Meningkatnya penggunaan sistem pembayaran digital menyebabkan volume transaksi keuangan terus bertambah, sehingga risiko terjadinya fraud semakin tinggi. Salah satu tantangan utama dalam deteksi fraud adalah ketidakseimbangan kelas, yaitu jumlah transaksi fraud yang jauh lebih sedikit dibandingkan transaksi legitimate. Kondisi ini dapat menyebabkan model klasifikasi bias terhadap kelas mayoritas dan kurang optimal dalam mengenali transaksi fraud. Penelitian ini menggunakan tiga teknik penyeimbangan data, yaitu Synthetic Minority Oversampling Technique (SMOTE), Adaptive Synthetic Sampling (ADASYN), dan SMOTE-Tomek, yang dikombinasikan dengan algoritma CatBoost dan XGBoost. Dataset yang digunakan adalah Credit Card Fraud Detection Dataset dengan tahapan preprocessing, seleksi fitur, optimasi hyperparameter menggunakan Optuna, serta optimasi threshold keputusan menggunakan data validasi. Hasil penelitian menunjukkan bahwa teknik sampling mampu meningkatkan kemampuan model dalam mendeteksi fraud, terutama pada metrik recall saat menggunakan threshold default 0,5. Setelah optimasi threshold, kombinasi SMOTE dan CatBoost menghasilkan performa terbaik pada skenario sampling dengan precision sebesar 0,8859, recall sebesar 0,7455, F1-score sebesar 0,8096, dan threshold optimal sebesar 0,9407. Nilai recall tertinggi diperoleh oleh ADASYN CatBoost sebesar 0,7650.