Algoritma K-Support Vector Nearest Neighbor (K-SVNN) menjadi salah satu alternatifmetode hasil evolusi K-Nearest Neighbor (K-NN) yang bertujuan untuk mengurangi saat prediksitetapi tetap mempertahankan akurasi prediksi. Metode ini masih relatif muda sehingga barudibandingkan hanya dengan metode-metode berbasis K-NN lainnya. Dalam penelitian inidilakukan analisis perbandingan kesamaan, perbedaan, dan kinerja terhadap metode Decision Tree(DT) dan Naïve Bayes (NB). Pengujian dengan perbandingan ini penting untuk mengetahuikeunggulan dan kelemahan relatif yang dimiliki oleh K-SVNN. Dengan mengetahui keunggulandan kelemahan maka metode tersebut dapat dibuktikan kehandalannya ketika diimplementasikan.Pengujian dilakukan baik pada saat pelatihan maupun prediksi. Kinerja pelatihan diukur dalam halwaktu yang digunakan untuk pelatihan, kinerja prediksi diukur dalam hal waktu yang digunakanuntuk prediksi dan akurasi prediksi yang didapat. Hasil pengujian menunjukkan bahwa K-SVNNmempunyai akurasi yang lebih baik daripada DT dan NB. Sedangkan waktu yang digunakan untukpelatihan dan prediksi K-SVNN lebih lama disbanding DT dan NB.