Pertumbuhan ekonomi Indonesia yang pesat, didorong oleh peningkatan jumlah penduduk, menyebabkan kebutuhan ekonomi yang semakin besar. Dalam konteks ini, koperasi dan bank memainkan peran penting dengan menawarkan produk kredit yang banyak diminati oleh masyarakat, khususnya kelas menengah. Namun, penawaran kredit ini juga membawa risiko tinggi, terutama terkait dengan ketelitian dalam analisis kredit dan reputasi nasabah. Dalam upaya mengurangi risiko kredit macet, penerapan data mining, khususnya algoritma K-Nearest Neighbors (K-NN), menjadi solusi yang menjanjikan untuk memprediksi kelayakan pengajuan kredit nasabah. Penelitian ini berhasil menerapkan algoritma K-NN untuk membangun model klasifikasi yang dapat memprediksi kelayakan pengajuan kredit. Hasil penelitian menunjukkan bahwa model ini efektif dalam mengidentifikasi pola dan hubungan penting dalam data historis kredit nasabah. Model yang dikembangkan menunjukkan akurasi terbaik dengan n_neighbors = 3, dengan nilai akurasi, presisi, recall, dan F1-Score masing-masing sebesar 74%. Meskipun performa model cukup baik dalam mendeteksi pengajuan kredit yang layak diterima, hasil penelitian menunjukkan bahwa masih terdapat ruang untuk perbaikan, terutama dalam mendeteksi pengajuan kredit yang seharusnya ditolak. Oleh karena itu, penelitian ini menyimpulkan bahwa algoritma K-NN dapat menjadi alat yang efektif dalam penilaian kredit, meskipun parameter dan kualitas data yang dianalisis memainkan peran penting dalam performa model.

Indonesia's rapid economic growth, driven by an increasing population, has led to greater economic needs. In this context, cooperatives and banks play an important role by offering credit products that are in high demand by the public, especially the middle class. However, these credit offerings also carry high risks, especially related to the rigor in credit analysis and customer reputation. In an effort to reduce the risk of bad credit, the application of data mining, especially the K-Nearest Neighbors (K-NN) algorithm, is a promising solution to predict the feasibility of customer credit applications. This research successfully applies the K-NN algorithm to build a classification model that can predict creditworthiness. The results show that the model is effective in identifying important patterns and relationships in historical customer credit data. The developed model shows the best accuracy with n_neighbors = 3, with accuracy, precision, recall, and F1-Score values of 74% each. Although the model performs well in detecting credit applications that should be accepted, the results show that there is still room for improvement, especially in detecting credit applications that should be rejected. Therefore, this study concludes that the K-NN algorithm can be an effective tool in credit scoring, although the parameters and quality of the data analyzed play an important role in the model's performance.