Penelitian ini mengulas penggunaan algoritma Decision Tree dalam klasifikasi penyakit Parkinson (PD) yang berfokus pada efektivitas teknik seperti CART, C4.5, dan berbagai metode ensemble untuk meningkatkan akurasi diagnostik. Seiring meningkatnya prevalensi PD di kalangan lansia, deteksi dini menjadi sangat penting karena memungkinkan perawatan yang lebih efektif dan pemantauan progresi penyakit. Decision Tree dan teknik ensemble-nya seperti Random Forest, AdaBoost, dan RUSBoost banyak diterapkan karena struktur hierarkinya yang mudah diinterpretasikan dan kemampuannya dalam menangani data numerik dan kategorikal. Dalam beberapa studi, algoritma ini dikombinasikan dengan teknik balancing data seperti SMOTE dan RUS, serta metode seleksi fitur seperti lasso dan informasi gain. Kajian literatur ini mencakup analisis efektivitas berbagai pendekatan berbasis Decision Tree dalam mengatasi tantangan data tidak seimbang, seperti yang umum dijumpai dalam dataset klinis dan vokal terkait Parkinson. Melalui tinjauan sistematis ini, ditemukan bahwa teknik ensemble Decision Tree umumnya meningkatkan akurasi dan sensitivitas, terutama ketika diterapkan pada dataset yang telah diproses dengan metode balancing data. Studi ini bertujuan memberikan pandangan yang komprehensif tentang kekuatan, keterbatasan, dan potensi optimalisasi penggunaan Decision Tree dalam membantu diagnosis klinis Parkinson, menawarkan kontribusi signifikan terhadap upaya peningkatan keandalan diagnosis berbasis machine learning