Gagal jantung merupakan salah satu kondisi kesehatan kritis dengan angka kematian yang terus meningkat, dengan permasalahan yang ada diagnosis tradisional seringkali kurang akurat dan efisien sehingga diperlukan metode diagnosis dini yang lebih presisi dan efisien. Penelitian sebelumnya telah meningkatkan akurasi prediksi dengan berbagai metode namun masih terbatas dalam pemilihan fitur optimal dan efisiensi pemodelan. Oleh karena itu, penelitian ini bertujuan untuk menganalisis kinerja kernel pada algoritma Support Vector Machine (SVM) seperti Dot, Radial, Polynomial dan menganalisis efektivitas Forward Selection (FS) dalam memilih fitur paling signifikan guna mengoptimalkan prediksi risiko gagal jantung. Hasil penelitian menunjukkan bahwa kernel Radial dengan FS memiliki performa terbaik dengan AUC 0.881, Accuracy 84,64%, dan Recall 92,55%. Fitur time dan serum_creatinine terbukti paling signifikan dalam meningkatkan performa model. Penelitian ini membuktikan bahwa kombinasi antara SVM dan FS mampu menghasilkan solusi yang lebih presisi dan efisien dalam diagnosis dini gagal jantung dibandingkan pendekatan sebelumnya. Hasil ini diharapkan dapat mendukung pengembangan sistem prediksi berbasis kecerdasan buatan untuk aplikasi klinis yang lebih andal.