Penelitian ini menerapkan Correlation-Based Feature Selection dengan CNK (Combination Of Naïve Bayes Classifier And K-Nearest Neighbor) untuk memprediksi resiko penyakit Hepatitis. CNK merupakan metode gabungan Naive Bayes dan K-Nearest Neighbor untuk melakukan klasifikasi dataset yang berisi atribut kategorikal dan numerik. Ten-Fold Cross Validation digunakan pada penelitian ini untuk membagi data training dan data testing. Kinerja klasifikasi terbaik CFS dengan CNK yakni akurasi sebesar 0,8129; sensitivitas sebesar 0,8699; spesifisitas sebesar 0,5938; dan AUC sebesar 0,7318 pada k = 4. CFS ternyata mengurangi kinerja CNK pada dataset Hepatitis namun dapat ditingkatkan dengan menyeimbangkan data menggunakan SMOTE. Kinerja klasifikasi terbaik SMOTE, CFS, dan CNK yakni akurasi sebesar 0,8; sensitivitas sebesar 0,7967; spesifisitas sebesar 0,8125;  dan AUC sebesar 0,8046 pada k = 3. Klasifikasi SMOTE, CFS, dan CNK pada dataset Hepatitis dapat dikategorikan sebagai klasifikasi yang Bagus berdasarkan AUC.