Polycystic Ovary Syndrome (PCOS) adalah kelainan sindrom yang diderita wanita di sistem reproduksinya, seseorang dikatakan menderita Polycystic Ovary Syndrome (PCOS) jika ada lebih dari 12 follicle berukuran 2-9 mm atau bertambah besarnya volume follicle di ovarium hingga lebih dari 10 cm3[3]. Saat ini untuk mendeteksi Polycystic Ovary Syndrome (PCOS) dokter harus melakukan scan USG, dan secara manual menghitung jumlah follicle yang ditandai dengan area hitam di gambar. Pada penelitian sebelumnya [1, 3, 5] hanya berfokus pada peningkatan kualitas citra dan juga pendeteksian ukuran dan jumlah follicle untuk mempermudah tenaga medis melihat follicle dan menentukan diagnosis pasien. Sehingga saat ini dokter membutuhkan suatu sistem yang dapat membantunya dalam mendiagnosis Polycystic Ovary Syndrome (PCOS) secara otomatis berdasarkan citra USG untuk pendeteksian kesuburan wanita. Pada tugas akhir ini dibangun sebuah sistem klasifikasi dengan menggunakan kombinasi metode Principal Component Analysis (PCA) yang berfungsi sebagai dimensi reduksi dan Naïve Bayes yang merupakan salah satu turunan dari Bayesian Network sebagai classifiernya. Dari hasil pengujian menggunakan metode k-fold cross validation dengan k=8 dan pengujian dilakukan sebanyak 50x pengujian, dapat dilihat sistem yang dibangun dengan menggunakan metode Principal Component Analysis (PCA) dan Naïve Bayes, memiliki performansi rata-rata F1 Score tertinggi sebesar 84.76%, dengan parameter uji jumlah distribusi data ditiap kelas pada data training masing-masing 40 gambar, dan jumlah principal component sebanyak 53 serta data telah dinormalisasi.