Alzheimer adalah gangguan neurodegeneratif yang mempengaruhi kemampuan kognitif dan memori, deteksi dini sangat penting untuk pengobatan yang tepat. Namun, untuk mendeteksi Alzheimer memerlukan biaya yang tinggi, sehingga penggunaan machine learning bisa menjadi alternatif yang lebih efisien. Salah satu tantangan utama dalam penerapan machine learning untuk mendeteksi Alzheimer adalah ketidakseimbangan data, di mana jumlah kasus positif (Alzheimer) jauh lebih sedikit daripada kasus negatif (sehat), yang berdampak pada kinerja model. Penelitian ini bertujuan untuk mengidentifikasi pengaruh teknik oversampling dan hyperparameter tuning terhadap hasil model XGBoost dalam prediksi Alzheimer. Empat eksperimen dilakukan untuk melihat masing-masing performa terhadap model, yaitu: (1) model dasar XGBoost, (2) XGBoost dengan oversampling, (3) XGBoost dengan hyperparameter tuning, dan (4) XGBoost dengan kombinasi oversampling dan hyperparameter tuning. Hasil penelitian menunjukkan bahwa eksperimen kedua (XGBoost + Oversampling) menghasilkan performa terbaik yaitu dengan recall 96,1%, Presisi 94%, akurasi 95,3%, dan F1-Score 95%. Temuan ini menunjukkan bahwa penerapan oversampling dapat meningkatkan kinerja model dalam mengatasi masalah ketidakseimbangan data. Penelitian ini memberikan kontribusi dalam pengembangan model deteksi Alzheimer dengan menekankan pentingnya penanganan ketidakseimbangan data.
 
Kata kunci: XGBoost, Oversampling, Hyperparameter Tuning, Prediksi Dini, Alzheimer.