Di dalam data mining, terdapat metode klasifikasi. Salah satu masalah yang kerap dialami dalam klasifikasi data mining adalah ketidakseimbangan kelas. Ketidakseimbangan kelas adalah kondisi dimana distribusi dataset tidak merata, artinya terbagi menjadi kelas mayoritas dan kelas minoritas dengan tingkat keparahan yang bervariasi. Kelas minoritas sering salah diklasifikasikan karena kelas mayoritas akan diklasifikasi secara berlebihan. Masalah ini membuat proses klasifikasi menjadi sulit dan mengakibatkan kinerja klasifikasi menjadi tidak optimal. Karena terjadi ketidakseimbangan, klasifikasi akan menghasilkan akurasi yang jauh lebih tinggi untuk kelas mayoritas daripada kelas minoritas. Tujuan dari penelitian ini adalah menerapkan Random Oversampling, Chi-Square, dan AdaBoost dalam mengatasi ketidakseimbangan kelas agar dapat mengoptimalkan kinerja dari klasifikasi C5.0. Dalam berurusan dengan dataset yang tidak seimbang, penilaian kinerja perlu lebih berfokus pada kelas positif. Sehingga metrik yang lebih sesuai untuk menilai hasil klasifikasi dari dataset yang tidak seimbang adalah recall/sensitivity/TPR. Hasil penelitian menunjukkan bahwa penerapan Random Oversampling saja mampu meningkatkan kinerja recall/sensitivity/TPR dari C5.0 standar. Penerapan Chi-Square saja belum mampu meningkatkan kinerja klasifikasi C5.0, namun meningkat setelah penerapan Random Oversampling. Kombinasi ketiganya yaitu Random Oversampling, Chi-Square, dan AdaBoost mampu meningkatkan nilai recall/sensitivity/TPR dari C5.0 standar.