Kanker payudara merupakan masalah kesehatan global yang memerlukan deteksi dini untuk meningkatkan harapan hidup pasien. Tantangan signifikan dalam pengembangan sistem diagnostik adalah data medis yang sering tidak seimbang, di mana kasus kanker seringkali merupakan kelas minoritas. Penelitian ini bertujuan mengembangkan model prediktif akurat untuk deteksi dini kanker payudara, dengan menganalisis kinerja algoritma pohon keputusan dan mengoptimalkan berbagai parameter kuncinya, sembari mengatasi ketidakseimbangan data menggunakan teknik penambahan sampel minoritas sintetis. Eksperimen dilakukan pada dataset kanker payudara dengan memvariasikan status penggunaan teknik penambahan sampel, jumlah tetangga, jumlah pohon, kriteria pemisahan, kedalaman maksimum pohon, strategi pemangkasan, strategi pengambilan keputusan, serta eksekusi paralel. Kinerja model dievaluasi komprehensif menggunakan berbagai metrik seperti akurasi, nilai Kappa, dan kemampuan mendeteksi kelas minoritas. Hasil menunjukkan bahwa penggunaan teknik penambahan sampel secara signifikan meningkatkan identifikasi kasus kanker. Konfigurasi optimal yang melibatkan kriteria pemisahan tertentu dan jumlah pohon yang lebih banyak menghasilkan kinerja diagnostik yang konsisten. Optimalisasi kedalaman pohon dan pemangkasan krusial dalam menghindari ketidaksesuaian model, dan eksekusi paralel mempercepat proses komputasi. Model yang dikembangkan mencapai akurasi 81.20% dan nilai Kappa 0.622. Penelitian ini menegaskan pentingnya optimasi parameter model dan penanganan data tidak seimbang untuk meningkatkan akurasi deteksi dini kanker payudara, mendukung pengembangan alat diagnostik yang lebih andal.