Sirosis hati adalah penyakit kronis yang menyerang hati dan membutuhkan deteksi dini untuk mencegah komplikasi lebih lanjut. Namun, data medis seringkali memiliki tantangan berupa nilai hilang dan ketidakseimbangan kelas antara pasien positif dan negatif. Penelitian ini mengusulkan kerangka kerja klasifikasi dengan menerapkan imputasi missForest untuk menangani data hilang secara non-parametrik dan teknik oversampling Synthetic Minority Over-sampling Technique (SMOTE) digunakan untuk menyeimbangkan kelas. Setelah pra-pemrosesan, data diklasifikasikan menggunakan dua algoritma, yaitu Extreme Gradient Boosting (XGBoost) dan Random Forest, yang dipilih karena kinerjanya yang baik pada data tabular medis. Evaluasi model dilakukan menggunakan akurasi, presisi, recall, dan AUC, dengan penekanan utama pada nilai recall untuk memastikan deteksi pasien positif yang optimal. Hasil penelitian menunjukkan bahwa model Random Forest dengan SMOTE pada skema pembagian data 60:40 mencapai nilai recall tertinggi sebesar 65,09%. Meskipun akurasi model ini sebesar 66,66%, peningkatan recall yang signifikan menunjukkan kemampuan model yang lebih baik dalam mengidentifikasi pasien sirosis hati dibandingkan model tanpa SMOTE. Sementara itu, model XGBoost tanpa SMOTE pada skema 90:10 mencapai akurasi tertinggi 88,09% namun memiliki recall lebih rendah. Kesimpulan penelitian ini adalah bahwa kombinasi imputasi missForest dan SMOTE secara signifikan meningkatkan kemampuan model dalam mendeteksi pasien sirosis hati. Temuan ini menunjukkan bahwa pendekatan yang diusulkan berpotensi untuk dikembangkan sebagai sistem pendukung keputusan dalam diagnosis dini sirosis hati berbasis data.