Migrain merupakan gangguan neurologis yang dapat menurunkan kualitas hidup penderitanya. Namun, proses diagnosis migrain seringkali menghadapi kendala dalam hal akurasi klasifikasi akibat kemiripan gejala dengan jenis sakit kepala lainnya. Tujuan dari penelitian ini adalah untuk mengembangkan model klasifikasi migrain, Penelitian ini menggunakan metode kuantitatif dengan pendekatan algoritma Random forest serta menganalisis pengaruh penerapan Synthetic Minority Oversampling Technique (SMOTE) dalam meningkatkan performa model. Metodologi penelitian menggunakan pendekatan CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Dataset yang digunakan diperoleh dari Kaggle dan melalui tahap preprocessing, termasuk pembersihan data serta penyeimbangan kelas menggunakan SMOTE. Model dibangun menggunakan Random forest dengan optimasi hyperparameter meliputi max_features, min_samples_leaf, max_depth, dan n_estimators. Hasil penelitian menunjukkan kombinasi hyperparameter terbaik diperoleh pada max_features berupa sqrt, min_samples_leaf bernilai 1, max_depth sebesar 12, dan n_estimators sebanyak 200 dengan accuracy 92,5%, precision 83,33%, recall 92,89%, dan F1-score 88,61%. Penelitian ini diharapkan dapat mendukung pengembangan sistem pendukung keputusan berbasis machine learning untuk membantu diagnosis migrain secara lebih cepat, objektif, dan akurat.