Abstrak - Pengelolaan risiko kredit merupakan elemen kritis dalam industri keuangan, di mana perusahaan perbankan dan lembaga keuangan lainnya berupaya untuk meminimalkan risiko gagal bayar peminjam. klasifikasi nasabah menjadi tantangan signifikan dan memegang peranan penting dalam proses pengambilan keputusan kredit. Oleh karena itu, klasifikasi nasabah menjadi suatu aspek penting dalam proses pengambilan keputusan kredit yang dapat membentuk dasar keputusan terkait penentuan suku bunga, plafon kredit, dan pemantauan risiko secara keseluruhan. penelitian ini bertujuan untuk memberikan kontribusi pada pemahaman mendalam terkait metode klasifikasi yang efektif dalam mengelola risiko kredit dengan menggunakan metode klasifikasi, dengan fokus pada pendekatan Naive Bayes, untuk mengatasi permasalahan yang dihadapi dalam klasifikasi nasabah. Kumpulkan data nasabah yang mencakup berbagai fitur atau atribut seperti umur, penghasilan, merek barang, jangka waktu dan jumlah bayar dengan hasil akurasi pada penelitian ini sebesar 87,30% sehingga membantu dalam pengambilan keputusan yang tepat dan akurat dalam memberikan kredit kepada nasabah. Kata kunci: Metode Nave Bayes, Klasifikasi, NasabahAbstract - Credit risk management is a critical element in the financial industry, where banking companies and other financial institutions strive to minimize the risk of borrower default. Customer classification is a significant challenge and plays an important role in the credit decision making process. Therefore, customer classification is an important aspect in the credit decision making process which can form the basis of decisions regarding determining interest rates, credit ceilings and overall risk monitoring. This research aims to contribute to an in-depth understanding of effective classification methods in managing credit risk using classification methods, with a focus on the Naive Bayes approach, to overcome problems faced in customer classification. Collect customer data which includes various features or attributes such as age, income, brand of goods, time period and payment amount with accuracy results in this research of 87,30% thus helping in making the right and accurate decisions in providing credit to customers.Keywords: Nave Bayes Method, Classification, Customer