Sebagai sistem fisik siber yang sangat beragam, Wireless Sensor Network (WSN) rentan terhadap berbagai kegagalan, yang dapat memiliki konsekuensi bencana bagi keselamatan, ekonomi, dan ketergantungan sistem. Karena berbagai penyebaran dan batasan sumber daya sensor, deteksi dan diagnosis yang tepat dari kegagalan atau kesalahan di WSN adalah masalah yang sulit. Dalam penelitian ini, pendekatan berbasis pembelajaran mesin yang diawasi digunakan. Untuk mengatasi masalah ini, penulis menggunakan metode sampling Random Undersampling (RUS) yang digunakan untuk mengatasi ketidakseimbangan kelas dan algoritma klasifikasi Extra-Tree (ET) untuk memeriksa perilaku sensor melalui data untuk menemukan dan mendiagnosis masalah. Kinerja skema yang diusulkan dibandingkan dengan algoritma pembelajaran mesin canggih seperti Support Vector Machine (SVM) dan Random Forest (RF). Efisiensi skema yang disarankan dibandingkan berdasarkan parameter ukur Accuracy, Recall, Precision, F1-Score, dan AUC-ROC Score. Hasil dari penelitian ini membuktikan bahwa penggunaan metode sampling Random Undersampling (RUS) dapat berdampak negatif dan positif pada performa model machine learning yang dihasilkan untuk memprediksi kesalahan data WSN. Seperti hasil performa dari salah algoritma klasifikasi yang digunakan, yaitu Support Vector Machine (SVM). Dimana performa model yang dihasilkan pada parameter ukur Accuracy memiliki rentang nilai antara 0.29 sampai 0.83 bergantung pada parameter model yang digunakan. Sedangkan performa model terbaik dihasilkan oleh algoritma Extra-Tree pada parameter ukur Accuracy sebesar 96% pada semua model dengan parameter model yang digunakan. Teknik deteksi berbasis Extra- Tree yang disarankan juga dapat mengurangi kesalahan bias dan varians secara signifikan.
Kata Kunci : Jaringan Sensor Nirkabel, WSN, Metode Undersampling, Machine Learning, Klasifikasi, Algoritma Extra-Tree