Hipertensi merupakan salah satu permasalahan kesehatan global yang memerlukan upaya deteksi dini untuk mencegah terjadinya komplikasi yang lebih serius. Penelitian ini bertujuan mengembangkan model klasifikasi risiko hipertensi menggunakan algoritma random forest dengan fokus pada penanganan ketidakseimbangan data dan optimasi model. Proses penelitian dilakukan berdasarkan metodologi CRoss-Industry Standard Process for Data Mining. Kebaruan penelitian ini terletak pada penerapan metode SMOTE-NC (Synthetic Minority Over-sampling Technique-Nominal Continuous) untuk menangani dataset yang terdiri atas fitur numerik dan kategorikal, serta optimasi hyperparameter yang mencakup n_estimators, max_depth, dan max_features. Hasil penelitian menunjukkan bahwa kombinasi random forest, SMOTE-NC, dan optimasi hyperparameter menghasilkan model terbaik dengan konfigurasi n_estimators sebanyak 50, max_depth sebesar 6, dan max_features bernilai sqrt. Model tersebut memperoleh nilai accuracy sebesar 89,47%. Pada kelas Berisiko, model menghasilkan nilai precision sebesar 76,52%, recall sebesar 95,45%, dan F1-score sebesar 84,94%. Selain itu, model terbaik diimplementasikan ke dalam aplikasi berbasis web menggunakan framework Flask untuk memudahkan pengguna melakukan deteksi dini secara mandiri.