Klasifikasi merupakan bagian dari data mining yang bertujuan untuk memprediksi suatu kelas data dengan menggunakan pembelajaran mesin yang telah dibangun. Terdapat beberapa metode klasifikasi, salah satunya metode klasifikasi K-Nearest Neighbor (K-NN) yang menggunakan konsep jarak ketetanggaan terdekat dalam membuat model klasifikasi. Namun, K-NN memiliki kelemahan dalam membuat model dari data pembelajaran yang memiliki kelas tidak seimbang atau imbalanced data. Masalah data tidak seimbang dapat ditangani dengan menerapkan suatu teknik sebagai penyeimbang kelas, salah satu teknik yang dapat digunakan dalam menyeimbangkan suatu kelas dengan kelas lainnya, yaitu synthetic minority oversampling technique nominal continuous (SMOTE-NC) yang digunakan pada data yang memiliki dua skala data, yaitu nominal dan kontinu. Penelitian ini bertujuan untuk mengklasifikasikan data nasabah kredit motor Honda di perusahan Z dengan menggunakan 10-fold cross validation sebagai pembagi partisi data training dan testing. Variabel masukkan yang digunakan dalam penelitian ini yaitu jenis kelamin, pekerjaan, lama angsuran, pendapatan, besar angsuran, harga motor, dan uang muka, serta status kelancaran pembayaran sebagai variabel keluaran. Penelitian ini menghasilkan K yang optimal dalam mengklasifikasikan nasabah kredit motor Honda di perusahaan Z menggunakan metode K-NN dengan SMOTE-NC yaitu K=1 dengan rata-rata nilai APER sebesar 0,143 dan subset 8 merupakan subset dengan nilai APER terkecil pada K=1 yaitu 0,033, dimana dari total 61 data nasabah kredit motor pada subset 8, didapatkan nasabah dengan status lancar diklasifikasikan lancar sebanyak 34 nasabah dan nasabah dengan status tidak lancar diklasifikasikan tidak lancar sebanyak 25 nasabah, sedangkan terdapat kesalahan klasifikasi nasabah lancar yang diklasifikasikan tidak lancar dan nasabah tidak lancar diklasifikasikan lancar masing-masing sebanyak 1 nasabah.