Penelitian ini menerapkan Synthetic Minority Oversampling Technique untuk meningkatkan performa metode K-Nearest Neighbors dalam memprediksi pada kelas data tidak seimbang (imbalance class). Kebanyakan algoritma klasifikasi secara implisit mengasumsikan bahwa data yang diproses memiliki distribusi yang seimbang, sehingga pengklasifikasi standar lebih condong kearah data yang jumlah kelasnya dominan (kelas mayoritas). Penggunaan Synthetic Minority Oversampling Technique dapat meningkatkan performa metode K-Nearest Neighbors untuk data pemesanan tiket pesawat. Meskipun dari sisi akurasi Synthetic Minority Oversampling Technique dengan K-Nearest Neighbors lebih rendah yaitu sebesar 79,65% dibandingkan K-Nearest Neighbors tanpa menggunakan Synthetic Minority Oversampling Technique yaitu sebesar 97,81%, teknik yang disarankan tidak mengalami peningkatan namun dari performa lain, metode yang diusulkan dapat mengungguli K-Nearest Neighbors dengan menggunakan Synthetic Minority Oversampling Technique dalam hal presisi, recall, dan F1-Score ketika diterapkan pada dataset Pemesanan Tiket Pesawat. Presisi naik 18,00% dari 62,00% menjadi 80,00%, recall naik 28,00% dari 52,00% menjadi 80,00%, dan F1-Score naik 27,00% dari 53,00% menjadi 80,00% pada dataset pemesanan tiket pesawat.