Masalah utama dalam prediksi risiko penyakit jantung koroner adalah kurangnya akurasi dan sensitivitas model yang ada dengan dataset yang memadai, terutama dalam mendeteksi pasien dengan risiko tinggi. Penelitian ini bertujuan untuk mengembangkan model prediktif berbasis Machine Learning yang lebih akurat dan sensitif, khususnya dalam meningkatkan nilai recall, sehingga lebih efektif dalam deteksi dini penyakit jantung koroner. Metode yang digunakan adalah Ensemble Learning dengan menggabungkan model random forest dan XGBoost, serta menerapkan teknik optimasi seperti Tree Parzen Estimator (TPE) dan Stratified K-Fold Cross-Validation. Dataset yang digunakan adalah BRFSS 2021, dengan lebih dari 300.000 rekaman, di mana masalah ketidakseimbangan data diatasi menggunakan SMOTE dan Random Undersampling. Hasil penelitian menunjukkan bahwa model XGBoost yang dioptimasi mencapai akurasi sebesar 93.7%, ROC AUC Score hingga 98%, dan recall sebesar 92.6%, menunjukkan kemampuan yang sangat baik dalam membedakan pasien berisiko. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem pendukung keputusan klinis yang lebih andal. Disarankan agar model ini diuji lebih lanjut dalam kondisi klinis nyata dengan data pasien aktual untuk meningkatkan validitasnya dan diintegrasikan ke dalam sistem kesehatan untuk meningkatkan efisiensi skrining dan intervensi medis.
Kata Kunci:Ensemble learning;klasifikasi risiko;penyakit jantung koroner;random forest