Monkeypox merupakan penyakit menular yang penyebarannya cepat dan memerlukan sistem deteksi dini yang akurat. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit monkeypox dengan mengatasi permasalahan ketidakseimbangan data. Metode yang digunakan adalah Extreme Gradient Boosting (XGBoost) yang dikombinasikan dengan teknik Synthetic Minority Over-sampling Technique (SMOTE). Evaluasi model menggunakan Confusion Matrix dengan hasil akurasi 69%, presisi sebesar 0.69, recall sebesar 0.93, dan F1-score sebesar 0.79. Selain itu, nilai Area Under Curve - Receiver Operating Characteristic (AUC-ROC) mencapai 0.68. Penelitian ini menunjukkan bahwa kombinasi SMOTE dan XGBoost dapat mengatasi ketidakseimbangan data dan meningkatkan deteksi kelas minoritas, sehingga memberikan kontribusi dalam pengembangan sistem deteksi dini penyakit menular secara lebih akurat dan efisien.