Asisten Laboratorium merupakan mahasiswa aktif yang bertugas mendampingi dosen dalam mengajar praktikum mata kuliah. Seorang asisten laboratorium dapat mendukung dan meningkatkan kemampuan mahasiswa selama praktikum di laboratorium. Penentuan asisten laboratorium harus sesuai dengan kriteria yang dibutuhkan. Masalah dalam seleksi asisten itu sendiri terdapat pada lama waktu dalam penyelenggaraan tes dan adanya kesulitan untuk menentukan calon asisten laboratorium yang lolos seleksi namun memiliki kemampuan tidak jauh berbeda. Sehingga di butuhka suatu sistem rekomendasi yang bisa mengatasi masalah tersebut Dalam Penelitan ini mengimplementasikan metode naive bayes classifier ke dalam sistem rekomendasi untuk merekomendasikan peserta lulus atau tidak. Data training berasal dari laboratorium information retrieval, kemudian data di labelin secara manual berdasarkan ketentuan. Setelah data di labelin kemudian,data di masukan kedalam sistem dan di uji dengan data testing yang berasal dari hasil pengklasifikasi sistem itu sendiri. Hasil Implementasi algoritma naïve bayes dalam proses seleksi asisten baru dengan menggunakan data training berjumlah 51 menghasilkan tingkat akurasi 71% dan membuktikan bahwa metode Naive bayes dapat digunakan untuk sistem rekomendasi penentuan asisten baru

Laboratory Assistants are active students who are tasked with assisting lecturers in teaching practicum courses. A laboratory assistant can support and improve students' abilities during practicum in the laboratory. Determination of laboratory assistants must be in accordance with the required criteria. The problem in the selection of assistants itself lies in the length of time in administering the test and the difficulty in determining prospective laboratory assistants who pass the selection but have not much different abilities. So we need a recommendation system that can overcome this problem. In this research, we implement the naive Bayes classifier method into the recommendation system to recommend participants pass or not. The training data comes from the information retrieval laboratory, then the data is labeled manually based on the provisions. After the data is labeled then, the data is entered into the system and tested with testing data that comes from the results of the system classifier itself. Results The implementation of the nave Bayes algorithm in the selection process for new assistants using 51 training data resulted in an accuracy rate of 71% and proved that the Naive Bayes method can be used for a recommendation system for determining new assistants.