<![CDATA[Hipertensi merupakan penyakit kardiovaskular dengan prevalensi tinggi dan menjadi penyebab utama mortalitas global, sehingga deteksi dini menjadi kebutuhan klinis yang krusial. Namun, pengembangan model deep learning pada konteks sumber daya terbatas sering terkendala ketersediaan dataset berskala besar. Gap penelitian yang diidentifikasi adalah belum tersedianya studi eksploratif yang secara eksplisit menguji kelayakan pipeline Multilayer Perceptron (MLP) sederhana pada dataset berukuran sangat kecil dengan dokumentasi reproducible. Penelitian ini bertujuan mendemonstrasikan pipeline MLP end-to-end pada dataset sintetik 150 sampel dengan sembilan fitur biometrik dan gaya hidup. Setelah one-hot encoding dan normalisasi Min-Max, dimensi input menjadi 15 neuron. Arsitektur MLP terdiri atas tiga hidden layer (64-32-16, ReLU) dan output sigmoid, dilatih 100 epoch menggunakan optimizer Adam (learning rate 0,001; batch size 16) dengan early stopping. Evaluasi pada test set (n = 30) memperoleh akurasi 90,00%, presisi 85,00%, recall 100%, F1-score 91,90%, dan AUC-ROC 0,91, dengan tiga false positive teridentifikasi sebagai kasus borderline pre-hypertension. Kontribusi penelitian terletak pada penyajian artefak reproducible—dataset sintetik, kode preprocessing, dan visualisasi diagnostik—sebagai baseline pedagogis untuk institusi berketerbatasan data. Keterbatasan utama, yaitu sifat deterministik label yang berpotensi menimbulkan circular reasoning pada fitur tekanan darah, didokumentasikan eksplisit sebagai catatan validitas internal.]]>
