Tingginya angka penipuan kartu kredit menyebabkan banyak kerugian baik dari sisi pengguna maupun penyedia layanan kartu kredit. Karena laju transaksi kartu kredit sangat cepat maka, perlu dilakukan deteksi penipuan kartu kredit sedini mungkin. Namun tantangan lain yang tidak kalah penting adalah jumlah data yang tidak seimbang (imbalance data) antara transaksi valid dan tidak valid. Salah satu solusi untuk permasalahan imbalace data adalah menggunakan metode resampling yang dapat memperbaiki kuantitas data sehingga hasil akurasi semakin baik. Pada penelitian ini tiga jenis metode resampling, SMOTE, bootstrap, dan Jackknife diimplementasikan. Selanjutnya untuk memvalidasi keberhasilan metode resampling tiga jenis metode pembelajaran mesin digunakan. Metode pembelajaran mesin tersebut adalah SVM, ANN, dan Random Forest. Dari hasil pengujian didapatkan kombinasi metode resampling SMOTE dan random forest menghasilkan kinerja terbaik dengan nilai akurasi, presisi, recall dan F1-score masing-masing sebesar 99.95%, 81.63%, 90.91% dan 86.02%.