Permasalahan mengenai sampah, dari tahun ke tahun semakin meningkat termasuk di Indonesia, namun pengelolaan sampah di Indonesia masih sangat kurang. Jika pengelolaan sampah yang tidak baik ini terus belanjut, maka dimungkinkan kebutuhan lahan untuk Tempat Pembuangan Akhir (TPA) akan meningkat setiap tahunnya. Berdasarkan permasalahan tersebut, perlu adanya penelitian terkait pemilahan sampah yang baik dan benar agar kemudian sampah dapat dikelola dengan baik juga. Pada penelitian ini terdapat 3 sensor yang dapat dibaca nilainya menggunakan mikrokontroler Arduino Uno dan dapat digunakan sebagai fitur dalam sistem klasifikasi jenis sampah rumah tangga menggunakan metode Naïve Bayes. Sensor-sensor tersebut antara lain sensor proximity induktif, sensor proximity kapasitif dan sensor LDR (Light Dependent Sensor). Penelitian ini menggunakan metode Naïve Bayes dikarenakan kelas penggolongan sudah diketahui sejak awal, yaitu organik dan anorganik. Oleh sebab itu, maka peneliti memilih metode klasifikasi (Supervised Learning). Selain itu, tidak semua kombinasi nilai fitur terdapat dalam percobaan yang dilakukan. Pada penelitian ini, proses dari mulai pembacaan nilai sensor sampai dengan penentuan jenis sampah menggunakan 2 bahasa pemograman, yaitu C dan python. Setelah penelitian ini selesai dilakukan, terdapat beberapa kesimpulan. Kesimpulan pertama yaitu sensor proximity kapasitif yang digunakan sebagai fitur 1 mempunyai tingkat akurasi sebesar 77,50%, sensor proximity induktif sebagai fitur 2 sebesar 100% dan sensor LDR sebagai fitur 3 sebesar 100%. Tingkat akurasi tersebut dilakukan dalam percobaan sebanyak 40 kali terhadap sampah yang berbeda. Kemudian penelitian ini juga menunjukkan bahwa semakin banyak data latih pada sistem maka akan semakin tinggi nilai keakuratan, precision, dan recall dari sistem. Hal tersebut terbukti pada penelitian dengan jumlah data uji sebanyak 20 data dan jumlah data latih sebanyak 160 data menunjukkan tingkat akurasi sebesar 95.00%, precision sebesar 95,45% dan recall sebesar 95,00%. Nilai tersebut adalah nilai tertinggi dibandingkan 5 skenario lain dengan jumlah data perbandingan data uji dan data latih yaitu 120:60, 100:80, 80:100, 60:120, 40:140 dan 20:160. Berdasarkan semua kesimpulan tersebut, dapat disimpulkan bahwa penelitian ini berhasil dilakukan untuk mengklasifikasikan sampah dengan baik menggunakan metode Naïve Bayes.