Wireless Sensor Network (WSN) adalah teknologi yang memungkinkan pengumpulan data real-time dari lingkungan yang sulit dijangkau. Namun, data yang dikumpulkan sering kali mengalami kesalahan akibat gangguan atau kegagalan sensor. Kesalahan data ini dapat memengaruhi akurasi dan keandalan sistem WSN. Penelitian ini bertujuan untuk mendeteksi kesalahan data pada WSN menggunakan metode Multi-Class Classification dengan teknik Random Undersampling dan algoritma klasifikasi Extra-Tree. Random Undersampling digunakan untuk mengatasi masalah ketidakseimbangan kelas dalam data, sedangkan algoritma Extra-Tree dipilih karena kemampuannya yang efisien dalam menangani data yang bising dan variatif. Data yang digunakan dalam penelitian ini adalah data sensor yang mengukur kelembaban dan suhu dari University of North Carolina. Hasil penelitian menunjukkan bahwa kombinasi metode Random Undersampling dan algoritma Extra-Tree mampu meningkatkan akurasi dalam mendeteksi kesalahan jenis Spike, Drift, dan Bias dengan akurasi 91% dibandingkan dengan tanpa Random Undersampling dengan akurasi 48%. Evaluasi kinerja dilakukan menggunakan metrik akurasi, Precision, Recall, dan F1-Score. Dengan implementasi ini, penelitian diharapkan dapat meningkatkan keandalan dan efisiensi deteksi kesalahan data pada WSN.
Kata kunci: Wireless Sensor Network;Multi-Class Classification;Random Undersampling;Extra-Tree