Motor menjadi salah satu alat transportasi yang banyak diminati oleh masyarakat. Motor banyak dipilih sebagai alat transportasi karena desainnya yang ramping sehingga akan memudahkan untuk menghindari kemacetan di lalu lintas. Dari sisi kemudahan tersebut membuat banyak juga masyarakat yang tidak mempunyai dana cukup untuk membeli motor secara tunai. Maka salah satu alternatif yang biasa digunakan masyarakat adalah dengan cara kredit. Dalam menentukan layak atau tidaknya pemohon kredit motor selama ini, acuan utama Credit analyst adalah berdasarkan permohonan karakter pribadi pemohon yang baik atau tidak dan berdasarkan kemampuan pemohon dalam membayar angsuran kredit. Penentuan tersebut sering kali menimbulkan masalah seperti kredit macet dikemudian hari. Dengan perkembangan teknologi informasi saat ini, BPR Semeru Swasti membutuhkan sebuah aplikasi untuk membantu proses menentukan layak atau tidaknya pemohon menerima kredit motor. Dalam proses pengambilan keputusan untuk menghasilkan suatu alternatif ada banyak algoritma yang bisa dipakai diantaranya Naïve Bayes dan K-Nearest Neighbour (K-NN). Penelitian ini akan membandingkan mana yang memiliki tingkat akurasi yang paling tinggi dan waktu komputasi yang paling cepat antara metode Naïve Bayes dan K-Nearest Neighbour (K-NN). Didapat presentase 100% berdasarkan hasil pengujian akurasi metode K-Nearest Neighbour (K-NN) , sedangkan untuk metode Naïve Bayes didapatkan tingkat akurasi 87,5%. Hasil pengujian waktu komputasi untuk metode K-Nearest Neighbour (K-NN) menghasilkan waktu yang lebih cepat dengan waktu 0,00228635 microsecond dibandingkan metode Naïve Bayes dengan waktu 0,00959706 microsecond. Dapat disimpulkan bahwa kedua algoritma telah berjalan dengan baik dan metode K-Nearest Neighbour (K-NN) adalah metode yang paling tepat untuk digunakan dalam penentuan kelayakan kredit motor.