ABSTRAKSI: Dunia nyata sering menyediakan data dimana distribusi suatu kelas lebih dominan dibandingkan kelas-kelas yang lain. Hal ini menimbulkan masalah tersendiri dalam dunia data mining dimana menyebabkan suatu classifier gagal mengenali kelas minoritas yang terkadang lebih berharga dibandingkan kelas mayoritas. Pendekatan sampling yang mampu mengoptimalkan kemampuan classifier dalam mengenali kelas minoritas dapat menjadi solusi bagi masalah ini. Jaringan Syaraf Tiruan (JST) sebagai salah satu classifier dalam data mining memiliki masalah tersendiri dalam menentukan struktur dan bobotnya. Evolutionary Programming (EP) dapat menjadi solusi untuk mengoptimalkan JST baik dalam struktur koneksi antar node maupun bobot yang menyertai koneksi-koneksi tersebut. Perpaduan antara EP dan JST ini disebut dengan Evolving Artificial Neural Networks.Kata Kunci : evolutionary programming, evolving artificial neural networks, jaringan syaraf tiruan, klasifikasi kelas imbalance, sampling.ABSTRACT: Real world often providing data which has unbalanced distribution between each class. In data mining, this problem caused a classifier fail to classify minority class, and sometimes this minority class is more valuable than the majority class. Sampling approach which can optimalize classifier in classifying minority class can be a solution for this problem. Artificial Neural Networks as a classifier in data mining has its own problem in deciding its structure and connection weights. Evolutionary Programming can be a solution for optimalizing the structure and the connection weights. The combination of Evolutionary Programming and Artificial Neural Networks is called Evolving Artificial Neural Networks.Keyword: artificial neural networks, evolutionary programming, evolving artificial neural networks, imbalanced class classification, sampling.