Anxiety disorder merupakan gangguan mental yang ditandai oleh rasa takut dan kekhawatiran berlebihan yang berlangsung lama, sulit dikendalikan, serta dapat mengganggu fungsi sosial, akademik, dan kehidupan sehari-hari. Penelitian ini bertujuan untuk mengklasifikasikan anxiety disorder menggunakan algoritma Random Forest dan Extreme Gradient Boosting, serta membandingkan performa kedua algoritma tersebut. Data yang digunakan merupakan data sekunder dari National Survey of Children’s Health (NSCH) tahun 2024 dengan fokus pada remaja usia 12–17 tahun. Tahapan penelitian meliputi exploratory data analysis, preprocessing data, klasifikasi menggunakan algoritma Random Forest dan Extreme Gradient Boosting dengan hyperparameter tuning menggunakan Grid Search CV, serta evaluasi performa model menggunakan metrik akurasi dan macro average F1-score. Penanganan ketidakseimbangan data menggunakan SMOTE dan RUS yang diterapkan pada beberapa rasio. Model terbaik Random Forest diperoleh pada skenario dengan hyperparameter tuning dan SMOTE (0,7) yang menghasilkan akurasi 88,34% dan macro average F1-score 82,91%. Sedangkan Extreme Gradient Boosting diperoleh pada skenario dengan hyperparameter tuning dan SMOTE (0,4) yang menghasilkan akurasi 89,14% dan macro average F1-score 84,12%.  Secara keseluruhan, Extreme Gradient Boosting memberikan performa lebih baik sehingga berpotensi digunakan dalam mendukung deteksi dini anxiety disorder pada remaja. Hasil feature importance menunjukkan bahwa variabel yang paling berkontribusi adalah riwayat perawatan atau konseling oleh profesional kesehatan mental, diagnosis depresi, dan kebutuhan perawatan atau konseling akibat masalah emosional, perkembangan, atau perilaku.