Penelitian ini menganalisis kinerja metode hybrid dalam meningkatkan akurasi pada data yang tidak seimbang dengan menggunakan Data Kasus Demam Berdarah Dengue tahun 2017 hingga 2021 di Kota Bandung. Atribut yang digunakan dalam penelitian ini terdiri dari Jumlah Penduduk, Jumlah Laki-laki, Tamat SD, Tamat SMP, Tamat SMA, Tamat Kuliah, Curah Hujan, Suhu Rata-rata, Kelembaban, Kasus Laki-laki, Jumlah Kasus, dan Kelas. Dalam penelitian ini menggabungkan lima metode Pembelajaran Mesin, seperti Decision Tree, Support Vector Machine, Artificial Neural Network, K-Nearest Neighbor, dan Naïve Bayes. Metode Hybrid yang digunakan dalam penelitian ini adalah metode Voting dan Stacking. Metode oversampling yang digunakan untuk menangani data yang tidak seimbang dalam penelitian ini adalah Random Oversampling dan Adasyn. Hasilnya menunjukkan bahwa Voting dan Stacking tanpa Random Oversampling dan Adasyn mandapatkan akurasi yang sama sebesar 88,88%. Sedangkan menggunakan Random Oversampling, voting mendapatkan akurasi sebesar 95,37% dan stacking mendapatkan akurasi sebesar 96,29%. Sedangkan menggunakan Adasyn, voting mendapatkan akurasi sebesar 94,44% dan stacking mendapatkan akurasi sebesar 97,22%. Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa Metode Random Oversampling dan Adasyn dapat meningkatkan kinerja metode hybrid Pembelajaran Mesin pada data yang tidak seimbang. Kontribusi dari penelitian ini adalah memberikan informasi kajian dan analisis implementasi metode Random Oversampling dan Adasyn dalam meningkatkan kinerja metode Voting dan Stacking pada klasifikasi hybrid.
Kata kunci: Klasifikasi, Pembelajaran Mesin, Metode Hybrid, Random Oversampling, Adasyn