Pada umumnya sebuah perangkat lunak dibangun dengan menggunakan paradigma komputasi serial, di mana perangkat lunak tersebut dirancang untuk dieksekusi oleh sebuah sebuah mesin yang mempunyai sebuah CPU. Klasifikasi K-Nearest Neighbour (KNN) membutuhkan komputasi tinggi dan waktu yang lama apabila dilakukan pada komputasi serial karena proses klasifikasi yang dilakukan perlu menghitung jarak data test dengan keseluruhan data training yang dimiliki sistem. Pada penelitian ini, kami mengajukan pendekatan baru untuk menyelesaikan permasalahan komputasi tinggi pada klasifikasi data KNN dengan menggunakan komputasi parallel Mosix. Aplikasi mosix mendistribusikan proses klasifikasi kepada beberapa node, sehingga proses program bermigrasi ke node di jaringan yang mampu menjalankan proses komputasi yang lebih cepat. Mosix bekerja pada saat proses perhitungan euclidian distance dan sorting jarak terpendek pada masing-masing node. Eksperimen ini dilakukan untuk data training sebanyak 4898431 baris dari KDDCUP'99 untuk 2 dan 4 node. Hasil eksperimen menunjukkan waktu eksekusi yang dibutuhkan sedikit dibandingkan dengan komputasi serial.