<![CDATA[Abstrak - Penyakit jantung merupakan salah satu penyebab kematian utama secara global, sehingga deteksi dini yang akurat menjadi krusial dalam upaya penyelamatan pasien. Algoritma Decision Tree sering digunakan sebagai alat bantu diagnosis karena kemampuannya menghasilkan aturan keputusan yang transparan. Namun, algoritma ini memiliki kelemahan mendasar berupa kecenderungan overfitting dan ketidakstabilan akurasi saat menangani data medis yang kompleks. Penelitian ini mengusulkan integrasi Genetic Algorithm (GA) sebagai metode metaheuristik untuk mengoptimalkan konfigurasi hyperparameter pada Decision Tree guna meningkatkan performa klasifikasi. Eksperimen dilakukan menggunakan dataset Heart Disease yang telah melalui tahap pra-pemrosesan ketat, termasuk eliminasi data duplikat dan transformasi fitur kategorikal. Proses optimasi dirancang dengan fungsi evaluasi khusus yang memprioritaskan sensitivitas (Recall) untuk meminimalisir risiko kesalahan deteksi pasien sakit (False Negative). Hasil pengujian menunjukkan bahwa model hasil optimasi GA berhasil meningkatkan Recall secara signifikan sebesar 12,12% (dari 75,76% menjadi 87,88%) dan Akurasi sebesar 4,92% dibandingkan model baseline. Selain itu, struktur model menjadi jauh lebih efisien dengan reduksi kedalaman pohon dari 10 tingkat menjadi 3 tingkat. Temuan ini membuktikan bahwa metode yang diusulkan mampu menghasilkan sistem diagnosis yang tidak hanya lebih akurat dan sensitif, tetapi juga lebih sederhana dan mudah diinterpretasikan oleh tenaga medis.Kata kunci : Decision Tree; Genetic Algorithm; Optimasi Hyperparameter; Prediksi Penyakit Jantung; Abstract - Heart disease is one of the leading causes of death globally, making accurate early detection crucial for patient survival. The Decision Tree algorithm is often used as a diagnostic tool due to its ability to generate transparent decision rules. However, this algorithm has fundamental weaknesses such as overfitting tendencies and accuracy instability when handling complex medical data. This study proposes the integration of Genetic Algorithm (GA) as a metaheuristic method to optimize hyperparameter configurations in Decision Trees to improve classification performance. Experiments were conducted using the Heart Disease dataset that had undergone rigorous pre-processing stages, including duplicate data elimination and categorical feature transformation. The optimization process was designed with a special evaluation function that prioritizes sensitivity (Recall) to minimize the risk of false patient detection (False Negative). The test results showed that the GA-optimized model significantly increased Recall by 12.12% (from 75.76% to 87.88%) and Accuracy by 4.92% compared to the baseline model. In addition, the model structure became significantly more efficient with a reduction in tree depth from 10 levels to 3 levels. These findings prove that the proposed method is capable of producing a diagnostic system that is not only more accurate and sensitive, but also simpler and easier to interpret by medical personnel.Keywords: Decision Tree; Genetic Algorithm; Hyperparameter Optimization; Heart Disease Prediction;]]>
