Penyakit liver merupakan gangguan pada fungsi hati yang disebabkan oleh infeksi virus, bakteri atau bahan beracun lainnya sehingga organ hati tidak dapat berfungsi dengan baik. Penyakit liver ini perlu didiagnosis sejak dini menggunakan algoritma klasifikasi. Dengan menggunakan Indian liver patient dataset dapat dilakukan prediksi menggunakan algoritma klasifikasi untuk menentukan pasien penderita penyakit liver maupun tidak. Akan tetapi pada dataset ini memiliki permasalahan dimana terdapat ketidakseimbangan data antara pasien penderita penyakit liver dan tidak, sehingga dapat menurunkan performa model prediksi karena cenderung menghasilkan prediksi yang tidak spesifik. Pada penelitian ini melakukan klasifikasi menggunakan metode XGBoost yang kemudian ditambahkan dengan SMOTE untuk mengatasi ketidakseimbangan kelas pada dataset dan/atau digabungkan dengan hyperparameter tuning Bayesian search agar performa model yang dihasilkan menjadi lebih baik. Dari penelitian hasil yang didapatkan dari model XGBoost memperoleh nlai AUC sebesar 0.618, untuk model XGBoost dengan Bayesian search memperoleh nilai AUC sebesar 0.658, kemudian untuk model XGBoost SMOTE memperoleh nilai AUC sebesar 0.716, lalu untuk model XGBoost SMOTE dengan Bayesian search memperoleh nilai AUC sebesar 0.767. Dari perbandingan keempat model, XGBoost SMOTE dengan Bayesian search memperoleh hasil AUC paling tinggi dan memiliki selisih AUC 0.149 terhadap model XGBoost tanpa SMOTE dan Bayesian search.