Ketidakseimbangan data (imbalanced class) merupakan salah satu tantangan utama dalam pengembangan model deteksi pada sistem logistik digital, khususnya dalam memdeteksi kegagalan pengiriman. Pada aplikasi Maulagi, sekitar 93% pengiriman tercatat berhasil, sementara hanya 7% yang mengalami kegagalan, sehingga model cenderung bias terhadap kelas mayoritas dan sulit mengenali pola kegagalan. Penelitian ini bertujuan mengembangkan model Deteksi kegagalan pengiriman yang lebih akurat melalui penerapan teknik penyeimbangan data Borderline-SMOTE sebagai metode oversampling adaptif dan Tomek Links sebagai metode pembersihan (undersampling). Penelitian dilakukan dengan rangkaian tahapan meliputi pembersihan data, feature engineering, penyeimbangan kelas, pelatihan model, serta evaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan AUC. Hasil penelitian diharapkan dapat menunjukkan bahwa kombinasi Borderline-SMOTE dan Tomek Links mampu meningkatkan performa. Temuan ini diharapkan memberikan kontribusi signifikan dalam peningkatan efisiensi operasional dan pengambilan keputusan pada industri logistik digital.