ABSTRAKSI: Internet atau interconnected network adalah sebuah sistem komunikasi global yang menghubungkan komputer-komputer dan jaringan komputer di seluruh dunia dan merupakan sebuah teknologi yang berkembang sangat pesat. Banyak sekali manfaat dan kegunaan yang didapat dari internet dan contohnya adalah untuk media sosial maupun media bisnis. Twitter adalah salah satu media sosial yang terkenal di dunia maya. Penggunaan twitter meluas ke dalam berbagai bidang dalam masyarakat. Banyak orang maupun golongan memanfaatkan twitter sebagai sebuah sarana untuk berbisnis, untuk customer relationship, maupun untuk kegiatan lainnya. Oleh karena itu, sebagian besar data tweet yang ada pada twitter tersebut berupa kalimat opini. Masalahnya adalah dengan semakin meluasnya penggunaan twitter untuk tujuan tersebut, maka dibutuhkan sebuah cara untuk menganalisis kalimat-kalimat opini secara efektif dan efisien atau biasa disebut dengan sentiment analysis pada twiter tersebut. Dalam Tugas Akhir ini penulis menggunakan metode Dictionary Based Approach dan Support Vector Machine untuk menyelesaikan permasalahan yang ada dengan mengklasifikasikan tweet-tweet yang berupa kalimat opini pada twitter dengan menggunakan kedua metode tersebut. Namun demikian, kehandalan Dictionary Based Approach dan Support Vector Machine dalam melakukan analisis sentiment bergantung pada banyak faktor. Beberapa faktor diantaranya adalah pengaruh stemming pada proses preprocessing terhadap kedua metode, parameter C pada metode Support Vector Machine, dan pengaruh komposisi data pada data latih untuk metode Support Vector Machine. Hasil evaluasi eksperimental yang telah dilakukan menunjukan bahwa metode Dictionary Based Approach dan Support Vector Machine mampu menyelesaikan permasalahan sentimet analysis. Hasil evaluasi eksperimental juga menunjukan bahwa proses stemming dan komposisi data pada data latih dapat mempengaruhi hasil klasifikasi sentiment, sedangkan nilai parameter C tidak dapat mempengaruhi hasil klasifikasi secara signifikan.Kata Kunci : Twitter, Sentiment Analysis, Dictionary Based Approach, Support Vector Machine, Stemming, Parameter C, Komposisi Data, PerformansiABSTRACT: Internet or interconnected network is a global communications system taht links computers and computer networks worldwide and it is a technology that is growing very fast. There are so many benefits and uses can be obtained from the internet and the examples are for social media and business media. Twitter is one of the famous social networking in cyberspace. The use of twitter extends into the various fields in society. Many individuals or groups make use of twitter as a means to do business, customer relationship, and for other activities. Therefore, most of the existing data tweet on twitter is an opinion sentence. The problem is with the increasingly widespread use of twitter for that purpose, it needed a way to analyze the opinion sentences effectively and efficiently or commonly known as sentiment analysis on twiter. In this Final Assignment, writer use Dictionary Based Approach and Support Vector Machine method to solve existing problems by classifying opinion sentence tweets on twitter by using both methods. However, the reliability of Dictionary Based Approach and Support Vector Machine in sentiment analysis depends on many factors. Several factors including the effect of stemming on the preprocessing of both methods, the C parameter on the Support Vector Machine method, and the influence of data distribution of the training data for the Support Vector Machine method. The result of experimental evaluation that has been done, shows that the Dictionary Based Approach and Support Vector Machine method is able to solve the sentiment analysis problmes. The result of experimental evaluation also shows tahat the stemming process and the distribution of data in data trainning can affect the outcome of sentiment classification, while the value of C parameter can’t affect the outcome of sentiment classification significantly.Keyword: Twitter, Sentiment Analysis, Dictionary Based Approach, Support Vector Machine, Stemming, C Parameter, Data Composition, Performance