<![CDATA[Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia sehingga diperlukan metode klasifikasi berbasis data yang mampu mendukung proses skrining awal secara efektif. Berbagai algoritma machine learning telah digunakan dalam klasifikasi penyakit jantung, namun masih terbatas penelitian yang membandingkan performa Random Forest, XGBoost, dan K-Nearest Neighbor (K-NN) dengan penanganan ketidakseimbangan data serta optimasi hyperparameter secara sistematis melalui ablation study. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja ketiga algoritma tersebut dalam klasifikasi penyakit jantung menggunakan Heart Failure Prediction Dataset dari Kaggle yang terdiri dari 918 sampel dan 12 atribut. Tahapan penelitian meliputi preprocessing data (imputasi, encoding, deteksi outlier menggunakan Isolation Forest), feature engineering, pembagian data dengan rasio 80:20, normalisasi dengan MinMaxScaler, seleksi fitur menggunakan Information Gain, penyeimbangan data menggunakan Random Oversampling, serta optimasi hyperparameter menggunakan Optuna berbasis Tree-structured Parzen Estimator (TPE). Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Area Under Curve (AUC) melalui empat skenario ablation study: model dasar (S1), model dengan Random Oversampling (S2), model dengan Optuna (S3), dan model dengan kombinasi keduanya (S4). Hasil penelitian menunjukkan bahwa optimasi Optuna menghasilkan peningkatan yang lebih konsisten dibandingkan kombinasi Optuna dengan Random Oversampling. Random Forest pada Skenario 3 memperoleh kinerja terbaik dengan akurasi 89,14%, F1-Score 90,73%, dan AUC 94,95%. Hasil ini menunjukkan bahwa Optuna efektif meningkatkan kinerja klasifikasi, dengan Random Forest sebagai algoritma terbaik untuk klasifikasi penyakit jantung pada dataset yang digunakan sebagai sistem pendukung skrining awal.]]>
