Kasus kanker paru-paru di Indonesia menempati urutan ketiga dengan jumlah kasus terbanyak yaitu 34.783 kasus. Klasifikasi kanker paru-paru memiliki peran penting dalam bidang medis karena memungkinkan deteksi dini dan pengobatan yang lebih efektif. Kemampuan Artificial Intelligence (AI) dapat membantu masalah pengklasifikasian pada data hasil CT-Scan, salah satunya menggunakan metode Convolutional Neural Network (CNN). Klasifikasi gambar dengan menggunakan CNN dalam mendeteksi penyakit kanker paru-paru dapat mengalami masalah ketika jumlah data mengalami ketidakseimbangan. Hal ini dapat berakibat fatal karena model akan cenderung pada kelas mayoritas, sehingga tidak dapat memprediksi dengan baik pada kelas minoritas. Penelitian ini bertujuan mengimplementasikan dan membandingkan kinerja CNN dengan teknik resampling SMOTE dan SMOTE-ENN pada klasifikasi penyakit kanker paru yang mengalami masalah data yang tidak seimbang. SMOTE membuat sampel sintesis baru pada kelas minoritas, sehingga jumlahnya menjadi seimbang. Sementara itu, SMOTE-ENN menambahkan teknik ENN untuk menghapus sampel yang dianggap noise dari hasil SMOTE. Metode yang diusulkan dievaluasi menggunakan confusion matrix untuk menilai efektivitas teknik dalam klasifikasi penyakit kanker. Data yang digunakan adalah data citra yang diambil dari Kaggle yaitu sebanyak 416 data paru-paru normal dan 70 data kanker paru-paru. Selain itu, model CNN menggunakan hyperparameter yaitu batch size 32 dan 64 serta epoch 20 dan 30 untuk memperoleh hasil yang optimal. Hasil penelitian menunjukkan bahwa kedua metode berhasil dalam menangani masalah ketidakseimbangan data. Selain itu hyperparameter dengan batch size 32 dan epoch 30 dianggap lebih optimal pada kedua model. Namun, evaluasi matriks menunjukkan bahwa akurasi model SMOTE-ENN lebih tinggi sebesar 95%, sedangkan akurasi model SMOTE adalah 93%.
