Anemia merupakan penyakit yang disebabkan karena rendahnya kadar kemoglobin dalam darah. Anemia sendiri memiliki beberapa jenis sehingga perlu adanya untuk meningkatkan efektivitas proses pengklasifikasiannya. Namun permasalahan ketidakseimbangan data yang sering muncul dalam klasifikasi anemia dapat mengurangi performa klasifikasi. Tantangan lain dalam proses klasifikasi yaitu banyaknya jumlah kelas pada dataset yang digunakan, sehingga perlu adanya algoritma lain yang dapat diterapkan secara bersamaan dengan algoritma SVM. Penelitian ini menerapkan teknik resampling, yaitu dengan teknik oversampling dan undersampling. Teknik yang digunakan untuk melakukan proses oversampling yaitu Synthetic Minority Over-Sampling Technique (SMOTE) untuk menangani permasalahan data yang tidak seimbang. Algoritma SVM digunakan dalam penelitian ini yang kemudian dipadukan dengan pendekatan One vs One (OvO) dan One vs Rest (OvR) karena data yang digunakan merupakan data multiclass. Tujuan dari penelitian ini yaitu membandingkan teknik resampling dari pendekatan OvO dan OvR dalam mengklasifikasikan anemia multiclass. Hasil penelitian yang dilakukan menunjukkan bahwa pengujian model oversampling OvO lebih unggul secara keseluruhan dengan akurasi sebesar 85% . Dengan demikian, penelitian ini menyimpulkan bahwa teknik oversampling dan pendekatan OvR adalah teknik yang lebih unggul untuk melakukan klasifikasi dengan data yang memiliki beberapa kelas.
Kata kunci: Klasifikasi, SMOTE, Support Vector Machine, Imbalance Data, Multiclass Classification.