Penelitian ini membahas penerapan metode machine learning untuk melakukan klasifikasi status default kredit menggunakan algoritma Decision Tree, Random Forest, dan XGBoost. Dataset yang digunakan terdiri atas variabel karakteristik nasabah dan status pembayaran kredit yang diklasifikasikan ke dalam dua kategori, yaitu default dan non-default. Permasalahan utama pada penelitian ini adalah ketidakseimbangan kelas (imbalanced data) yang menyebabkan model cenderung lebih baik dalam memprediksi kelas mayoritas dibandingkan kelas minoritas. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode Synthetic Minority Oversampling Technique (SMOTE) pada data training guna menyeimbangkan distribusi kelas. Selain itu, dilakukan proses hyperparameter tuning menggunakan metode Random Search Cross Validation untuk memperoleh parameter model yang optimal. Evaluasi model dilakukan menggunakan beberapa skenario pembagian data, yaitu 90:10, 80:20, dan 70:30, dengan pengukuran performa menggunakan nilai accuracy, precision, recall, specificity, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan SMOTE dan hyperparameter tuning mampu meningkatkan performa model klasifikasi dalam mendeteksi kasus default kredit. Di antara ketiga metode yang digunakan, model XGBoost menghasilkan performa terbaik dibandingkan metode lainnya berdasarkan hasil evaluasi model. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem prediksi risiko kredit menggunakan pendekatan machine learning.