Penggunaan metode Naïve Bayes saja pada klasifikasi bedah toraks seringkali tidak memberikan hasil yang optimal sehubungan dengan kompleksitas dataset dan banyaknya atribut yang harus dipertimbangkan. Sehingga diperlukan suatu metode klasifikasi tambahan yang dapat meningkatkan akurasi dan efisiensi proses klasifikasi. Oleh karena itu, penelitian ini bertujuan untuk menganalisis perbandingan akurasi dari semua model penelitian dengan menggunakan Naïve Bayes dengan dan tanpa menggunakan Particle Swarm Optimization. Metode penelitian ini meliputi dataset yang digunakan, teori algoritma Naive Bayes, algoritma Particle Swarm Optimization, validasi pengujian menggunakan split validation, dan penilaian kinerja menggunakan confusion matrix dan pendekatan evaluasi AUC. Dalam penelitian ini, data sekunder diambil melalui situs web Repositori UCI. Akurasi pengoptimalan bobot atribut pada bedah toraks ditingkatkan menggunakan teknik PSO. Adapun sampel dalam penelitian yaitu 470 data, 70 data sampel untuk kelas yang meninggal dalam waktu satu tahun dan 400 data sampel untuk kelas yang bertahan hidup. Hasil pengujian teknik Naive Bayes dengan memanfaatkan dataset bedah toraks menunjukkan akurasi tertinggi sebesar 81,91% dengan rasio 80:20 dan nilai AUC sebesar 0,620. Skor akurasi tertinggi adalah 93,62% dengan nilai AUC sebesar 0,773 dengan perbandingan 90:10, dengan tiga karakteristik yaitu PRE6, PRE14, dan PRE17 berbobot nol. Skor akurasi ini dicapai saat Particle Swarm Optimization digunakan untuk menyempurnakan pemilihan fitur untuk pembobotan atribut. Oleh sebab itu, akurasi Naïve Bayes dalam dataset bedah toraks dapat meningkat dengan pembobotan atribut dalam pemilihan fitur menggunakan PSO. Oleh karena itu, penelitian ini berkontribusi untuk meningkatkan presisi dan efisiensi pemrosesan data bedah toraks, yang menguntungkan diagnosis kanker paru baik dalam akurasi.