Industri pengolahan kelapa sawit memiliki peran penting dalam perekonomian Indonesia karena memberikan kontribusi signifikan terhadap pendapatan ekspor dan penyerapan tenaga kerja. Keunggulan produktivitas kelapa sawit membuat industri ini tetap kompetitif di pasar global, dengan Crude Palm Oil (CPO) sebagai komoditas utama yang mencatat nilai ekspor tertinggi pada tahun 2022. Peningkatan daya saing dan mutu CPO menjadi kunci untuk mempertahankan posisi Indonesia sebagai pemasok utama dunia. Namun, penentuan mutu CPO masih rentan terhadap subjektivitas, sehingga diperlukan pendekatan objektif seperti menggunakan algoritma machine learning. Tujuan dari penelitian ini adalah menerapkan algoritma K-Nearest Neighbor (KNN) dalam menentukan mutu CPO. Proses pengolahan data dilakukan menggunakan bahasa pemrograman Python dengan tools Jupyter Notebook. Proses tersebut meliputi pembersihan data, transformasi, normalisasi menggunakan metode min-max normalization, serta pembagian data menjadi data training dan data testing dengan empat skema pembagian data, yaitu 60:40, 70:30, 80:20 dan 90:10. Selain itu, resampling pada data training juga dilakukan dengan menggunakan metode SMOTE dan undersampling. Hasil penelitian menunjukkan bahwa model dengan skema pembagian data 90:10 menggunakan SMOTE, nilai K=5 dan perhitungan jarak Manhattan merupakan model yang paling optimal setelah melalui pengujian 10-fold cross validation, dengan rata-rata akurasi mencapai 99,54%. Evaluasi menggunakan confusion matrix menunjukkan bahwa model mampu mengklasifikasikan 216 data dengan benar ke dalam kelas "tidak baik", 92 data dengan benar ke dalam kelas "baik" dan hanya satu data salah diklasifikasikan ke dalam kelas "baik" yang seharusnya adalah "tidak baik", sehingga didapatkan nilai akurasi model mencapai 99,68%, presisi sebesar 98,92%, recall sebesar 100% dan f1-score sebesar 99,45%.