Penyakit jantung merupakan isu kesehatan global yang krusial, membutuhkan deteksi dan prediksi akurat untuk penanganan optimal. Tetapi, metode yang ada seringkali tidak mampu menangani kerumitan data medis. Mengatasi masalah utama tersebut, dikembangkan model machine learning yang kuat dan mudah dipahami. Model ini menggunakan dataset Heart Disease UCI yang telah melalui proses persiapan data, termasuk penanganan data yang hilang dengan KNN Imputer.Penelitian ini memperkenalkan model hybrid XGBoost-Random Forest (XGB-RF) yang beroperasi dalam dua mode: sebagai stacking, di mana prediksi XGBoost menjadi input tambahan bagi Random Forest, dan XGB-RF Feature Engineering, tempat XGBoost menghasilkan ciri-ciri baru yang kemudian menjadi data masukan bagi Random Forest. Pemahaman hasil prediksi dilakukan oleh SHapley Additive exPlanations (SHAP), sehingga dapat mengidentifikasi penyebab penyakit jantung pada tiap individu. Dengan model mencapai akurasi 83.69% dan ROC-AUC 86.27%, menunjukkan peningkatan besar dalam kemampuan memprediksi risiko penyakit jantung. Kesimpulannya, model XGB-RF ini efektif dalam memprediksi risiko penyakit jantung dan memberikan penjelasan yang jelas melalui SHAP. Model ini berpotensi besar membantu dokter dalam penilaian risiko pasien yang lebih cepat dan akurat di masa depan, bahkan dapat dikembangkan untuk pemantauan dini melalui integrasi teknologi.