Indonesia merupakan negara yang memiliki dua musim yaitu kemarau dan hujan. Perubahan musim salah satunya ditandai dengan curah hujan. Pengukuran curah hujan biasanya dilakukan untuk memberikan informasi curah hujan kepada masyarakat. Curah hujan dibagi ke dalam empat kelas yaitu tidak hujan, ringan, sedang, dan lebat. Pembagian kelas tersebut dapat diolah dengan klasifikasi data.

Pada penelitian ini bertujuan untuk menerapkan metode Gaussian Naive Bayes (GNB) dalam klasifikasi curah hujan di Kota Semarang. GNB merupakan metode Naive Bayes yang digunakan untuk merepresentasikan probabilitas bersyarat dari atribut numerik pada sebuah kelas. Pada GNB, atribut numerik diasumsikan berdistribusi Gaussian sehingga perhitungan likelihood dilakukan menggunakan densitas Gauss. Data yang digunakan pada penelitian ini merupakan data harian curah hujan dsi Kota Semarang dari 1 Januari hingga 30 Juni tahun 2021. Data tersebut bersumber dari website bmkg.go.id. Total data yang diperoleh adalah 156 data. Data training yang digunakan adalah 80?ri total data yaitu 125 data, sedangkan data testing yang digunakan adalah 20% atau 31 data. Terdapat empat atribut numeric yang digunakan dalam penelitian ini yaitu rata-rata suhu (XRS), rata-rata kelembapan udara (XRL), rata-rata kecepatan angin (XRA), dan rata-rata lama penyinaran matahari (XRM). Curah hujan dibagi menjadi empat kelas yaitu tidak hujan (CTH), ringan (CHR), sedang (CHS), dan lebat (CHL).

Berdasarkan hasil penelitian dan pembahasan, disimpulkan bahwa untuk data testing dengan n=31 diperoleh curah hujan yang diklasifikasikan dengan benar ada 20 data yaitu 18 data untuk kelas tidak hujan dan 2 data untuk hujan ringan. Data yang diklasifikasikan salah yaitu hujan ringan yang diklasifikasikan sebagai tidak hujan ada 7 data, hujan ringan yang diklasifikasikan sebagai hujan sedang ada 1 data, dan hujan sedang yang diklasifikasikan sebagai hujan ringan ada 3 data. Pada klasifikasi curah hujan di Kota Semarang menggunakan metode Gaussian Naive Bayes menunjukkan akurasi 64.52% dan termasuk failure classification dengan nilai AUC 0.551.