Kanker tiroid berdiferensiasi adalah jenis kanker tiroid yang paling umum; jenis dalam kategori ini adalah karsinoma sel papiler, folikuler, dan sel hati. Hingga 20% DTC akan mengalami kekambuhan, meskipun angka ini berkurang menjadi 5% pada pasien berisiko rendah. Masih sedikit penelitian mengenai prediksi kanker tiroid menggunakan pendekatan machine learning, khususnya prediksi kekambuhan DTC . Penelitian ini bertujuan untuk membandingkan kinerja Extreme Learning Machine dan Hidden Markov Model menggunakan SMOTE dalam memprediksi kekambuhan DTC. Dataset yang digunakan dalam penelitian ini adalah data kekambuhan kanker tiroid yang dibedakan dari Kaggle. Metodologi penelitian ini meliputi preprocessing, data sharing, algoritma pemodelan SMOTE, ELM dan HMM, serta evaluasi. ELM dengan SMOTE mendapatkan hasil terbaik pada rasio 90:10 dengan 35 neuron tersembunyi yang mendapatkan nilai akurasi 1.00, presisi 1.00, recall 1.00, dan AUC 1.00. Pemodelan ELM mendapatkan hasil terbaik pada rasio 90:10 dengan 45 neuron tersembunyi yang mendapatkan nilai akurasi 1.00, presisi 1.00, recall 1.00, dan AUC 1.00. Pemodelan HMM dengan SMOTE mendapatkan hasil terbaik pada rasio 70:30 dengan dua keadaan tersembunyi dan dua iterasi, dengan nilai akurasi sebesar 0.8696, presisi sebesar 0.8832, recall sebesar 0.7848, dan AUC sebesar 0.9174. Terakhir, pemodelan HMM mendapatkan nilai terbaik pada rasio 60:40 dengan dua keadaan tersembunyi dan tiga iterasi, yang memperoleh nilai akurasi sebesar 0.8636, presisi 0.8471, recall 0.7946, dan AUC 0.9343. Berdasarkan hasil penelitian dapat disimpulkan bahwa ELM dengan SMOTE mendapatkan performa terbaik, disusul ELM tanpa SMOTE, HMM dengan SMOTE, dan HMM tanpa SMOTE. Implikasinya, ELM dengan SMOTE dapat menghasilkan akurasi yang tinggi dalam memprediksi kekambuhan DTC.