Penelitian ini menerapkan metode Naïve Bayes dan pendekatan berbasis leksikon untuk menganalisis sentimen publik di Twitter terkait legalisasi ganja medis. Ganja (Cannabis) mengandung ?9-tetrahydrocannabinol (THC) dan cannabidiol (CBD), namun masih diklasifikasikan sebagai Narkotika Golongan I di Indonesia sehingga memicu kontroversi seputar potensi medisnya. Penelitian ini mengisi kesenjangan kajian yang secara khusus menelaah opini masyarakat mengenai legalisasi ganja medis. Hasil analisis menunjukkan bahwa model Naïve Bayes berbasis leksikon memiliki akurasi 62,72%. Meskipun kelas negatif mencapai nilai recall 100%, hal ini menggambarkan kecenderungan model untuk mengklasifikasikan lebih banyak data sebagai negatif. Kelas positif mencatat presisi 100% namun hanya memperoleh recall 4%, sehingga banyak data positif yang salah diklasifikasikan. Kelas netral juga memiliki F1-score yang rendah (4%), mengindikasikan kelemahan dalam mendeteksi sentimen netral secara akurat. Temuan ini menggarisbawahi perlunya pengembangan teknik pemrosesan bahasa alami yang lebih komprehensif untuk membedakan berbagai sentimen. Secara keseluruhan, penelitian ini diharapkan menjadi landasan bagi peningkatan model analisis sentimen, serta menyediakan informasi bagi para pembuat kebijakan dan pemangku kepentingan dalam memahami dinamika opini publik tentang legalisasi ganja medis.
Kata Kunci: Ganja, Klasifikasi, Lexicon Based, Medis, Naïve Bayes Classifier