Keamanan akses pengguna daring menjadi isu penting di era digital yang semakin mengandalkan sistem berbasis jaringan. Identifikasi berbasis biometrik, seperti keystroke dynamics, dianggap lebih aman dibandingkan metode konvensional seperti kata sandi atau personal identification number (PIN). Penelitian ini bertujuan mengimplementasikan metode Multi-Voter Multi-Commission Nearest Neighbor Classifier (MVMCNN) untuk melihat performansi identifikasi pengguna melalui biometrik keystroke. Metode MVMCNN dipilih karena kemampuannya dalam mengatasi kelemahan KNN, seperti sensitivitas terhadap nilai k dan outlier, dengan memanfaatkan skema multi-voter dan bobot tetangga berdasarkan pendekatan Local Mean Probabilistic Neural Network (LMPNN). Penelitian ini menggunakan dataset keystroke dynamics dari Universitas Telkom yang telah diproses menjadi fitur terstruktur, seperti UD, DD, DU, UU, dan Duration. Eksperimen dilakukan dalam tiga skenario: (1) m