<![CDATA[Peningkatan kasus gangguan kardiovaskular menuntut adanya sistem pemantauan detak jantung yang tidak hanya akurat, tetapi juga mampu memberikan respons cepat terhadap kondisi abnormal. Penelitian ini bertujuan mengembangkan sistem pemantauan detak jantung berbasis Internet of Things (IoT) yang terintegrasi dengan algoritma Extreme Gradient Boosting (XGBoost) untuk mendeteksi pola detak jantung abnormal secara real-time serta memicu respons otomatis melalui Miniature Medical Car. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan metode simulasi, di mana data denyut jantung dikumpulkan menggunakan Pulse Armband berbasis ESP32-C3 Mini dan sensor MAX30102, kemudian dikirim ke server untuk diproses melalui pipeline data mining. Dataset penelitian terdiri dari 800 sampel yang dibagi menjadi kelas normal dan abnormal, kemudian diolah menjadi 14 fitur statistik dan variabilitas detak jantung untuk proses pelatihan model. Hasil penelitian menunjukkan bahwa model XGBoost mencapai akurasi 94%, precision 93,3%, recall 93,3%, F1-score 0,933, serta ROC-AUC 0,96, yang mengindikasikan kinerja tinggi dalam membedakan pola detak jantung normal dan abnormal. Integrasi model dengan miniature car memungkinkan sistem memberikan respons fisik secara otomatis saat mendeteksi kondisi berisiko. Kontribusi penelitian ini mencakup pengembangan sistem IoT–ML real-time yang efisien, penggunaan fitur statistik ringkas untuk data fisiologis, serta implementasi respons berbasis robotik. Implikasi penelitian membuka peluang penerapan pada sistem monitoring medis jarak jauh, lingkungan publik, maupun perangkat asistif berbiaya rendah.]]>
