Penentuan status kesehatan janin merupakan aspek krusial dalam pemantauan kehamilan untuk mengurangi resiko komplikasi dan meningkatkan keselamatan ibu dan bayi. Metode K-Nearest Neighbors (KNN) telah diimplementasikan sebagai teknik pengklasifikasian dalam penentuan status kesehatan janin berdasarkan data cardiotocography (CTG). Studi ini memaparkan penggunaan algoritma KNN untuk menganalisis berbagai parameter CTG, termasuk detak jantung janin dan frekuensi kontraksi uterus, untuk mengklasifikasin status kesehatan janin menjadi tiga kategori: normal, suspect, dan phatologic. Proses implementasi melibatkan pengumpulan data normalisasi, pemilihan fitur relevan, dan penggunaan algoritma KNN dengan variasi nilai K untuk menentukan nilai yang paling optimal. Hasil penelitian menunjukkan bahwa metode KNN dengan nilai K yang tepat dapat mencapai akurasi tinggi dalam klasifikasi status kesehatan janin, dengan akurasi mencapai hingga 89%. Temuan ini menunjukkan bahwa KNN merupakan metode yang efektif dan dapat diandalkan dalam mendukung tenaga medis untuk mengambil keputusan berdasarkan CTG, yang pada akhirnya dapat meningkatkan kualitas perawatan kesehatan ibu dan bayi. Selain itu, implementasi metode ini relatif sederhana dan dapat diintegrasikan kedalam sistem kesehatan yang sudah ada tanpa memerlukan sumber daya komputasi yang besar. Penelitian lebih lanjut disarankan untuk membandingkan performa KNN dengan metode machine learning lainnya seperti Support Vector Mchine(SVM) dan Random Forest untuk mengidentifikasi metode terbaik dalam konteks ini. Penggunaan data yang lebih besar dan beragam juga diharapkan dapat meningkatkan akurasi dan generalisai model dalam berbagai kondisi klinis.