Proses pengecekan dokumen Project Assignment pada PT PLN (Persero) UPDL Jakarta masih dilakukan dengan cara membaca dokumen Project Assignment yang memungkinkan adanya human error dalam pengecekannya. Untuk mengurangi kesalahan pengecekan kemiripan dokumen Project Assignment dapat diterapkan menggunakan algoritma Winnowing. Tetapi dalam
implementasiannya, Project Assignment yang diuji akan dicek kemiripannya terhadap seluruh dokumen yang ada dalam basis data, sehingga akan memiliki waktu proses yang lama dalam memprosesnya. Untuk mengurangi waktu proses yang berlebihan dari algoritma Winnowing dalam penulisan ini menerapkan
algoritma naïve bayes untuk mengklasifikasikan dokumen Project Assignment yang akan diuji kemiripannya, sehingga akan mengurangi waktu proses winnowing karena proses pengecekan kemiripan hanya akan dilakukan terhadap
dokumen-dokumen dengan label yang sama dengan dokumen uji. Klasifikasi yang dihasilkan dari algoritma Naïve Bayes ini terbagi menjadi lima kelas topik yaitu distribusi, niaga, pembangkit, penunjang dan transmisi. Data yang
digunakan berupa dokumen Project Assignment dengan jumlah data latih sebanyak 20 dokumen dan data uji sebanyak 10 dokumen. Implementasi algoritma klasifikasi dapat mengurangi waktu proses Winnowing hingga tujuh kali lebih cepat dibandingkan tanpa menerapkan algoritma klasifikasi. Dalam
penelitian ini, pemodelan klasifikasi dengan menggunakan Naïve Bayes diperoleh hasil akurasi sebesar 70%.

Project Assignment document checking process in PT PLN (Persero) UPDL Jakarta is processed by reading the Project Assignment document which can cause human error. For reducing Project Assignment document similarity checking error, it can be used Winnowing Algorithm. But, in its implementation, the Project Assignment document will be checked to all documents in the database, so it will take more time to process it. In this research, for reducing the
time process of Winnowing Algorithm, it will be used Naive Bayes Algorithm for classifying Project Assignment document that will be tested for its similarity measurement so it will reduce the time process of Winnowing Algorithm because
the similarity measurement will only be done on documents with the same label with the test documents. The results of classification from Naïve Bayes algorithm divided into five class of topics, such as distribution, commerce, power plant, support and transmission. The data used are Project Assignment documents with 20 of training documents and 10 of test documents. The implementation of classification can reduce the time process of Winnowing algorithm up to seven
time faster than without applying the classification algorithm. In this research, the result of classification modelling by using Naive Bayes algorithm is 70% accuracy