Deteksi dini penyakit Dengue Blood Disease (DBD) sangat penting untuk mencegah komplikasi serius dan meningkatkan keberhasilan penanganan pasien, terutama di daerah dengan tingkat kasus tinggi seperti Puskesmas Dempo. Kemiripan gejala DBD dengan penyakit lain sering menyebabkan diagnosis tertunda, yang mengurangi hasil pengobatan. Oleh karena itu, sistem berbasis teknologi yang dapat melakukan deteksi dini secara cepat dan akurat sangat dibutuhkan. Dalam penelitian ini, digunakan metode K-Nearest Neighbors (K-NN), sebuah algoritma pembelajaran mesin yang efektif dalam mengidentifikasi pola berdasarkan kedekatan data, untuk mengembangkan sistem klasifikasi DBD. Data yang digunakan mencakup 200 rekam medis pasien dari Puskesmas Dempo yang menunjukkan gejala utama seperti demam tinggi, nyeri otot dan sendi, sakit kepala, mual, dan perdarahan ringan. Klasifikasi dilakukan dengan membandingkan gejala pasien baru terhadap data yang telah diklasifikasikan sebelumnya. Untuk mengukur efektivitas metode K-NN, dilakukan pengujian dengan tiga skenario pembagian data, yaitu 70% data latih dan 30% data uji dengan akurasi 90%, 80%:20% dengan akurasi 87,50%, dan 90%:10% dengan akurasi 80%. Hasil ini menunjukkan bahwa metode K-NN memiliki performa yang baik dalam deteksi dini DBD. Diharapkan sistem ini dapat menjadi alat bantu yang andal, cepat, dan akurat dalam membantu tenaga medis membuat keputusan yang lebih cepat dan tepat, serta berkontribusi dalam pengawasan dan pencegahan penyebaran DBD di masyarakat