Gagal jantung merupakan salah satu penyebab kematian utama di seluruh dunia dan memerlukan diagnosis yang akurat dan tepat waktu untuk meningkatkan hasil pasien. Namun, deteksi dini tetap menjadi tantangan yang signifikan karena kompleksitas data klinis, dimensionalitas fitur yang tinggi, dan variabilitas dalam kondisi pasien. Metode klinis tradisional sering kali gagal dalam mengidentifikasi pola-pola halus yang menunjukkan tahap awal gagal jantung, memotivasi perlunya teknik komputasi cerdas untuk mendukung keputusan diagnostik. Studi ini bertujuan untuk meningkatkan pemodelan prediktif untuk klasifikasi gagal jantung dengan membandingkan dua pendekatan pembelajaran mesin yang diawasi: Extreme Learning Machine (ELM) dan Hierarchical Extreme Learning Machine (HELM). Kontribusi utama dari penelitian ini adalah evaluasi empiris dari peningkatan kinerja HELM dibandingkan ELM konvensional menggunakan validasi silang 10 kali lipat pada kumpulan data klinis yang tersedia untuk umum. Tidak seperti jaringan saraf tradisional, ELM menawarkan pelatihan cepat dengan menetapkan bobot secara acak dan secara analitis menghitung koneksi keluaran, sementara HELM memperluasnya dengan struktur multi-lapis yang memungkinkan representasi fitur yang lebih kompleks dan generalisasi yang lebih baik. Kedua model dinilai berdasarkan akurasi klasifikasi dan Area Under the Curve (AUC), dua metrik penting dalam tugas klasifikasi medis. Model ELM mencapai akurasi 73,95% ± 8,07 dan AUC 0,7614 ± 0,093, sedangkan model HELM memperoleh akurasi yang sebanding sebesar 73,55% ± 7,85 tetapi dengan AUC yang lebih tinggi sebesar 0,7776 ± 0,085. Dalam beberapa lipatan validasi, HELM mengungguli ELM, khususnya mencapai akurasi 90% dan AUC 0,9250 dalam kasus-kasus tertentu. Sebagai kesimpulan, HELM menunjukkan peningkatan ketahanan dan kemampuan diskriminatif dalam mengidentifikasi kasus-kasus gagal jantung. Temuan-temuan ini menunjukkan bahwa HELM adalah kandidat yang menjanjikan untuk implementasi dalam sistem pendukung keputusan klinis. Penelitian di masa mendatang dapat menggabungkan pemilihan fitur, pengoptimalan hiperparameter, dan evaluasi di seluruh kumpulan data multipusat untuk meningkatkan generalisasi dan penerapan di dunia nyata.