Persediaan suku cadang pada industri minyak dan gas (migas) berperan penting dalam menjaga keandalan operasi dan mencegah kerugian akibat loss of production opportunity (LPO). Namun, proses klasifikasi suku cadang ke dalam kategori Critical dan Not Critical pada banyak perusahaan masih dilakukan secara manual sehingga rentan terhadap bias dan inkonsisten. Penelitian ini bertujuan meningkatkan akurasi penetapan status kritikal melalui penerapan algoritma k-Nearest Neighbors (KNN) dalam sebuah pipeline pembelajaran mesin bebas kebocoran data (anti-leakage pipeline). Pipeline mencakup imputasi, quantile capping 1–99%, standardisasi, one-hot encoding serta reduksi dimensi menggunakan Principal Component Analysis (PCA) dengan variasi retensi variansi 70–95%. Proses penyeimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE) diterapkan terbatas pada data latih. Model dievaluasi menggunakan Stratified 5-Fold Cross Validation pada berbagai rasio pembagian data (60:40, 70:30, 80:20, dan 90:10). Hasil menunjukkan bahwa integrasi PCA memberikan peningkatan performa yang konsisten dibandingkan model tanpa PCA dengan konfigurasi optimal pada retensi variansi sekitar 85%. Model terbaik mencapai F1-score 0.863–0.894, ROC-AUC 0.916–0.964, dan Average Precision 0.943–0.970. SMOTE tidak memberikan peningkatan performa yang signifikan pada data dengan ketidakseimbangan moderat, sementara penggunaan backend KDTree tidak menghasilkan efisiensi komputasi yang berarti pada dataset penelitian ini. Model akhir diimplementasikan dalam sebuah dashboard berbasis Python (Streamlit) sebagai sistem pendukung keputusan untuk memudahkan PT XYZA dalam mengidentifikasi status suku cadang secara cepat, konsisten, dan akurat.