Penyakit jantung merupakan salah satu penyebab utama kematian global, sehingga deteksi dini menjadi sangat krusial untuk penanganan yang efektif. Pemanfaatan teknologi machine learning menawarkan potensi besar dalam mengembangkan alat deteksi dini yang cepat dan akurat. Penelitian ini mengimplementasikan algoritma Extreme Gradient Boosting (XGBoost), sebuah metode machine learning berbasis pohon keputusan, untuk membangun model klasifikasi biner penyakit jantung. Tujuan utama dari penelitian ini adalah untuk mengevaluasi performa model XGBoost dan menganalisis sejauh mana pengaruh optimasi hyperparameter terhadap peningkatan akurasi dan keandalan model. Penelitian ini menggunakan dataset Cleveland Clinic Heart Disease yang terdiri dari 303 sampel dan 13 fitur klinis. Model dievaluasi dalam dua tahap: sebelum (baseline) dan sesudah optimasi hyperparameter menggunakan metode RandomizedSearchCV. Hasil penelitian menunjukkan peningkatan performa yang sangat signifikan setelah optimasi. Model baseline mencapai akurasi 87% dan AUC 0.94. Setelah dioptimalkan, model akhir berhasil mencapai akurasi sebesar 95%, presisi 96%, recall 93%, F1-score 95% untuk kelas penyakit, dan Area Under Curve (AUC) sebesar 0.98. Kesimpulan dari penelitian ini adalah algoritma XGBoost sangat efektif untuk klasifikasi penyakit jantung, dan proses optimasi hyperparameter terbukti menjadi langkah krusial yang secara substansial meningkatkan akurasi, presisi, dan keandalan model prediktif.