penelitian ini membahas pentingnya seleksi atribut dalam klasifikasi penerima bantuan sosial menggunakan metode Naïve Bayes, dengan menerapkan Information Gain sebagai teknik seleksi atribut. Naïve Bayes, meskipun populer karena kesederhanaan dan efisiensinya, memiliki kelemahan signifikan: asumsi independensi antar fitur. Asumsi ini seringkali tidak realistis dalam banyak kasuspraktis, sehingga dapat mengurangi akurasi prediksi. Untuk mengatasi kelemahan ini, seleksi atribut digunakan untuk mengidentifikasi dan menggunakan hanya fitur-fitur yang paling relevan, sehingga dapat meningkatkan kinerjamodel. Dalampenelitian ini, data yang digunakan mencakup 11 atribut: PekerjaanKK, Pekerjaan Istri, Penghasilan KK, Penghasilan Istri, Jumlah Tanggungan, Kepemilikan Rumah, Sumber Listrik, Luas Tanah, Luas Bangunan, Sumber Air, dan MCK. Melalui analisis Information Gain, ditemukan bahwa 7 atribut (Penghasilan KK, Penghasilan Istri, Pekerjaan KK, Luas Tanah, Luas Bangunan, MCK, dan Pekerjaan Istri) memiliki pengaruh signifikan terhadap klasifikasi.Hasil eksperimen menunjukkan bahwa akurasi model Naïve Bayes sebelum seleksi atribut adalah85%, sedangkan setelah seleksi atribut menggunakan Information Gain, akurasi meningkat menjadi 96%.Peningkatan akurasi sebesar11% ini menunjukkan bahwa seleksi atribut dengan Information Gain mampu meningkatkan kinerja klasifikasi,menjadikan model lebih akurat dan andal dalam menentukan penerima bantuan sosial. Temuan ini menegaskan pentingnya seleksi atribut dalam memperbaiki performa modelklasifikasi yang menggunakan Naïve Bayes