Prediksi keberlangsungan hidup pasien gagal jantung telah dilakukan pada penelitian untuk mencari tahu tentang kinerja, akurasi, presisi, dan performa dari model prediksi ataupun metode yang digunakan dalam penelitian, dengan menggunakan dataset heart failure clinical records. Namun, dataset ini memiliki permasalahan yaitu bersifat tidak seimbang yang dapat menurunkan kinerja model prediksi karena cenderung menghasilkan prediksi kelas mayoritas. Penelitian ini menggunakan pendekatan level algoritma untuk mengatasi ketidakseimbangan kelas, yaitu teknik bagging dengan metode Random Forest, lalu digabungkan dengan metode Hyper-Parameter Tuning agar kinerja yang dihasilkan menjadi lebih baik. Selanjutnya, model dilatih dengan dataset dan dibandingkan dengan metode lain. Hasilnya menunjukkan bahwa Random Forest dengan Random Search Hyper-ParameterTuning mencapai nilai AUC sebesar 0,906 dan model Random Forest tanpa Random Search memperoleh nilai AUC sebesar 0,866.