<![CDATA[Abstract: The decline in product sales is a common issue faced by minimarkets as it affects revenue stability and stock management strategies. To address this problem, a system capable of predicting potential sales decline accurately and efficiently is required. This study aims to implement the Naive Bayes algorithm to predict product sales decline in a minimarket, measure the prediction accuracy, and identify the most influential factors contributing to sales decrease. This research employs a quantitative method with a data mining approach. The dataset used consists of minimarket sales data from 2020 to 2023, including attributes such as product name, product category, quantity sold, price, sales period, and promotion status. The research stages include data preprocessing, data splitting into training and testing sets, applying the Naive Bayes algorithm, and evaluating the results using accuracy, precision, and recall metrics. The system implementation was developed using the Python programming language and the CodeIgniter framework for a web-based interface. The results show that the Naive Bayes algorithm achieved a 100% accuracy rate, indicating excellent performance in predicting sales decline. The most influential factors affecting sales decline are promotion status and product category, where non-promoted products and those belonging to the instant food category are more likely to experience decreased sales. Therefore, the implementation of the Naive Bayes algorithm proves to be effective in helping minimarket management monitor sales trends, design promotion strategies, and improve data-driven decision-making efficiency. Keywords: Naive Bayes, sales prediction, sales decline, data mining, minimarket. Abstrak: Penurunan penjualan produk merupakan permasalahan yang sering dihadapi oleh minimarket karena dapat memengaruhi stabilitas pendapatan dan strategi pengelolaan stok barang. Untuk mengatasi permasalahan tersebut, diperlukan suatu sistem yang mampu memprediksi potensi penurunan penjualan secara akurat dan efisien. Penelitian ini bertujuan untuk menerapkan algoritma Naive Bayes dalam memprediksi penurunan penjualan produk pada minimarket, mengukur tingkat akurasi hasil prediksi, serta mengidentifikasi faktor-faktor yang paling berpengaruh terhadap penurunan penjualan. Metode penelitian yang digunakan adalah metode kuantitatif dengan pendekatan data mining. Data yang digunakan berupa data penjualan minimarket periode 2020–2023 dengan atribut meliputi nama produk, kategori produk, jumlah terjual, harga, waktu penjualan, dan status promosi. Proses penelitian meliputi tahap data preprocessing, pembagian data menjadi data latih dan data uji, penerapan algoritma Naive Bayes, serta evaluasi hasil menggunakan metrik accuracy, precision, dan recall. Implementasi sistem dilakukan dengan bahasa pemrograman Python serta framework CodeIgniter untuk antarmuka berbasis web. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu memberikan hasil prediksi dengan tingkat akurasi sebesar 100%, menunjukkan kemampuan model yang sangat baik dalam memprediksi penurunan penjualan produk. Faktor yang paling memengaruhi penurunan penjualan adalah status promosi dan kategori produk, di mana produk tanpa promosi dan kategori makanan instan lebih sering mengalami penurunan penjualan. Dengan demikian, penerapan algoritma Naive Bayes terbukti efektif untuk membantu manajemen minimarket dalam memantau tren penjualan, merancang strategi promosi, serta meningkatkan efisiensi pengambilan keputusan secara berbasis data. Kata kunci: Naive Bayes, prediksi penjualan, penurunan penjualan, data mining, minimarket. ]]>
