Klasifikasi data sendiri merupakan proses mengasosiasikan karakteristik metadata ke setiap aset di kawasan digital, yang mengidentifikasi jenis data yang terkait dengan aset tersebut.s Dalam mengklasifikasikan data, ada banyak metode yang dapat digunakan salah satunya adalah random forest. Metode random forest adalah metode yang dapat mengatasi masalah non-linear, tahan terhadap outlier, noise, mudah digunakan serta memberikan hasil klasifikasi yang baik. Imbalance merupakan keadaan data dengan sebaran kelas yang tidak
seimbang, dimana jumlah kelas yang satu lebih banyak atau sedikit dari kelas yang lain. Dalam kondisi imbalance sebagian besar klasifikasi bias terhadap kelas mayoritas, selain itu imbalance dapat menyebabkan overfitting, model yang kurang baik dan cukup berperan
terhadap ternyadinya misklasifikasi. Untuk mengatasi masalah ini dapat dilakukan resampling. SMOTE merupakan turunan dari resampling, lebih tepatnya oversampling dimana data pada kelas minoritas akan ditambah sehingga setara dengan kelas mayoritas dengan cara membangkitkan data synthetic. Tujuan dari penelitian ini untuk mengetahui nilai akurasi klasifikasi data menggunakan random forest dan mengetahui hasil dari penerapan resampling dan random forest dalam klasifikasi. Data yang digunakan pada penelitian ini adalah data breast cancer dan data pasien BBLR Puskesmas Banggae I Kabupaten Majene. Hasil analisis diperoleh akurasi data breast cancer 94,74%, sensitivity 93,33% dan F1-Score 95,89%. Hasil akurasi data BBLR adalah 73,75%, sensitivity 77,63% dan F1-Score 84, 89%.