Program KUR adalah salah satu program andalan bagi UMKM di Indonesia untuk meningkatkan modal usahanya. Walaupun begitu masih saja ada beberapa nasabah penerima keuntungan dari KUR ini yang masih kesulitan dalam pembayaran kembali hutangnya. Kredit bermasalah atau Non-Performing Loan ini jumlahnya terus saja bertambah setiap tahunnya, hal ini disebabkan pada saat pemberian KUR kepada nasabah, pemerintah tidak pernah mensyaratkan penilaian kredit kepada calon nasabah KUR tersebut. Masing-masing Lembaga penyalur dan Bank memiliki persyaratan tambahan tersendiri dalam menyalurkan KUR yang berdasarkan obyektifitas dan prinsip kehati hatian. NPL ini jika dibiarkan, maka tujuan dari pemerintah dalam pemberian KUR yaitu, mengentaskan kemiskinan dan meningkatkan lapangan pekerjaan akan terhambat. Untuk mencegah hal ini maka penelitian ini mencari cara untuk mengurangi nasabah bermasalah dalam program KUR, cara yang dimaksud adalah dengan menggunakan teknik Data Mining untuk melakukan penilaian credit scoring. Teknik Data Mining yang digunakan adalah teknik klasifikasi dengan classifiers Logistic Regression (LR), Support Vectore Machine (SVM), Decision Trees (DT), Random Forest (RF), dan Gradient Boosting. Untuk penanganan Imbalance Class akan menggunakan teknik RUS dan SMOTE. Pemodelan dilakukan dengan data nasabah KUR yang diambil dari Database SIKP dengan rentang tahun 2017 sampai dengan November 2022. Data latih dan data validasi akan dibagi dengan 5-fold cross validation. Dari setiap model akan dinilai rata-rata performanya setiap pengulangan dengan menggunakan accuracy, recall, precision, F1 score dan area dibawah kurva Precision-Recall. Kemudian pemilihan model terbaik dilakukan dengan decision matrix, dan model terbaik yang dipilih dalam penelitian ini adalah Random Forest yang telah diterapkan SMOTE. Model terbaik ini kemudian diterapkan kepada data baru untuk melihat kemampuan model dalam memprediksi data. Sebagai hasilnya didapatkan lah Gradient Boosting dapat menilai dengan tepat 99.65% data nasabah dan memisahkan nasabah baik dan buruk. Hasil dari pemodelan ini diharapkan dapat menjadi masukan bagi Kementerian Keuangan, agar kedepannya dapat menerapkan penilaian kredit untuk menilai nasabah baik dan buruk sehingga dapat mencapai tujuan dari KUR, dan menekan kerugian negara.