Liver merupakan salah satu organ tubuh manusia yang paling penting. Jika organ liver mengalami kerusakan maka kesehatan pun akan terganggu. Saat ini penyakit liver menjadi salah satu dari penyebab utama kematian didunia yang masih meningkat dari tahun ke tahun. Berdasarkan data UK Health Security Agency pada tahun 2014 jumlah orang yang meninggal akibat penyakit liver di Inggris meningkat 40% menjadi 10.127. Metode klasifikasi pada penelitian ini menggunakan metode Adaptive Boosting (AdaBoost) dan Teknik oversampling SMOTE dan G-SMOTE. Dataset akan dilakukan preprocessing label encoder dan normalisasi min-max, selanjutnya membagi data set menggunakan metode Splitting Data dengan rasio 80:20 terbagi menjadi 466 data traning dan 117 data testing, kemudian dilakukan klasifikasi dari penelitian ini diperolah hasil terbaik dari masin-masing metode baik itu yang menggunakan oversampling maupun tanpa oversampling, untuk pengklasifikasian AdaBoost didapatkan akurasi 78,63%, presisi 73,33%, recall 61,52% pada nilai learning rate 0.2 dan AUC terbaik sebesar 79,95% pada nilai learning rate 0,1, pada AdaBoost+SMOTE dengan parameter n estimator 350 didapatkan akurasi 76,07%, presisi 79,87%, recall 73,69% dengan learning rate 0.5 dan hasil terbaik AUC dengan learning rate 0,1 yaitu 82,42%, dan terakhir pada AdaBoost+G-SMOTE didapatkan hasil terbaik akurasi 79,49%, presisi 72,62%, recall 67,87%, dan AUC 78,95% pada parameter n estimator 100 dan learning rate 0,4. Dari ketiga metode yang telah dilakukan bahwa dengan penambahan Teknik penyeimbang G-SMOTE mampu meningkatkan nilai akurasi, dibanding tanpa menggunakan Teknik penyeimbang serta pada Teknik penyeimbang SMOTE diperoleh nilai presisi, recall, dan AUC yang lebih baik di banding tanpa Teknik penyeimbang. Walaupun demikian metode AdaBoost mampu mengklasifikasi dengan baik walupun tanpa penambahan oversampling hal ini bisa dilihat dengan membandingkan akurasi dari AdaBoost dan AdaBoost+SMOTE tanpa adanya penambahan oversampling bahkan AdaBoost memiliki akurasi yang lebih baik hal ini membuktikan bahwa metode AdaBoost mampu bekerja dengan maksimal pada dataset yang attributenya sedikit.