데이터 불균형으로 인한 분류 문제는 현실에서 수많은 분야에서 발생하며, 기계 학습 분야에서 오랫동안 연구되어 왔다. 특히, 의료 데이터의 경우 발병률에 따라 클래스 불균형이 필연적으로 발생하여, 소수 클래스에 속하는 데이터는 오분류될 가능성이 높으므로 이 문제를 해결하는 것은 매우 중요하다. 따라서 본 논문에서는 의료 정형 데이터를 이용하여 Imbalance Ratio (IR)를 6.8(raw data), 9, 19로 각각 조정하고, Conditional Generative Adversarial Network (CGAN), Conditional Tabular Generative Adversarial Network (CTGAN)을 활용한 오버샘플링 기법과 전통적인 오버샘플링 기법들을 비교하였다. 그 결과 CGAN과 CTGAN이 전통적인 오버샘플링 기법들보다 AUC와 F1-score의 성능 지표에서 분류 성능이 우수함을 확인하였다. 본 연구를 통해 비정형 데이터에서 많이 활용되었던 GAN 연구의 활용 범위를 정형 데이터에도 확장할 수 있었으며, 보다 나은 불균형 데이터 문제의 해결 방안을 찾고 향후 연구 방향을 제시할 수 있다.