Masalah ketidakseimbangan kelas pada dataset prediksi keberlangsungan hidup pasien gagal jantung merupakan tantangan yang perlu diatasi. Model prediksi cenderung memprioritaskan kelas mayoritas, mengakibatkan kesalahan prediksi yang berpotensi fatal. Dalam penelitian ini, teknik Bagging digunakan untuk mengatasi masalah ketidakseimbangan kelas. Bagging melakukan resampling dengan penggantian pada data training untuk meningkatkan representasi data kelas minoritas. Penelitian ini melibatkan tiga algoritma klasifikasi, yaitu Support Vector Machine (SVM), Logistic Regression (LR), dan K-Nearest Neighbor (KNN). Untuk meningkatkan kinerja algoritma-algoritma ini, dilakukan hyperparameter tuning pada Bagging dengan menggunakan kombinasi hyperparameter yang dihasilkan melalui algoritma Grid Search. Hasil penelitian menunjukkan bahwa penggunaan Bagging secara signifikan meningkatkan kinerja KNN yang memiliki varian tinggi. Pada SVM dan LR yang memiliki varian rendah, peningkatan kinerja oleh Bagging tidak terlalu signifikan. Hal ini dapat dijelaskan oleh keberagaman data training yang dihasilkan oleh Bagging, yang mengurangi varian pada algoritma dengan varian tinggi seperti KNN. Penanganan ketidakseimbangan kelas pada prediksi keberlangsungan hidup pasien gagal jantung melalui teknik Bagging ini memberikan pemahaman yang lebih baik mengenai pengaruhnya terhadap kinerja algoritma klasifikasi. Dengan mengurangi kesalahan prediksi, diharapkan penelitian ini dapat membantu dalam memberikan penanganan yang tepat bagi pasien gagal jantung dan meningkatkan hasil prediksi keberlangsungan hidup pasien secara keseluruhan.