Masalah imbalanced data seringkali menghambat akurasi dalam proses klasifikasi, terutama dalam kasus diagnosis hipertensi, di mana jumlah kelas minoritas jauh lebih sedikit dibandingkan kelas mayoritas. Penelitian ini bertujuan untuk membangun model regresi logistik yang akurat dengan mengatasi ketidakseimbangan data menggunakan metode Tomek Links. Metode ini bekerja dengan menghapus pasangan data terdekat dari kelas berbeda untuk mereduksi noise dan memperbaiki distribusi data. Setelah dilakukan undersampling dengan Tomek Links, model regresi logistik dibentuk dengan pendekatan Maximum Likelihood Estimation melalui metode iteratif Newton-Raphson. Evaluasi model dilakukan melalui pengujian multikolinearitas, uji signifikansi parameter, uji kesesuaian model, dan pengukuran ketepatan klasifikasi berdasarkan nilai Apparent Error Rate (APER). Hasil penelitian menunjukkan bahwa variabel jenis kelamin, konsumsi gula berlebih, lemak berlebih, dan usia secara signifikan mempengaruhi kemungkinan seseorang menderita hipertensi. Model akhir menghasilkan tingkat akurasi sebesar 89,5%. Penelitian ini menunjukkan bahwa kombinasi metode Tomek Links dan regresi logistik dapat menjadi pendekatan efektif dalam menangani imbalanced data pada diagnosa hipertensi.