Pemanfaatan machine learning untuk mendeteksi penyakit Parkinson melalui ekstraksi sinyal suara telah menjadi pendekatan diagnostik medis yang menjanjikan. Walau demikian, pemrosesan data ini sering kali dihadapkan pada dua kendala utama komputasi: tingginya dimensi fitur yang diekstraksi serta ketimpangan proporsi sampel pasien antar kelas. Penelitian ini mengusulkan sebuah kerangka kerja klasifikasi untuk mengatasi kedua masalah tersebut. Algoritma Principal Component Analysis (PCA) dengan ambang batas varians 85% diaplikasikan guna memampatkan redundansi fitur akustik tanpa menghilangkan informasi esensial. Data hasil reduksi tersebut kemudian diseimbangkan menggunakan komparasi lima pendekatan sintesis data dari kelompok SMOTE, yaitu SMOTE, ADASYN, Borderline-SMOTE, SMOTE-Tomek, dan SVM-SMOTE. Himpunan data yang telah dioptimasi dievaluasi menggunakan pengklasifikasi K-Nearest Neighbors (KNN) berbasis metrik Correlation Distance. Hasil eksperimen membuktikan bahwa model tanpa penyeimbangan mendapatkan nilai akurasi yang di angka 84,77%. Sebaliknya, penerapan metode SVM-SMOTE secara signifikan berhasil mengungguli seluruh varian lainnya dalam memetakan batas keputusan kelas minoritas. Kombinasi PCA 85%, SVM-SMOTE, dan KNN sukses mendongkrak kinerja model dengan pencapaian akurasi sebesar 90,07%, recall 92,04%, presisi 94,55%, dan AUC 93,41%. Penelitian ini menyimpulkan bahwa sinergi antara reduksi dimensi spasial dan teknik oversampling berhasil dalam meningkatkan akurasi deteksi sistem.