Data mining adalah salah satu cabang ilmu kecerdasan buatan dalam
penggalian pola-pola untuk mengubah data menjadi informasi. Klasifikasi adalah
pengelompokkan suatu objek ke dalam data kelas dengan menngambil data
training untuk membuat sebuah model. Penelitian ini mengevaluasi kinerja
algoritma Naïve Bayes dalam klasifikasi kebotakan menggunakan data mining.
Dataset yang digunakan terdiri dari 999 data individu dengan 13 atribut, termasuk
atribut kelas yang menentukan kebotakan (kelas 1) atau tidak (kelas 0). Hasil
pengujian menunjukkan bahwa akurasi tertinggi adalah 52,33% pada rasio 70:30
dan terendah 49.00% pada rasio 90:10. Pengujian k-fold cross validation (K=3,4,5
dan 6) memberikan akurasi tertinggi pada K= 6 dengan akurasi 55.42%.
Kesimpulannya, model Naïve Bayes tidak cukup efektif untuk dataset ini.
Disarankan untuk meningkatkan preprocessing data dan pemilihan fitur untuk
meningkatkan akurasi klasifikasi.