Penyakit gagal jantung merupakan penyakit yang dapat menyebabkan kematian sehingga diperlukan prediksi yang diharapkan dapat memberikan rekomendasi pengetahuan bagi pasien. Algoritma C4.5 digunakan untuk memprediksi keberlangsungan hidup pasien penderita gagal jantung. Algoritma klasifikasi dapat ditingkatkan kinerjanya menggunakan teknik ensemble Bagging dan seleksi fitur Forward Selection dapat digunakan untuk menghilangkan fitur-fitur yang tidak relevan. Dataset yang digunakan yaitu Heart Failure Clinical Records dari UCI Repository dengan 299 data dan 13 fitur. Percobaan dilakukan dengan menggunakan 10-Fold Cross Validation. Percobaan menggunakan algoritma C4.5 dilakukan tanpa melakukan pruning dan prepruning serta menentukan max depth sebesar 50, sedangkan teknik Bagging dilakukan kombinasi parameter yaitu sample ratio 0,25, 0,5, 0,75, dan 0,9 serta jumlah bag 4, 7, 10, dan 13 untuk dilakukan beberapa kali percobaan dan mengetahui pengaruhnya terhadap seleksi fitur Forward Selection. Hasil percobaan menggunakan algoritma C4.5 mendapatkan hasil kinerja AUC sebesar 0,500 dengan akurasi 77,93%, presisi 69,00%, recall 61,33% dan F1-score 63,86%, percobaan algoritma C4.5 dengan menambahkan teknik Bagging mendapatkan hasil kinerja AUC mencapai 0,887 dengan akurasi 81,94%, presisi 72,00%, recall 72,11%, dan F1-score 71,29% pada parameter dalam Bagging yaitu sample ratio 0,25 dengan jumlah bag 13, dan percobaan algoritma C4.5 dengan menambahkan teknik Bagging serta seleksi fitur Forward Selection mendapatkan hasil kinerja AUC mencapai 0,901 dengan akurasi 85,64%, presisi 82,06%, recall 73,11%, dan F1-Score 75,90% pada parameter dalam Bagging yaitu sample ratio 0,25 dengan jumlah bag 13 dengan seleksi fitur terbaik yaitu Time, Ejection Fraction, dan Serum Creatinine.