Penelitian ini menggunakan metode klasifikasi data mining yaitu Naïve Bayes untuk proses klasifikasi. Penelitian ini dilakukan untuk mengetahui kinerja yang dihasilkan oleh metode Naïve Bayes dalam melakukan klasifikasi terhadap mahasiswa dropout dan graduate dengan menggunakan seleksi fitur information gain untuk menentukan fitur relevan untuk proses klasifikasi. Data yang digunakan merupakan dataset predict student’s dropout and academic success yang diperoleh dari UC Irvine Machine Learning Repository. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes dengan seleksi fitur information gain pada rasio data 80:20 dengan hanya menggunakan 18 atribut mampu menghasilkan nilai accuracy sebesar 89% diikuti dengan nilai precision, recall, dan f1-score sebesar 84%, 87% dan 86% untuk kelas Dropout (1) dan 92%, 90% dan 91% untuk kelas Graduate (0) sedangkan algoritma Naïve Bayes tanpa menggunakan seleksi fitur Information
Gain hanya menghasilkan nilai accuracy sebesar 88% dengan nilai precision, recall, dan f1-score yang dihasilkan adalah sama yaitu 84% untuk kelas Dropout (1) dan 90% untuk kelas Graduate (0). Dari hasil tersebut dapat disimpulkan bahwa penggunaan seleksi fitur information gain pada algoritma naïve bayes terbukti mampu meningkatkan performa algoritma naïve bayes yang dapat dilihat dari peningkatan nilai accuracy, precision, recall, dan f1-score hanya dengan menggunakan 18 atribut terpilih berdasarkan nilai gain tertinggi.