<![CDATA[Abstract __ Twitter has become one of the platforms of the most popular micro-blogging recently. Millions of users can share their thoughts and opinions on various aspects, it is because twitter is considered as a rich source of information for decision making and sentiment analysis. In this case the sentiment aims to overcome the problem of classifying tweets automatically to the user becomes a positive opinion and a negative opinion. In this study, classifier Support Vector Machine (SVM) is a machine learning technique that text classifier popular research areas Text Mining. However Support Vector Machine (SVM) has a weakness in the right parameter selection problem. The trend in recent years is to simultaneously optimize the features and parameters to Support Vector Machine (SVM), so as to improve the accuracy of classification Support Vector Machine (SVM). Genetic algorithms have the potential to produce better features and become the optimal parameters at the same time. This Penelitiana generate text classification in the form of positive and negative tweets the account Starbuck. Accuracy of measurement is based on a Support Vector Machine (SVM) before and after using Genetic Algorithms. Evaluation is done by using a 10 fold cross vadilation while the measurement accuracy is measured by the confusion matrix and ROC curves. The results showed an increase in the accuracy of Support Vector Machine (SVM) from 69.32% to 97.97%. Intisari __ Twitter telah menjadi salah satu platform micro-blogging paling populer baru-baru ini. Jutaan pengguna dapat berbagi pikiran dan pendapat mereka tentang berbagai aspek, hal ini dikarenakan twitter dianggap sebagai sumber yang kaya informasi untuk pengambilan keputusan dan analisis sentimen. Dalam hal ini sentimen ini bertujuan untuk mengatasi masalah secara otomatis untuk mengelompokkan tweet pengguna menjadi pendapat positif dan pendapat negatif. Dalam penelitian ini, Mesin classifier Support Vector (SVM) adalah teknik pembelajaran mesin yang pengklasifikasi teks populer untuk bidang penelitian Teks Mining. Namun Support Vector Machine (SVM) memiliki kelemahan dalam masalah pemilihan parameter yang tepat. Kecenderungan dalam beberapa tahun terakhir adalah untuk secara bersamaan mengoptimalkan fitur dan parameter untuk Support Vector Machine (SVM), sehingga dapat meningkatkan akurasi klasifikasi Support Vector Machine (SVM). Algoritma Genetika memiliki potensi untuk menghasilkan fitur yang lebih baik dan menjadi parameter optimal pada waktu yang sama. Penelitiana ini menghasilkan klasifikasi teks dalam bentuk tweet positif dan negatif pada akun Starbuck. Akurasi pengukuran didasarkan pada Support Vector Machine (SVM) sebelum dan sesudah menggunakan Algoritma Genetika. Evaluasi dilakukan dengan menggunakan 10  fold cross vadilation sementara akurasi pengukuran diukur dengan confusion matrix dan kurva ROC. Hasil penelitian menunjukkan peningkatan akurasi Support Vector Machine (SVM) dari 69.32% menjadi 97.97%. Kata kunci: Analisis Sentimen, Twitter, Support Vector Machine (SVM), Klasifikasi Teks.]]>
