Permasalahan ketidakseimbangan kelas (Imbalanced Class) menyebabkan hasilklasifikasi lebih condong ke kelas mayoritas. Dimana jumlah class negative (mayoritas)lebih besar dari class positive (minoritas) yang dapat menurunkan kinerja model prediksi.Sebagian besar pendekatan ini melakukan putaran resampling acak untuk kelas mayoritas(misalkan undersampling) atau minoritas (misalkan oversampling). Algoritma K- NearestNeighbor (KNN) merupakan algoritma yang digunakan untuk mengklasifikasikan objekbaruberdasarkan atribut dantraining sample. Pemberian bobot pada KNN disebut jugaWeighted K-Nearest Neighbor (WKNN). WKNN pada dasarnya memiliki prinsip yangsamadenganmetodeKNN.PadametodeWKNNinverskuadratdarijarakEucliddigunakansebagaibobot,kemudianbobottersebutdigabungkandenganalgoritmametodeKNN.HasilpengklasifikasiandatatidakseimbangmenggunakanmetodeKNNdanWKNN menghasilkan nilai akurasi masing – masing sebesar 94,8% dan 95,8% sedangkanpengklasifikasian data seimbang (Cluster Based Undersampling) menggunakan KNN-CBUdanWKNN-CBUdimanamenghasilkannilaiakurasimasing–masingsebesar88,7%dan80,4%