Coronavirus disease 2019 (COVID-19) merupakan jenis penyakit baru yang ditemukan pada tahun 2019. Virus Corona (CoV) merupakan bagian dari rangkaian virus yang dapat menyebabkan berbagai penyakit, mulai dari influenza hingga penyakit yang lebih serius seperti Middle East Respiratory Sindrom (MERS-CoV). CoV) dan Sindrom Pernafasan Akut Parah (SARS-CoV). Pada awal Maret 2020, Indonesia dilanda wabah Virus Corona (Covid), dan jumlah kasus penyebaran COVID-19 di Indonesia terus meningkat setiap harinya dan menyebabkan banyak orang meninggal. Masyarakat wajib menjalani evakuasi sosial untuk memutus mata rantai penularan COVID-19 yang telah menyebar ke berbagai wilayah Indonesia. Untuk meminimalkan penyebaran penyakit, tindakan pencegahan ekstrem telah diambil, seperti memblokir suatu wilayah atau bahkan negara. Kurangnya pengetahuan dan kesadaran masyarakat umum dalam melaksanakan pencegahan dan pengendalian diantaranya terdapat kesulitan dalam melaksanakan surveilans, deteksi dini, pelacakan kontak, pencegahan dan pengendalian infeksi, serta komunikasi risiko maupun pemberdayaan masyarakat. Hal ini disebabkan kurangnya penerapan dan pengujian suatu metode kecerdasan buatan pada diagnosis COVID-19 yang dapat dimanfaatkan secara publik. Oleh karena itu, peneliti akan mengimplementasikan algoritma Naive Bayes untuk mengetahui status negatif atau positif terinfeksi COVID-19. Teknik data mining diterapkan untuk mengklasifikasikan data menggunakan algoritma Naïve Bayes. Langkah awal dari penelitian ini adalah mengumpulkan data-data yang dibutuhkan dan mengolahnya secara manual terlebih dahulu menggunakan algoritma Naive Bayes kemudian diuji menggunakan software RapidMiner, sehingga dapat menghasilkan dan mengevaluasi akurasi dari algoritma Naive Bayes yang telah diterapkan. Hasil dari metode prediksi Naive Bayes terbaik terdapat pada simulasi pertama dengan distribusi data latih 70% dan data pengujian 30% dengan akurasi 94,65% karena didukung dengan pembagian data yang proporsional.
Kata Kunci : COVID-19, Naive Bayes, Klasifikasi, Confusion Matri