Polycystic Ovary Syndrome (PCOS) merupakan gangguan hormonal yang umum terjadi pada wanita usia reproduksi dan memerlukan deteksi dini untuk mencegah komplikasi kesehatan jangka panjang. Penelitian ini bertujuan untuk melakukan analisis kinerja antara metode Naïve Bayes dan Certainty Factor dalam mengidentifikasi gejala awal PCOS. Metode Naïve Bayes digunakan sebagai representasi pendekatan klasifikasi berbasis probabilitas, sementara Certainty Factor digunakan untuk menangani ketidakpastian dalam diagnosis berdasarkan tingkat keyakinan pakar. Data penelitian diperoleh dari 109 responden melalui kuesioner yang mencakup berbagai gejala klinis dan fisik. Proses penelitian meliputi pengumpulan data, pengolahan data menggunakan bahasa pemrograman Python, serta pengujian kinerja sistem menggunakan Confusion Matrix. Hasil penelitian menunjukkan bahwa metode Naïve Bayes memiliki kinerja yang jauh lebih unggul dengan tingkat akurasi sebesar 81,65%, presisi 82%, dan recall 81%. Di sisi lain, metode Certainty Factor hanya menghasilkan tingkat akurasi sebesar 51,37%. Rendahnya akurasi pada Certainty Factor dipengaruhi oleh kompleksitas kombinasi gejala yang memiliki nilai bobot keyakinan yang bervariasi. Kesimpulan dari penelitian ini menunjukkan bahwa metode Naïve Bayes lebih efektif dan akurat dalam mengklasifikasikan gejala awal PCOS dibandingkan dengan Certainty Factor pada dataset yang digunakan. Implementasi perangkat lunak dilakukan dengan bantuan library Scikit-Learn untuk memastikan akurasi perhitungan metode klasifikasi.

Kata kunci: PCOS, Naïve Bayes, Certainty Factor, Analisis Kinerja, Sistem Pakar