Gestasional Diabetes Mellitus (GDM) merupakan kondisi gangguan metabolisme glukosa yang terjadi selama kehamilan dan diperkirakan berdampak pada sekitar 14% kehamilan di seluruh dunia. Deteksi dini DMG menjadi tantangan tersendiri karena proses diagnosis konvensional masih bergantung pada pemeriksaan laboratorium seperti Tes Toleransi Glukosa Oral (TTGO) yang memerlukan waktu, biaya, dan ketersediaan fasilitas kesehatan yang memadai. Penelitian ini bertujuan untuk membangun model klasifikasi risiko GDM pada ibu hamil menggunakan algoritma Naive Bayes yang dikombinasikan dengan teknik Random Over Sampling (ROS) untuk mengatasi permasalahan ketidakseimbangan kelas pada data. Metodologi penelitian menggunakan kerangka kerja CRISP-DM yang mencakup tahap business understanding, data understanding, data preparation, modelling, evaluation, dan deployment. Dataset yang digunakan adalah Gestational Diabetes Mellitus (GDM Data Set) yang diperoleh dari Kaggle dengan total 3.525 data dari populasi wilayah India, menggunakan 15 fitur klinis seperti usia, jumlah kehamilan, BMI, HDL, riwayat keluarga, OGTT, hemoglobin, dan tekanan darah. Proses preprocessing meliputi data cleaning, imputasi median untuk missing value, penanganan outlier menggunakan metode IQR, encoding, dan normalisasi menggunakan StandardScaler. Pembagian data dilakukan dengan rasio 80:20 dan ROS diterapkan hanya pada data latih untuk menghindari data leakage. Hasil evaluasi menggunakan Confusion Matrix pada 705 data uji menunjukkan bahwa model Gaussian Naive Bayes dengan ROS menghasilkan akurasi sebesar 94,47%, precision 92,42%, recall 93,43%, dan F1-Score 92,92%. Nilai recall yang tinggi menunjukkan kemampuan model dalam meminimalkan kesalahan deteksi pada ibu hamil yang berisiko GDM. Model kemudian diimplementasikan dalam bentuk aplikasi web berbasis Streamlit sebagai alat bantu skrining awal bagi tenaga kesehatan.