Penyakit jantung merupakan salah satu penyebab utama kematian di Indonesia, sehingga diperlukan pendekatan berbasis data untuk mendukung deteksi dini risiko serangan jantung. Penelitian ini bertujuan membangun model klasifikasi risiko serangan jantung menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) pada dataset Heart Attack Prediction in Indonesia. Metode penelitian mengikuti kerangka CRISP-DM yang meliputi tahap pemahaman masalah, persiapan data, pemodelan, dan evaluasi. Tahap data preparation mencakup penanganan missing value, label encoding, normalisasi fitur, serta penyeimbangan kelas menggunakan SMOTE. Model dievaluasi menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model SVM RBF memperoleh akurasi sebesar 73,26%, dengan precision 72%, recall 75%, dan F1-score 74% pada kelas berisiko. Nilai recall yang relatif tinggi menunjukkan kemampuan model dalam mendeteksi pasien berisiko secara cukup baik. Temuan ini menunjukkan bahwa SVM RBF efektif dalam menangani pola hubungan non-linear antar faktor klinis dan gaya hidup