Pengenalan pola yang dilakukan manusia merupakan proses pembentukan persepsi dari suatu objek atau kejadian kemudian mengolahnya menjadi sesuatu yang memiliki arti secara keseluruhan. Kemampuan manusia untuk mengenali pola bergantung pada naluri dan sistem kognitif yang dimiliki. Perkembangan sistem kognitif manusia bergantung pada proses belajar, yaitu proses untuk mendapatkan pengetahuan sekitarnya atau dari pengalaman. Dalam Ilmu Komputer khususnya bidang pembelajaran mesin, pengenalan pola adalah proses pembelajaran pada mesin untuk mengenali atau mengklasifikasikan objek berdasarkan data pelatihan. Sistem pengenalan pola bekerja dengan mengambil informasi penting dari data pelatihan untuk dimodelkan secara matematis. Model yang dihasilkan merupakan generalisasi informasi dari data pelatihan, yang nantinya digunakan untuk mengenali objek/ data di luar data pelatihan. Pada sistem pengenalan pola, terdapat tiga fase utama, yaitu resampling, ekstraksi fitur dan klasifikasi. Dalam sistem pengenalan pola standar, masing-masing fase berjalan secara terpisah dan menggunakan evaluator kondisi optimal yang berbeda, hal ini bisa memicu terjadinya kondisi inkonsistensi antar fase. Dalam penelitian dikembangkan suatu algoritma pembelajaran yang mengintegrasikan proses seleksi data (under sampling untuk mengatasi imbalanced dataset), ekstraksi fitur dan juga klasifikasi untuk mengatasi permasalahan inkonsistensi tersebut. Algoritma yang diusulkan dalam penelitian ini adalah Adaptive Multilayer Generalized Learning Vector Quantization (AMGLVQ), yang merupakan metode pembelajaran yang mengintegrasikan proses under sampling, ekstraksi fitur dan juga klasifikasi. Algoritma ini akan dievaluasi menggunakan beberapa jenis dataset, yaitu data sintesis yang terpisah secara linier, data sintesis Pinwheel (tidak terpisah secara linier), UCI IRIS, UCI Glass, UCI Yeast, UCI Abalone, UCI Haberman, dan data MIT-BIH Arrhythmia. Dataset MIT-BIH Arrhythmia digunakan untuk mengevaluasi AMGLVQ pada permasalahan nyata yang melibatkan permasalahan imbalanced data. Algoritma AMGLVQ akan dibandingkan performanya dengan beberapa algoritma klasifikasi antara lain Generalized Learning Vector Quantization (GLVQ), Propagasi balik, Support Vector Machine (SVM), zSVM, Fuzzy SVMs for Class Imbalance Learning (FSVM-CIL), Different Error Cost (DEC), Generalized Minimum Classification vi Error-Linear Discriminant (GMCE-LD), Generalized Minimum Classification Error-Principal Component (GMCE-PC). Hasil evaluasi menunjukkan AMGLVQ dapat bekerja lebih efisien dibandingkan dengan algoritma klasifikasi pembandingnya. Selain itu AMGLVQ juga mampu mengklasifikasikan data dengan baik, khususnya pada dataset kelas jamak yang strong imbalanced. Dibandingkan dengan algoritma klasifikasi yang menggunakan pendekatan aproksimasi batas antar kelas, performa AMGLVQ menurun saat diimplementasikan pada dataset yang dalam satu kelasnya terbagi menjadi beberapa kelompok (seperti model dataset checkerboard). Untuk pengembangan lebih lanjut dari AMGLVQ dapat digunakan pendekatan multicodebook, sehingga satu kelas yang terbagi menjadi beberapa sub kelompok akan dibangkitkan satu codebook pada tiap sub kelompok tersebut. Dengan masing-masing codebook pada sub kelompok dalam satu kelas, maka dataset model checkerboard akan dikenali dengan lebih baik.