<![CDATA[Deteksi dini penyakit jantung sangat penting untuk menurunkan angka kematian serta mendukung penanganan medis yang tepat dan cepat. Dalam praktiknya, proses diagnosis penyakit jantung masih banyak dilakukan secara manual oleh tenaga medis, sehingga membutuhkan waktu yang cukup lama dan berpotensi menimbulkan ketidakkonsistenan dalam pengambilan keputusan, terutama ketika jumlah data pasien semakin besar. Penelitian ini bertujuan untuk mengembangkan dan menerapkan model klasifikasi berbasis supervised learning dalam memprediksi penyakit jantung menggunakan algoritma Decision Tree. Dataset yang digunakan terdiri dari 1.025 data pasien dengan 13 atribut klinis, meliputi usia, jenis kelamin, tipe nyeri dada, tekanan darah istirahat, kadar kolesterol, gula darah puasa, hasil elektrokardiogram, detak jantung maksimum, angina akibat olahraga, depresi ST, kemiringan segmen ST, jumlah pembuluh darah utama, dan status thalassemia, dengan status penyakit jantung sebagai kelas target. Data dibagi menjadi 80% data pelatihan dan 20% data pengujian. Model Decision Tree dibangun dengan kedalaman maksimum lima tingkat untuk menjaga interpretabilitas model dan menghindari overfitting. Hasil penelitian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi sebesar 98,54% dalam mendeteksi pasien yang benar-benar menderita penyakit jantung. Model klasifikasi ini diharapkan dapat membantu tenaga medis dalam melakukan deteksi dini risiko penyakit jantung serta mendukung pengambilan keputusan melalui aturan keputusan yang mudah dipahami.]]>
