Informasi adalah salah satu hal yang penting untuk didapatkan oleh manusia. Perkembangan teknologi yang pesat ini membuat proses pencarian informasi menjadi semakin mudah untuk didapatkan. Media sosial adalah salah satu media yang memudahkan untuk mendapatkan informasi untuk saat ini. Oleh karena itu media sosial saat ini sudah tidak dapat dipisahkan dengan kehidupan sehari - hari manusia. Hal tersebut membuat pengguna media sosial akan sangat cepat mendapatkan informasi yang tersebar sangat luas di internet. Twitter adalah platform media sosial yang berbasis computer-mediated untuk komunikasi secara online. Media sosial Twitter memiliki sekitar 1,3 miliar akun dan ada sekitar 336 juta pengguna aktif yang memposting sekitar 500 juta tweets per hari. Dengan menggunakan metode klasifikasi k-Nearest Neighbor penulis membuat analisis mengenai klasifikasi tweets pada Twitter ke dalam kelompok argumen atau non-argumen. Alasan dipilihnya metode k-Nearest Neighbors karena metode k-NN tidak memerlukan parameter yang terlalu spesifik. Parameter yang digunakan adalah bukan parameter pasti, melainkan dari banyaknya jumlah data latih. Penelitian ini menggunakan 12 skema pengujian dengan dikombinasikan dengan penggunaan feature extraction TF-IDF dan Bag of Words serta distance measure pada k-NN yaitu Euclidean, Manhattan, dan Minkowski. Model terbaik yang didapatkan pada penelitian ini adalah skema yang menggunakan feature extraction TF-IDF serta distance measure menggunakan Euclidean dengan nilai n = 3 (tiga), lalu skema menggunakan feature extraction TF-IDF serta distance measure menggunakan Manhattan dengan nilai n = 3 (tiga), dan terakhir yaitu skema menggunakan feature extraction TF-IDF serta distance measure menggunakan Manhattan dengan nilai n = 4 (empat). Hasil dari ketiga skema tersebut didapatkan nilai akurasi dengan nilai 91,5 %, precision dengan nilai 85,7 %, recall dengan nilai 27,3 %, dan terakhir F1-Score dengan nilai 41,4 %.