<![CDATA[Abstract. With the rapid advancement of digital image processing technology, image-based object classification has become increasingly important across various application domains. This study examines the performance of Gaussian Naive Bayes in classifying cat breeds based on image data. The dataset consists of 2,800 images covering 13 cat breeds and one non-cat class, with 200 images per class. Images were preprocessed through resizing to 224×224 pixels, pixel-value normalisation, and conversion to numeric arrays. Feature extraction was performed using a pre-trained MobileNetV2 CNN, followed by Global Average Pooling to produce 1,280-dimensional feature vectors. Dimensionality reduction via Principal Component Analysis (PCA) reduced the features to 557 components, retaining approximately 95% of the data variance. The resulting feature vectors were fed into a Gaussian Naive Bayes classifier. Evaluation on an 80:20 train-test split yielded a training accuracy of 82.54% and a Testing accuracy of 71.61%, with a macro-average F1-score of 0.72. Several breeds Persian, Bombay, Siamese, and Birman achieved high classification performance, whereas breeds with visually similar characteristics showed lower scores. The findings confirm that Gaussian Naive Bayes, when supported by CNN-based feature extraction and PCA, is capable of classifying cat-breed images with reasonable accuracy. Abstrak. Seiring dengan berkembangnya teknologi pengolahan citra digital, klasifikasi objek berbasis data gambar menjadi semakin penting dalam berbagai bidang aplikasi. Penelitian ini bertujuan untuk mengevaluasi kinerja metode Gaussian Naive Bayes dalam melakukan klasifikasi ras kucing dengan data gambar. Dataset yang digunakan terdiri dari 2.800 gambar yang mencakup 13 ras kucing dan satu kelas bukan kucing, dengan masing-masing kelas memiliki 200 gambar. Setiap gambar melalui tahapan preprocessing berupa resize ke ukuran 224×224 piksel, normalisasi nilai piksel, serta konversi ke bentuk array numerik. Ekstraksi fitur dilakukan menggunakan CNN MobileNetV2 yang telah dilatih sebelumnya (pre-trained), diikuti oleh Global Average Pooling untuk menghasilkan vektor fitur berdimensi 1.280. Reduksi dimensi menggunakan Principal Component Analysis (PCA) kemudian diterapkan sehingga menghasilkan 557 komponen utama yang mampu menjelaskan sekitar 95% variasi data. Model Gaussian Naive Bayes dilatih dan dievaluasi dengan rasio pembagian data 80:20, menghasilkan akurasi sebesar 82,54% pada data training dan 71,61% pada data Testing, dengan nilai F1-score rata-rata sebesar 0,72. Beberapa ras kucing seperti Persian, Bombay, Siamese, dan Birman menunjukkan performa klasifikasi yang cukup baik. Hasil penelitian mengonfirmasi bahwa Gaussian Naive Bayes, yang didukung oleh ekstraksi fitur berbasis CNN dan reduksi dimensi PCA, mampu mengklasifikasikan gambar ras kucing dengan akurasi yang cukup baik.]]>
