Monkeypox adalah penyakit zoonosis dengan prevalensi global yang terus meningkat, sehingga menjadi tantangan besar dalam bidang kesehatan. Penyebarannya yang luas memerlukan sistem deteksi yang lebih akurat untuk membantu tenaga medis dalam mendiagnosis dan menangani kasus secara efektif. Salah satu tantangan utama dalam pengembangan model prediksi monkeypox adalah ketidakseimbangan kelas pada dataset, yang dapat menyebabkan model lebih condong terhadap kelas mayoritas dan mengurangi akurasi prediksi untuk kasus yang lebih jarang. Untuk mengatasi masalah ini, penelitian ini mengevaluasi efektivitas teknik resampling SMOTEENN dalam meningkatkan kinerja klasifikasi kasus monkeypox. Tiga algoritma boosting yaitu Gradient Boosting, XGBoost, dan LightGBM diterapkan pada dataset monkeypox yang terdiri dari 25.000 sampel. Langkah-langkah pra-pemrosesan data meliputi penanganan nilai hilang, pengkodean fitur, dan penskalaan fitur. Dataset kemudian diseimbangkan menggunakan SMOTEENN, yaitu teknik hybrid yang menggabungkan Synthetic Minority Over-sampling Technique (SMOTE) dan Edited Nearest Neighbors (ENN). Selain itu, tuning hyperparameter dilakukan dengan GridSearchCV untuk mengoptimalkan kinerja model melalui pemilihan kombinasi parameter terbaik secara sistematis. Hasil penelitian menunjukkan bahwa penerapan SMOTEENN secara signifikan meningkatkan akurasi klasifikasi, dengan pencapaian akurasi maksimum sebesar 69% dan F1-Score sebesar 67%. Dibandingkan dengan studi sebelumnya, pendekatan yang diusulkan menunjukkan kinerja yang lebih baik dalam menangani ketidakseimbangan kelas dan meningkatkan ketahanan klasifikasi. Temuan ini menyoroti potensi SMOTEENN dan algoritma boosting dalam klasifikasi data medis, khususnya untuk penyakit menular dengan dataset yang tidak seimbang. Studi ini berkontribusi dalam pengembangan teknik machine learning yang lebih andal untuk meningkatkan deteksi penyakit, akurasi klasifikasi, dan generalisasi model secara keseluruhan. Penelitian selanjutnya disarankan untuk mengeksplorasi teknik resampling tambahan, arsitektur deep learning, dan metode seleksi fitur guna lebih meningkatkan kinerja prediktif dalam diagnosis medis.

Kata kunci: Monkeypox, SMOTEENN, Boosting, Klasifikasi, Ketidakseimbangan Kelas