<![CDATA[Naïve Bayes merupakan algoritma pengelompokan yang dikenal karena kesederhanaan dan kecepatan prosesnya. Namun, salah satu tantangan utama algoritma ini adalah mengasumsikan bahwa fitur-fitur dalam dataset bersifat independen, dimana hal ini bisa mempengaruhi akurasi prediksi, terutama ketika fitur-fitur dalam data tidak benar-benar independen seperti pada data medis. Untuk mengatasi masalah independensi tersebut, penelitian ini melakukan pendekatan dengan menerapkan seleksi fitur Particle Swarm Optimization (PSO) guna meningkatkan performa klasifikasi Naïve Bayes. PSO dimanfaatkan guna mengambil sejumlah fitur yang sesuai dan signifikan, sehingga dapat memperbaiki asumsi independensi yang tidak realistis pada Naïve Bayes. Sehingga model Naïve Bayes dapat lebih fokus pada fitur-fitur yang memiliki dampak signifikan terhadap klasifikasi, mengurangi noise dan redundansi yang dapat mempengaruhi akurasi prediksi. Hasil dari eksperimen pada prediksi penyakit tiroid menunjukkan bahwa akurasi model Naïve Bayes tanpa seleksi fitur PSO adalah 23%, sedangkan hasil penerapan PSO pada Naïve Bayes menunjukan akurasi sebesar 95%. Dari hasil tersebut menunjukkan bahwa penerapan seleksi fitur PSO secara signifikan mampu meningkatkan akurasi model Naïve Bayes. Dengan adanya hasil tersebut dapat mendukung tenaga kesehatan dalam mendiagnosa penyakit tiroid lebih tepat dan akurat, dan juga dapat meningkatkan efektivitas prediksi dalam pengambilan keputusan dalam menangani penyakit tiroid yang akhirnya bisa mengungkapkan hasil yang optimal bagi penderita tiroid.]]>
