Arrhytmia merupakan salah satu kelainan pada jantung ditandai dengan ritme jantung yang tidak normal, menjadi lebih cepat atau lebih lambat. Untuk mendiagnosa Arrhytmia perlu dilakukan prosedur Electroardiograf. Hasil perosedur Electrocardiograf ini Electrodiogram atau yang biasa di kenal sebagai ECG. ECG inilah yang kemudian dijadikan rujukan untuk mendiagnosa Arrhytmia. Data ECG tersebut memiliki ukuran data yang besar sehingga dibutuhkan proses analisa yang tepat. Klasifikasi merupakan salah satu pendekatan yang dapat dilakukan untuk memahami data ECG tersebut. Salah satu algoritma klasifikasi yang dapat menangani data dalam jumlah besar adalah Naïve Bayes. Banyaknya fitur yang dimiliki data ECG menjadi hambatan tersendiri dalam proses klasifikasi. Seleksi fitur dapat digunakan untuk mengurangi fitur yang kurang relevan pada dataset. Penelitian ini memiliki tujuan untuk mengetahui pengaruh seleksi fitur terhadap performansi model klasifikasi Naive Bayes pada diagnose Arrhytmia. Hasil yang didapat dari penelitian ini adalah nilai akurasi, presisi, recall, dan f-measure mengalami peningkatan setelah menerapkan seleksi fitur. Hal ini dibuktikan dengan nilai akurasi yang meningkat sebesar 4%, presisi meningkat sebesar 0.13, nilai recall mengalami kenaikan sebesar 0.13, nilai f-measure mengalami kenaikan sebesar 0.14, dan waktu komputasi yang dibutuhkan 0.03 detik lebih cepat. Performa tertinggi didapatkan pada klasifikasi dengan 80 fitur. Dihasilkan akurasi sebesar 93 %, presisi dan recall sebesar 0.45, f-measure sebesar 0.42, dan waktu komputasi selama 0.10 detik. Kata Kunci: Arrhytmia, Electrocardiogram (ECG), klasifikasi,Naïve Bayes, seleksi fitur

Arrhythmia is a heart disease characterized by an abnormal heart rhythm, becoming too fast or too slow. To diagnose Arrhythmia, an Electrocardiograph procedure is needed. The result of this Electrocardiograph procedure is called as Electrocardiogram or commonly known as ECG. This ECG is then used as a reference for diagnosing Arrhythmia. The ECG data has a large size of data therefore an appropriate analysis process is needed. Classification is one of approach that can be done to understand the ECG data. One of classification algorithm which can handle large amounts of data is Naïve Bayes. The many features had by ECG data become a problem in the classification process. Feature selection can be used to reduce less relevant features in the dataset. This study aims to determine the effect of feature selection on the performance of the Naive Bayes classification model on the diagnosis of Arrhythmia. The result obtained from this study is the improvement of accuracy, precision, recall, and f-measure values after applying the feature selection. This is proven by the value of accuracy increasing by 4%, precision increasing by 0.13, recall value has an increase of 0.13, the value of f-measure increasing by 0.14, and the computation time needed is 0.03 seconds faster. The highest performance is obtained by classification with 80 features. The accuracy is 93%, precision and recall are 0.45, f-measure is 0.42, and computation time is 0.10 seconds. Keywords: Arrhythmia, Electrocardiogram (ECG), classification, Naïve Bayes, feature selection