Günümüzde teknolojinin hızla gelişmesi ile birlikte yapay zekâ teknikleri de yaygın bir şekilde kullanılmaktadır. Yapay zekâ yöntemleri mühendislik uygulamaları, eğitim, savunma sanayi gibi birçok alanda sıklıkla kullanılmaktadır. Yapay zekânın önemli kullanım alanlarından birisi de sağlık sektörüdür. Sağlık sektörü alanında gerçekleştirilen bu çalışmada açık erişimli bir internet sitesinden (kaggle) elde edilen veri seti kullanılmıştır. Veri seti üzerinde yapay zekâ yöntemleri kullanılarak kalp hastalığının tespiti gerçekleştirilmiştir. Çalışma kapsamında, Random Forest yöntemi ve Parçacık Sürü Optimizasyonu kullanılarak veri setinde yer alan 303 bireyin kalp hastası olup, olmadığına dair sınıflandırma işlemi gerçekleştirilmiştir. Parçacık Sürü Optimizasyonu yöntemi kullanılarak özellik seçimi yapılmış olup rastgele orman yapay zekâ algoritması ile veri seti eğitilmiştir. Rastgele Orman sınıflandırma modeli; doğruluk, özgüllük, duyarlılık, kesinlik, F-ölçüsü, ROC eğrisi ölçütlerinden oluşan performans değerlendirme kriterlerine göre başarı oranı incelenmiştir. Değerlendirme sonucunda Rastgele Orman sınıflandırmanın %86.88 doğruluk, %85.71 özgüllük, %87.87 duyarlılık, %87.87 kesinlik ve %87.87 F-ölçüsü değeri ile başarılı tahmin gerçekleştirdiği belirlenmiştir.Today, with the rapid development of technology, artificial intelligence techniques are also widely used. Artificial intelligence methods are frequently used in many fields such as engineering applications, education and defense industry. One of the important uses of artificial intelligence is the health sector. The data set obtained from an open access website (kaggle) was used in this study conducted in the field of health sector. Heart disease was detected on the data set by using artificial intelligence methods. Within the scope of the study, the classification process was carried out to determine whether 303 individuals in the data set have heart disease or not using the Random Forest method and Particle Swarm Optimization. Feature selection was made using the Particle Swarm Optimization method, and the data set was trained with a random forest artificial intelligence algorithm. Random Forest model; The success rate was examined according to the performance evaluation criteria consisting of accuracy, specificity, sensitivity, precision, F-measure, and ROC curve. As a result of the evaluation, it was determined that Random Forest classification made successful prediction with 86.88% accuracy, 85.71% specificity, 87.87% sensitivity, 87.87% precision and 87.87% F-measure value.