<![CDATA[Imbalanced Data merupakan salah satu permasalahan utama dalam pengembangan model klasifikasi karena menyebabkan model cenderung mempelajari kelas mayoritas sehingga kemampuan mendeteksi kelas minoritas menjadi menurun. Berbagai pendekatan, seperti Synthetic Minority Oversampling Technique (SMOTE), Hyperparameter Tuning, dan Ensemble Learning, telah dikembangkan untuk meningkatkan performa model pada kondisi tersebut. Penelitian ini bertujuan menganalisis karakteristik penelitian, mengkaji penerapan SMOTE, Hyperparameter Tuning, dan Ensemble Learning, serta mengidentifikasi Research Gap dalam optimasi model klasifikasi pada Imbalanced Data. Penelitian menggunakan metode Systematic Literature Review (SLR) dengan mengacu pada pedoman PRISMA 2020. Proses kajian meliputi penyusunan Research Question, pencarian literatur pada basis data Scopus, seleksi artikel berdasarkan kriteria inklusi dan eksklusi, Quality Assessment, ekstraksi data, serta sintesis hasil. Sebanyak 14 artikel yang memenuhi kriteria ditetapkan sebagai Primary Studies. Hasil sintesis menunjukkan bahwa SMOTE merupakan teknik yang paling banyak digunakan untuk menangani Imbalanced Data, sedangkan Hyperparameter Tuning berperan dalam memperoleh konfigurasi model yang optimal melalui pendekatan seperti Optuna dan Bayesian Optimization. Selain itu, Ensemble Learning, khususnya Stacking dan Soft Voting, banyak diintegrasikan dengan teknik optimasi lainnya untuk meningkatkan akurasi, stabilitas, dan kemampuan generalisasi model. Penelitian ini menyimpulkan bahwa integrasi SMOTE, Hyperparameter Tuning, dan Ensemble Learning menjadi pendekatan yang dominan dalam optimasi model klasifikasi pada Imbalanced Data. Penelitian juga mengidentifikasi peluang pengembangan pada aspek interpretabilitas model, efisiensi komputasi, serta pengembangan kerangka optimasi yang lebih terintegrasi.]]>
