Ketidakseimbangan kelas dalam dataset (class imbalance) menjadi salah satu tantangan yang signifikan dalam penerapan model klasifikasi, termasuk metode Classification and Regression Tree (CART). Penelitian ini bertujuan untuk mengevaluasi kinerja CART yang dikombinasikan dengan dua teknik penyeimbangan data, yaitu Random Under Sampling (RUS) dan Synthetic Minority Oversampling Technique (SMOTE). Dataset yang digunakan berasal dari Heart Failure Clinical Records di Kaggle.com, yang memiliki ketidakseimbangan antara jumlah pasien meninggal adalah 1568 data (kelas minoritas) dan yang selamat adalah 3432 data (kelas mayoritas), dengan total keseluruhan data sebanyak 5000 data. Teknik RUS menghasilkan jumlah keseluruhan data menjadi 2526, dengan masing-masing kelas berjumlah 1263 data. Sebaliknya, setelah SMOTE diterapkan, jumlah keseluruhan data meningkat menjadi 5474, dengan masing-masing kelas berjumlah 2737 data. Penilaian performa model dilakukan menggunakan metrik precision, recall, dan F1-score, baik sebelum maupun setelah penerapan teknik penyeimbangan data. Hasil penelitian menunjukkan bahwa kombinasi CART dengan SMOTE menghasilkan performa yang lebih baik dalam mengenali kelas minoritas dibandingkan dengan RUS, dengan akurasi dan F1-score masing-masing sebesar 88,203?n 88,195%. Sebaliknya, RUS mencapai akurasi sebesar 86,345?n F1-score 86,332%. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan akurasi prediksi pada dataset tidak seimbang dan memperkaya referensi ilmiah terkait penerapan metode CART serta teknik penyeimbangan data. Kata Kunci: Random Under Sampling (RUS), Synthetic Minority Over-sampling Technique (SMOTE), Classification and Regression Tree (CART), data imbalance