Sebelum memutuskan untuk memilih suatu judul film untuk ditonton, sebagian orang memeriksa informasi terlebih dahulu terkait film tersebut seperti sinopsis atau ringkasan plot serta genre film melalui internet seperti situs website IMDB (Internet Movie Database). Pemberian label genre film pada situs IMDB masih dilakukan secara manual berdasarkan saran dari pengguna yang selanjutnya masih perlu dievaluasi oleh Tim IMDB, tentunya proses tersebut sangat tidak efisien dan memungkinkan adanya hasil yang tidak akurat. Hal tersebut menjadi ide dasar penelitian ini untuk membangun sistem klasifikasi yang dapat memprediksi genre yang tepat dari suatu film berdasarkan sinopsis atau ringkasan plot filmnya secara otomatis menggunakan Multilabel K-Nearest Neighbor (ML-KNN). ML-KNN merupakan metode adaptasi algoritma yang menangani masalah pembelajaran multi-label dengan mengadaptasi teknik pembelajaran populer KNN dan menggunakan teorema Bayesian untuk menangani data multi-label dikarenakan setiap film memungkinkan memiliki beberapa genre sekaligus. Setiap data uji, pertama akan diidentifikasi K-Nearest Neighbor (KNN) dalam data latih, dan menggunakan prinsip maximum a posteriori (MAP) untuk menentukan himpunan label berdasarkan informasi statistik yang ada. Model klasifikasi menghasilkan nilai rerata Hamming Loss 0.156220 dalam memprediksi genre Action, Adventure, Animation, Comedy, Crime, Drama, Horror, Romance, SciFi, dan Thriller.