Glioma merupakan salah satu jenis tumor otak yang memiliki tingkat keganasan berbeda sehingga diperlukan proses klasifikasi yang tepat untuk membantu diagnosis. Namun, pada data klasifikasi glioma sering ditemukan kondisi data yang tidak seimbang, di mana jumlah data pada salah satu kelas lebih dominan dibandingkan kelas lainnya. Penelitian ini bertujuan untuk membandingkan performa algoritma boosting serta menganalisis pengaruh penerapan metode ADASYN pada klasifikasi glioma. Dataset yang digunakan yaitu Glioma Grading Clinical and Mutation Features Dataset dari UCI Machine Learning Repository dengan jumlah data sebanyak 839 data. Penelitian menggunakan algoritma Gradient Boosting, XGBoost, dan CatBoost dengan metode Stratified 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model terbaik diperoleh oleh Gradient Boosting dengan ADASYN dengan nilai accuracy sebesar 0,8725, recall sebesar 0,9319, F1-score sebesar 0,8606, dan AUC sebesar 0,9156. Penerapan ADASYN juga meningkatkan performa model terbaik, ditunjukkan dengan kenaikan nilai recall sebesar 3,45% dan F1-score sebesar 1,70% dibandingkan tanpa ADASYN. Berdasarkan hasil penelitian, algoritma boosting dengan penerapan ADASYN dapat digunakan dengan cukup baik untuk melakukan klasifikasi glioma pada data yang tidak seimbang.