Artificial neural network (ANN) and random forest (RF) methods present good performance to map landslides susceptible areas. However, the landslides modeling is sensitive to the sampling, the scale of the digital elevation models (DEM), to the set of terrain attributes and their adjustment parameters, influencing on the final map and the models generalization power. This article aimed to evaluate and compare sampling techniques and DEM for modeling landslides susceptible areas, using ANN and RF. The study area corresponds to the Rolante River Basin. Seven attributes of the terrain were extracted from DEM ALOS-PALSAR and DEM ASTER GDEM. These samples were selected considering two areas and comparing two resampling methods to reduce the training set of the models. All combinations resulted in values for accuracy between 0.88 and 0.94. This demonstrated that ANN and RF models, combined with ALOS-PALSAR and ASTER GDEM, serve the purpose of identifying landslides susceptible areas. In general, the terrain attributes that stood out in the modeling were: elevation, slope, LS factor, and valley depth. Concluding that the larger sampling areas for non-occurrence increased the accuracy and the generalization capacity. In addition, the training sample reduction decreased the processing time, without significantly increasing the maps accuracy.Métodos de redes neurais artificiais (RNA) e random forest (RF) apresentam bom desempenho para mapear áreas suscetíveis a movimentos de massa. Entretanto, a modelagem é sensível à amostragem, à escala do modelo digital de elevação (MDE), ao conjunto das variáveis explicativas e aos seus parâmetros de ajuste, influenciando o mapa final. O objetivo deste artigo foi avaliar e comparar técnicas de amostragem e MDE para a modelagem de áreas suscetíveis a movimentos de massa, utilizando RNA e RF. Foram extraídas sete variáveis explicativas, a partir dos MDEs ALOS-PALSAR e ASTER GDEM, consideradas duas áreas amostrais e comparados dois métodos de reamostragem para redução do conjunto de treinamento. As acurácias apresentaram valores entre 0,88 e 0,94, demonstrando que os modelos RNA e RF, combinados com os MDEs ALOS-PALSAR e ASTER GDEM, possibilitam identificar áreas suscetíveis a movimentos de massa. Na modelagem se destacaram as seguintes variáveis explicativas: altitude, declividade, fator LS e profundidade do vale. A definição de uma área amostral mais abrangente para coleta de amostras de não ocorrência aumentou a acurácia e a capacidade de generalização dos modelos. A redução do conjunto amostral de treinamento diminuiu o tempo de processamento, sem interferir significativamente na acurácia do mapa.