Data tidak seimbang (imbalance data) merupakan keadaan dimana terjadi perbedaan jumlah data yang mengakibatkan terjadinya kelas mayoritas (kelas dengan anggota sangat banyak) dan kelas minoritas (kelas dengan anggota sangat sedikit). Hal ini dapat menyulitkan proses klasifikasi karena metode algoritma machine learning dirancang untuk melakukan klasifikasi pada data yang sudah seimbang. Pendekatan metode oversampling digunakan untuk mengatasi ketidakseimbangan data dengan menambahkan data sintetis pada kelas minoritas sehingga memiliki kuantitas data yang sama dengan kelas mayoritas. MWMOTE merupakan metode oversampling yang melakukan generate data sintetis berdasarkan anggota cluster kelas minoritas yang berdekatan dengan kelas mayoritas. Metode ini mampu mengasilkan data sintetis secara baik. Akan tetapi data sintetis yang dihasilkan masih terpaku pada area berdekatan dengan kelas mayoritas dan terlalu rapat densitasnya pada area tepi cluster, sehingga memungkinkan data sintetis yang dihasilkan masuk pada klasifikasi kelas mayoritas. Penelitian ini bertujuan untuk melakukan improvisasi proses generate data sintetis pada metode MWMOTE agar data yang dihasilkan tersebar luas dalam kelas minoritas. Hasil dari pengujian menunjukkan metode yang diusulkan mampu meningkatkan performa klasifikasi untuk klasifikasi KNN dan C4.5 Decision Tree sebesar 0.46% dan 0.96% dibandingkan dengan metode MWMOTE.