Masalah data kelas tidak seimbang dalam data mining memiliki efek buruk pada performa hasil klasifikasi. Dalam menangani kasus ketidakseimbangan data terdapat beberapa teknik pendekatan level data yang dapat digunakan. Dalam penelitian ini, peneliti menggunakan teknik pendekatan level data Random Undersampling (RUS) dengan algoritme klasifikasi k-Nearest Neighbor (kNN) untuk menangani data multiclass tidak seimbang. Dengan menggunakan Area Under ROC Curve (AUC) sebagai metode evaluasinya, diperoleh hasil rata-rata AUC untuk kNNsebesar 0,8737 dan kNN dengan RUS sebesar 0,8676. Hasil perbandingan menunjukkan bahwa RUS tidak dapat meningkatkan kinerja klasifikasi untuk menangani data multiclass tidak seimbang. k optimal yang diperlukan algoritme kNN pada Dataset Glass k = 1, Dataset Wine k = 1 dan Dataset Vertebral Column 3C k = 1 dan k optimal yang diperlukan algoritme kNN dengan RUS pada Dataset Glass k = 1, Dataset Wine k = 1 dan Dataset Vertebral Column 3C k = 9.

Kata Kunci :Teknik Pendekatan Level Data, Random Undersampling, k-Nearest Neighbor, ketidakseimbangan multi-kelas.