Twitter adalah salah satu media social, yang mempunyai pengguna sangat banyak, dengan banyaknya pengguna, tweet yang dihasilkan Twitter setiap harinya sangatlah banyak, dan dapat dikelompokan menjadi trending topic yang menggambarkan berita yang sedang hangat dibicarakan pada saat ini. Namun terdapat masalah karena masih banyak tweet yang menggunakan hashtag tentang kejadian yang hangat dengan isi tweet yang berbeda dari hashtag yang dimaksudkan, sehingga membuat pengguna harus membaca satu persatu isi dari setiap tweet. Penelitian ini bertujuan untuk mengatasi masalah dengan membagi berbagai kategori pada trending topic yang ada pada Twitter. Penelitian ini dilakukan dengan menggunakan metode klasifikasi Support Vector Machine (SVM) dengan menambahkan metode pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Dari hasil percobaan didapatkan akurasi tertinggi sebesar 81.4% dengan menggunakan skenario dataset dan ratio 90:10, dan didapatkan akurasi tertinggi sebesar 81.47% pada ratio 90:10, dengan skenario n-gram pada bagian unigram + bigram + trigram.