<![CDATA[Di era digital saat ini, akses terhadap hiburan semakin mudah berkat internet, memungkinkan berbagai jenis hiburan dapat diakses melalui perangkat elektronik. Hiburan ini mencakup tayangan seperti film kartun, laga, animasi, dan layar lebar. Objek yang diambil pada penelitian ini adalah hiburan berupa animasi Jepang, atau lebih dikenal dengan sebutan anime, yang telah menjadi bentuk hiburan populer di kalangan remaja di seluruh dunia. Peningkatan jumlah anime yang dirilis setiap tahun menyebabkan persaingan yang ketat antar kreator untuk meningkatkan daya tarik setiap judul anime agar dapat bersaing di pasar. Oleh karena itu, diperlukan sistem klasifikasi efektif untuk mengelompokkan anime berdasarkan peringkatnya secara otomatis. Penelitian ini menggunakan data set dari MyAnimeList.net yang menyediakan ribuan data anime, dan dianalisis menggunakan algoritma Gaussian Naives Bayes untuk mengklasifikasikan peringkat anime. Metode penelitian ini, didukung dengan proses data mining, yaitu Knowlegde Discovery in Database (KDD), yang di dalamnya memiliki beberapa tahapan untuk penerapan algoritma Gaussian Naives Bayes. Penerapan algoritma ini menghasilkan sebuah model, yaitu confusion matrix yang menghasilkan nilai akurasi sebesar 67.93%. Model ini mampu mengklasifikasikan peringkat anime secara efektif berdasarkan fitur yang ada. Berdasarkan hasil penelitian, berikut beberapa saran untuk penelitian selanjutnya guna meningkatkan kinerja model dan pemahaman terhadap klasifikasi peringkat anime: Disarankan untuk mengeksplorasi dan mengimplementasikan algoritma klasifikasi lainnya seperti Random Forest, Support Vector Machine (SVM), atau Gradient Boosting. Bandingkan kinerjanya dengan Gaussian Naive Bayes untuk menemukan model yang memberikan akurasi lebih tinggi. Melakukan pembersihan data yang lebih mendalam, termasuk penanganan nilai hilang dan anomali dengan metode yang lebih canggih untuk membantu meningkatkan kualitas data set dan kinerja model. Menerapkan teknik pre-processing data seperti Principal Component Analysis (PCA) atau Feature Engineering dapat membantu dalam mengurangi dimensi data dan menangkap informasi yang lebih relevan untuk klasifikasi. Menambahkan fitur-fitur seperti durasi episode dan tren penayangan ke dalam data set untuk melihat apakah peningkatan jumlah fitur dapat meningkatkan akurasi model. Mengembangkan sistem rekomendasi berdasarkan model klasifikasi yang dihasilkan dapat membantu pengguna menemukan anime sesuai preferensi mereka dengan lebih efisien. Sistem ini dapat diintegrasikan dengan platform seperti MyAnimeList.net.]]>
