Platform media sosial seperti Instagram berperan penting dalam komunikasi, bisnis, dan hiburan, namun kredibilitasnya dapat terganggu oleh akun otomatis yang memanipulasi interaksi dan menyebarkan informasi menyesatkan. Deteksi akun palsu atau bot menjadi tantangan penting karena akun tersebut sering meniru perilaku pengguna asli dan memengaruhi opini publik. Tantangan lain berasal dari ketidakseimbangan dataset, di mana jumlah bot jauh lebih sedikit dibanding akun normal. Penelitian sebelumnya masih terbatas karena umumnya hanya menggunakan satu metode oversampling dan lebih berfokus pada metrik accuracy, yang kurang merepresentasikan kinerja pada data tidak seimbang. Penelitian ini menyajikan evaluasi komparatif empat metode resampling: ADASYN, SVM-SMOTE, SMOTE-ENN, dan CTGAN, serta baseline tanpa resampling pada lima classifier: Logistic Regression, Random Forest, Multilayer Perceptron, XGBoost, dan Support Vector Machine. Eksperimen menggunakan dataset benchmark berisi 1.194 akun Instagram, dengan resampling diterapkan hanya pada data pelatihan untuk mencegah data leakage. Hasil menunjukkan bahwa resampling meningkatkan nilai macro-F1 dari 0,71–0,89 tanpa resampling menjadi 0,84–0,99 setelah resampling, dengan konfigurasi terbaik SVM-SMOTE dan XGBoost mencapai 0,992. Temuan ini menunjukkan bahwa penanganan ketidakseimbangan data penting dalam membangun machine learning pipeline yang andal untuk deteksi bot Instagram. Hasil penelitian juga menegaskan bahwa penanganan class imbalance melalui resampling merupakan komponen penting dalam machine learning pipeline untuk deteksi bot pada dataset media sosial yang sangat tidak seimbang