Data tidak seimbang merupakan jumlah kelas data yang satu lebih sedikit atau lebih banyak dibanding dengan jumlah kelas data lainnya. Ketidakseimbangan data memberikan dampak yang buruk pada hasil klasifikasi dimana kelas minoritas sering disalah klasifikasikan sebagai kelas mayoritas. Pada beberapa kasus, kelas minoritas justru lebih penting untuk diidentifikasi daripada kelas mayoritas. Hampir semua algoritma klasifikasi menunjukkan penurunan kinerja prediksi ketika bekerja pada data yang tidak seimbang. Pada penelitian ini menggunakan Algoritma K-Nearest Neighbor, Distance-Weighted K-Nearest Neighbor, Fuzzy K-Nearest Neighbor in Every Class, dan Fuzzy K-Nearest Neighbor in Every Class untuk mengetahui pengaruh data tidak seimbang. Data yang diambil dari Dataset UCI dengan syarat data tidak seimbang dan multiclass. Secara umum Algoritma Fuzzy K-Nearest Neighbor in Every Class lebih baik pada pengujian tersebut, dan -optimal yang diperlukan Algoritma Fuzzy K-Nearest Neighbor in Every Class pada Dataset Glass dengan  = 1, Dataset Vertebral Column 3C dengan  = 7, dan Dataset Wine dengan  = 2.