Diagnosis dini penyakit jantung sebagai salah satu penyebab kematian tertinggi di dunia membutuhkan metode analisis yang akurat dan andal. Perkembangan teknik data mining dan machine learning memberikan peluang besar dalam pengolahan data medis secara efisien. Penelitian ini bertujuan untuk menganalisis dan memprediksi penyakit jantung menggunakan metode Random Forest serta mengevaluasi kinerja model berdasarkan beberapa metrik evaluasi. Tahapan penelitian meliputi pengumpulan dataset penyakit jantung, pra-pemrosesan data seperti pembersihan dan normalisasi, pembagian data menjadi data latih dan data uji, serta penerapan algoritma Random Forest sebagai model klasifikasi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode Random Forest mampu mengklasifikasikan penyakit jantung dengan sangat baik, dengan tingkat akurasi sebesar 99,07%, presisi 98,77%, recall 99,38%, dan F1-score 99,08%. Hasil ini menunjukkan bahwa Random Forest lebih unggul dibandingkan metode klasifikasi tunggal karena kemampuannya mengurangi overfitting dan menggabungkan beberapa pohon keputusan. Dengan demikian, metode Random Forest dapat digunakan secara efektif sebagai sistem pendukung keputusan dalam prediksi penyakit jantung. Namun, penelitian lanjutan masih diperlukan dengan jumlah data yang lebih besar, fitur klinis yang lebih beragam, serta perbandingan dengan algoritma lain untuk meningkatkan keandalan sistem prediksi.