Uang merupakan alat pembayaran yang sah untuk memenuhi kebutuhan ekonomi manusia, seiring dengan perkembangan jaman dan teknologi muncul transaksi non tunai dalam sistem pembayaran. Hal tersebut mendorong pihak perbankan menyediakan jasa penyedia uang dalam bentuk electronic delivery channels berupa ATM. Fungsi ATM sendiri memberi kemudahan kepada konsumen dalam bertransaksi baik tunai maupun non tunai. Data pengisian ATM dari berbagai Bank yang transaksi perhari cukup banyak dapat diolah dengan menggunakan data mining. Data mining mampu mengolah data dengan jumlah yang sangat banyak salah satunya menggunakan fungsi klasifikasi sehingga menghasilkan pengetahuan baru. Data mining dengan fungsi klasifikasi diharapkan mampu dalam pengolahan data  sehingga dapat memonitoring terhadap data pengisian ATM. Penerapan metode Naïve bayes digunakan untuk klasifikasi status pengisian ATM yaitu Isi atau Tidak Isi, dimana proses pengujiannya menggunakan bantuan tools Rapid Miner yang bertujuan untuk mengukur tingkat akurasi dari metode Naïve Bayes yang digunakan. Dataset pengisian Mesin ATM yang digunakan dalam penelitian ini yaitu 55 record dengan 6 attribut berupa persentase CIB, Lokasi, Status ATM, Restock, CashOut dan EndCash. Dari penelitian ini, Algoritma Naïve Bayes mampu dalam menganalisa terhadap data pengisian ATM dengan berhasil mengklasifikan 50 data dari 55 data yang diuji dengan nilai probabilitas sebesar 0,004 untuk klasifikasi Isi dan persentase keakuratan sebesar 90,91%, untuk class precision Isi yaitu 94,74%  untuk precision tidak isi 88,89%, sedangkan untuk class recall Isi yaitu 81,82% dan class recall tidak isi 96,97%. . Hasil tersebut, membuktikan bahwa metode Naïve Bayes dapat digunakan untuk membantu dalam prediksi pengisian ATM,  karena menghasilkan tingkat keakuratan yang cukup tinggi.

K. Ahmed and T. Jesmin, “Comparative Analysis of Data Mining Classification Algorithms in Type-2 Diabetes Prediction Data Using WEKA Approach,” Int. J. Sci. Eng., vol. 7, no. 2, pp. 155–160, 2014, doi: 10.12777/ijse.7.2.150-154.

A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, pp. 207–217, 2015.

M. H. Rifqo, A. Wijaya, and J. Pseudocode, “IMPLEMENTASI ALGORITMA NAIVE BAYES DALAM PENENTUAN PEMBERIAN KREDIT,” vol. IV, no. September, pp. 120–128, 2017.

S. Hendrian, “Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, pp. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

K. Adhatrao, A. Gaykar, A. Dhawan, R. Jha, and V. Honrao, “Predicting Students’ Performance Using ID3 and C4.5 Classification Algorithms,” Int. J. Data Min. Knowl. Manag. Process, vol. 3, no. 5, pp. 39–52, 2013, doi: 10.5121/ijdkp.2013.3504.

M. Yusa, E. Utami, and E. Luthfi. Taufiq, “Evaluasi Performa Algoritma Klasifikasi Decision Tree ID3, C4.5, dan CART Pada Dataset Readmisi Pasien Diabetes,” Infosys (Information Syst. J., vol. 4, no. 1, pp. 23–34, 2016.

D. Singh, N. Choudhary, and J. Samota, “Analysis of Data Mining Classification with Decision tree Technique,” Glob. J. Comput. Sci. Technol., vol. 13, no. 13, 2013.

D. Y. H. Tanjung, “Analisis perbandingan algoritma id3 dan c4.5 terhadap data pengisian uang atm,” CSRID, pp. 231–242, doi: http://dx.doi.org/10.22303/csrid.13.3a.2021.231-242.

K. Sumathi, S. Kannan, and K. Nagarajan, “Data Mining: Analysis of student database using Classification Techniques,” Int. J. Comput. Appl., vol. 141, no. 8, pp. 22–27, 2016, doi: 10.5120/ijca2016909703.

B. Budiman, R. Nursyanti, R. Y. R. Alamsyah, and I. Akbar, “Data Mining Implementation Using Naïve Bayes Algorithm and Decision Tree J48 In Determining Concentration Selection,” Int. J. Quant. Res. Model., vol. 1, no. 3, pp. 123–134, 2020, doi: 10.46336/ijqrm.v1i3.72.

M. F. A. Saputra, T. Widiyaningtyas, and A. P. Wibawa, “Illiteracy classification using K means-naïve bayes algorithm,” Int. J. Informatics Vis., vol. 2, no. 3, pp. 153–158, 2018, doi: 10.30630/joiv.2.3.129.

F. Paquin, J. Rivnay, A. Salleo, N. Stingelin, and C. Silva, “Multi-phase semicrystalline microstructures drive exciton dissociation in neat plastic semiconductors,” J. Mater. Chem. C, vol. 3, no. January 2019, pp. 10715–10722, 2015, doi: 10.1039/b000000x.

B. Devipriya and Y. Kalpana, “Evaluation of sentiment data using classifier model in rapid miner tool,” Int. J. Eng. Adv. Technol., vol. 9, no. 1, pp. 2966–2972, 2019, doi: 10.35940/ijeat.A1323.109119.

A. Naik and L. Samant, “Correlation Review of Classification Algorithm Using Data Mining Tool: WEKA, Rapidminer, Tanagra, Orange and Knime,” Procedia Comput. Sci., vol. 85, no. Cms, pp. 662–668, 2016, doi: 10.1016/j.procs.2016.05.251.

N. Riyanah, “Penerapan Algoritma Naive Bayes Untuk Klasifikasi Penerima Bantuan Surat Keterangan Tidak Mampu ( Implementation of Algorithms Naïve Bayes for Classification Recipients Help Letter Description Not Able ),” vol. 2, no. 4, pp. 206–213, 2021.