Analisis regresi logistik merupakan metode statistik yang digunakan untuk memodelkan hubungan antara variabel respon dichotomous atau polychotomous dengan satu atau lebih variabel prediktor. Pada imbalanced data, analisis regresi logistik memiliki kelemahan yaitu rentan terhadap underfitting maupun overfitting. Imbalanced data adalah fenomena ketika data memiliki rasio yang tidak seimbang antara satu kelas dengan kelas lainnya. Salah satu cara untuk menangani imbalanced data yaitu dengan resampling data minoritas dengan Synthetic Minority Oversampling Technique (SMOTE). Tujuan penelitian ini adalah membandingkan nilai akurasi, sensitivitas, serta spesifisitas dari model regresi logistik biner, baik sebelum dan sesudah penerapan SMOTE pada data lama masa studi mahasiswa FMIPA Universitas Mulawarman tahun 2020 dan 2021. Data penelitian adalah data sekunder diperoleh dari FMIPA Universitas Mulawarman. Berdasarkan penelitian yang telah dilakukan, nilai akurasi dan sensitivitas pada model setelah penerapan SMOTE mengalami penurunan baik dengan proporsi data training dan testing 70:30 maupun 80:20. Tingkat akurasi dan sensitivitas pada proporsi data training dan testing 70:30 mengalami penurunan masing-masing sebesar 0,0076 dan 0,084. Tingkat akurasi dan sensitivitas pada proporsi data training dan testing 80:20 mengalami penurunan masing-masing sebesar 0,045 dan 0,1351. Nilai akurasi dan sensitivitas pada model setelah penerapan SMOTE mengalami penurunan, akan tetapi nilai spesifisitas yang dihasilkan model setelah penerapan SMOTE baik dengan proporsi data training dan testing 70:30 maupun 80:20 mengalami peningkatan yaitu masing-masing sebesar 0,208 dan 0,2639. Dapat disimpulkan bahwa model setelah penerapan SMOTE lebih baik dalam memprediksi kelas minoritas yakni mahasiswa yang lulus lebih dari lima tahun.