Penyebaran rumor yang dari mulut ke mulut semakin pesat dengan adanya media sosial seperti Twitter. Dalam kehidupan sehari-hari, banyak peristiwa yang terjadi dan memunculkan berbagai macam informasi yang juga merupakan rumor. Rumor dapat menimbulkan ketakutan hingga menggiring opini publik akan peristiwa bersangkutan. Identifikasi kemungkinan penyebar rumor sangat berguna untuk mencegah perluasan penyebaran rumor. Ekstraksi fitur dapat dilakukan untuk memperluas fitur set yang terdiri dari fitur percakapan berupa jaringan sosial yang terbentuk dari reply user, fitur pengguna seperti following, tweets count, verified, dan lain-lain, dan fitur tweet dengan analisis teks seperti tanda baca dan nilai sentimen. Fitur tersebut menjadi instance yang digunakan untuk klasifikasi. Penelitian ini bertujuan untuk mengidentifikasi kemungkinan penyebar rumor pada Twitter dengan model klasifikasi SVM. Algoritma klasifikasi instances-based ini baik digunakan untuk klasifikasi linear dan non-linear. Pada klasifikasi nonlinear digunakan penambahan kernel seperti linear, RBF, dan sigmoid. Penelitian berfokus mendapatkan model terbaik dengan nilai performansi yang tinggi dari semua model dan fungsi kernel yang telah didefinisikan. Didapatkan bahwa model klasifikasi SVM dengan kernel RBF memiliki hasil nilai performansi yang tinggi secara keseluruhan untuk tiap kombinasi data dengan perbandingan jumlah data 1:9 serta 1:2. Model tersebut memberikan hasil akurasi dengan rata-rata sebesar 97,02%. Dengan persebaran data yang luas model klasifikasi SVM dengan kernel RBF mampu memetakan data dengan baik.