<![CDATA[Abstract. Credit cards are a form of plastic payment issued by several banks and used to make payments by card holders, both for credit and purchasing goods or services according to the name on the card. Credit card issuing companies often face challenges related to bill payments that are not in accordance with the agreements agreed with customers, which can result in bad credit and losses for the company. This research aims to help credit card issuing companies in assessing who is worthy of being given a credit card and setting credit limits based on variables such as gender, property ownership, marital status, number of children, type of income, and annual income, using the K-Nearest Neighbor method (KNN). The results of this research show that classification using KNN for credit card applications reaches an accuracy level of 91%, indicating that the model can function well in managing credit card application data. This can provide better guidance for credit card issuing companies in making more informed decisions and reduce the risk of credit payments that are not in accordance with the agreement. Abstrak. Kartu kredit merupakan bentuk pembayaran plastik yang diterbitkan oleh beberapa bank dan digunakan untuk melakukan pembayaran oleh pemegang kartu, baik untuk kredit maupun pembelian barang atau layanan sesuai dengan nama yang tertera pada kartu. Perusahaan penerbit kartu kredit sering menghadapi tantangan terkait pembayaran tagihan yang tidak sesuai dengan perjanjian yang telah disepakati dengan nasabah, yang dapat mengakibatkan kredit macet dan kerugian bagi perusahaan. penelitian ini bertujuan untuk membantu perusahaan penerbit kartu kredit dalam menilai siapa yang layak untuk diberikan kartu kredit dan menetapkan batas kredit berdasarkan variabel seperti jenis kelamin, kepemilikan properti, status pernikahan, jumlah anak, jenis pendapatan, dan pendapatan tahunan, menggunakan metode K-Nearest Neighbor (KNN). Hasil dari penelitian ini menunjukkan bahwa klasifikasi menggunakan KNN pada pengajuan kartu kredit mencapai tingkat akurasi sebesar 91%, menandakan bahwa model dapat berfungsi dengan baik dalam mengelola data pengajuan kartu kredit. Ini dapat memberikan panduan yang lebih baik bagi perusahaan penerbit kartu kredit dalam membuat keputusan yang lebih tepat dan mengurangi risiko pembayaran kredit yang tidak sesuai dengan perjanjian.]]>
