Dengan semakin berkembangnya penggunaan media sosial sebagai sarana komunikasi publik, banyak opini, komentar, dan sentimen yang disampaikan secara terbuka. Namun, volume data yang besar serta penggunaan bahasa informal di platform ini menimbulkan kesulitan dalam memahami sentimen secara efektif. Dampak dari permasalahan ini adalah kurangnya pemahaman yang akurat tentang preferensi politik masyarakat, yang dapat memengaruhi strategi kampanye dan kebijakan publik. Oleh karena itu, diperlukan sebuah metode untuk mengklasifikasikan sentimen secara lebih efektif dari data yang tidak terstruktur. Untuk menyelesaikan masalah tersebut, penelitian ini menggunakan algoritma Naive Bayes Classifier untuk mengklasifikasikan sentimen tweet menjadi tiga kategori: positif, netral, dan negatif. Dengan menggunakan dataset yang terdiri dari 1.945 data hasil crawling dan melalui representasi teks menggunakan Bag of Words (BoW) serta TF-IDF, penelitian ini menunjukkan bahwa algoritma Naive Bayes berhasil mengklasifikasikan sentimen positif, netral, dan negatif secara efektif, terutama pada ulasan negatif dan netral. Model Naive Bayes dengan BoW terbukti memiliki akurasi keseluruhan sebesar 90,15%, dengan keseimbangan yang lebih baik antara precision dan recall dibandingkan model dengan TF-IDF.