Ketidakseimbangan data merupakan tantangan utama dalam pengembangan model klasifikasi medis, termasuk dalam deteksi dini diabetes. Hal ini sering menyebabkan model klasifikasi cenderung bias terhadap kelas mayoritas dan gagal mengidentifikasi pasien yang benar-benar berisiko. Penelitian ini bertujuan untuk mengoptimalkan kinerja algoritma Light Gradient Boosting Machine (LightGBM) dalam klasifikasi diabetes melalui penerapan dua pendekatan, yaitu Synthetic Minority Oversampling Technique (SMOTE) untuk penyeimbangan data dan Optuna sebagai metode hyperparameter tuning.. Dataset yang digunakan dalam penelitian ini adalah Behavioral Risk Factor Surveillance System (BRFSS) 2015, yang terdiri dari lebih dari 250.000 sampel dengan proporsi kelas yang tidak seimbang antara responden diabetes dan non-diabetes. Evaluasi dilakukan menggunakan 10-Fold Cross-Validation dengan berbagai metrik, seperti akurasi, precision, recall, F1-score (macro dan weighted), serta Area Under Curve (AUC). Hasil penelitian menunjukkan kombinasi SMOTE dan Optuna dapat memberikan peningkatan signifikan pada recall dan F1-score. Hasil evaluasi dari model ini adalah accuracy 83,98%, precision macro 66,71%, precision weighted 84,07%, recall macro 66,89%, recall weighted 83,98%, F1-Score macro 66,79%, F1-Score weighted 84,03%, dan AUC 81,80. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan hybrid antara teknik penyeimbangan data dan optimasi hyperparameter merupakan strategi efektif dalam menangani permasalahan ketidakseimbangan dataset medis serta meningkatkan performa model klasifikasi diabetes.