediktif akibat fitur yang tidak relevan. Penelitian sebelumnya mengajukan metode seleksi fitur dalam sistem deteksi. Namun, metode tersebut belum dapat menangani variasi di dalam jumlah data. Variasi tersebut meliputi ketidakseimbangan data pada jumlah sampel terhadap fitur dan kelas. Dalam menjawab permasalahan tersebut, digunakan metode seleksi fitur Hilbert-Schmidt Independence Criterion Lasso (HSIC Lasso) yang memiliki kemampuan transformasi fitur untuk mendapatkan fitur yang lebih relevan. Selain itu, di dalam sistem deteksi digunakan Syntethic Minority Oversampling Technique (SMOTE) untuk penyeimbangan data terhadap kelas dan diujikan beberapa metode klasifikasi seperti k-Nearest Neighbours (kNN), Support Vector Machine (SVM), dan Multilayer Perceptron (MLP) untuk mendapatkan model prediksi yang baik. HSIC Lasso menghasilkan 18 dari 45 fitur dengan akurasi 88.34% pada jumlah sampel yang sedikit dan 50 dari 754 fitur dengan akurasi 96.16% pada jumlah sampel yang banyak. Dari hasil tersebut, jika dibandingkan dengan metode sebelumnya, HSIC Lasso lebih cocok digunakan pada data seimbang dengan sampel dan fitur yang lebih banyak.