Prediksi toksisitas dalam pengembangan obat sangat penting untuk menentukan kesesuaian klinis senyawa baru. Studi saat ini meningkatkan akurasi prediksi toksisitas dengan mengintegrasikan metode ensembel, khususnya Random Forest dan AdaBoost, dengan algoritma Cuckoo Search untuk proses seleksi fitur yang dioptimalkan. Pendekatan baru ini diuji menggunakan dataset Clintox, yang terdiri dari 1431 senyawa kimia, yang bertujuan untuk memprediksi toksisitas klinis. Penggunaan model Cuckoo Search-Ensemble menunjukkan peningkatan yang signifikan dalam akurasi prediksi, yang menunjukkan ketahanan terhadap variasi data. Efektivitas model ini semakin dipertegas dengan pemilihan fitur yang ketat dan penyetelan hiperparameter, yang sangat penting untuk meningkatkan kinerja. Evaluasi model menggunakan metrik kinerja penting termasuk akurasi, presisi, recall, dan F1-score. Hasil penelitian kami menunjukkan kinerja yang baik untuk model AdaBoost dengan menggunakan learn
