Klasifikasi merupakan proses analisis data yang dapat melakukan prediksi kelas berdasarkan karakteristik yang telah ditentukan sebelumnya. Di era big data, klasifikasi dapat dilakukan menggunakan machine learning. Permasalahan machine learning dalam melakukan analisis klasifikasi adalah ketidakseimbangan data yang dapat memengaruhi performa model. SMOTE dan ADASYN adalah teknik oversampling untuk mengatasi hal tersebut. Penelitian ini bertujuan untuk mengidentifikasi teknik SMOTE dan ADASYN dalam meningkatkan performa model random forest pada data tidak seimbang dalam kasus kebangkrutan perusahaan menggunakan rasio keuangan. Model-model akan dibangun menggunakan data training berdasarkan berbagai splitting data dan perlakuan oversampling. Hasil model yang telah dibuat akan diuji menggunakan data testing. Dari hasil evaluasi matriks, kombinasi yang paling baik untuk model yaitu splitting data 70:30 dengan SMOTE yang menghasilkan nilai f1-score yang paling tinggi yaitu 40.57% dibandingkan ADASYN sebesar 36.11% yang mengalami penurunan f1-score sebesar 4.46% dan tanpa perlakuan oversampling sebesar 19.51% dengan penurunan f1-score sebesar 21.06%. Hasil penelitian menunjukkan SMOTE dan ADASYN dapat mengidentifikasi nilai minoritas yang menjadi permasalahan utama data tidak seimbang, dengan SMOTE menunjukkan performa yang lebih unggul dibandingkan ADASYN.