Tahun politik untuk di tahun 2024 kini telah semakin menjamu bagi segenap masyarakat Indonesia untuk melangsungkan pesta demokrasi. Berbagai partai politik menjadi serba-serbi penuh dramatis dalam mengemukakan atas koalisinya dan mendeklarasikan keberpihakannya terhadap beberapa capres yang telah diketahui oleh segenap masyarakat. Elektabilitas setiap calon presiden yang ditetapkan semakin menarik dan hangat diperbincangkan yang kerap kali membuat siapa saja menjadi berkiprah untuk menyuarakan keberpihakan antara pro maupun kontra. Salah satu di antaranya ialah Ganjar Pranowo yang merupakan tokoh politik Gubernur Jawa Tengah yang akhir-akhir ini di pertengahan tahun 2023 telah diusung oleh salah satu partai politik untuknya maju ke kancah kursi kepala negara sebagai calon presiden untuk pemilihan di tahun 2024 mendatang. Dengan adanya berbagai polemik pendapat dari berbagai lapisan masyarakat, ini merupakan momentum tepat untuk melakukan analisis sebagai bentuk kebulatan polarisasi yang demikian tersuguhkan dari berbagai opini masyarakat sebagai gambaran secara umum dan garis besar dalam bersentimen berupa informasi atas kesimpulan opini publik. Tahapan pada penelitian ini diawali dengan melakukan studi literatur dan mendalami studi terkait terhadap opini dan keberpihakan atas sentimen masyarakat terhadap elektabilitas Ganjar Pranowo sebagai calon presiden, dan kemudian melakukan pengumpulan data opini dari twitter terhadap elektabilitas Ganjar Pranowo. Pada tahap eksperimen, penulis melakukan pembagian data dengan persentase 80% data training dan 20% data testing. Pemodelan yang digunakan ialah K-Nearest Neighbor (KNN) dan Naïve Bayes untuk mengklasifikasikan data teks sekaligus melakukan perbandingan atas keduanya. Dalam proses implementasinya, penulis menggunakan python sebagai bahasa pemrograman dalam membangun model tersebut. Confusion Matrix digunakan setiap evaluasi performa terkait akurasi model pada masing-masing algoritma. Hasil penelitian menunjukkan bahwa pembagia data training dan data testing dan nilai k pada pemodelan K-Nearest Neighbor (KNN) sangat memengaruhi terhadap akurasi pemodelan. Dari hasil pengujian atas perbandingan dari kedua pemodelan tersebut, pemodelan K-Nearest Neighbor yang paling baik akurasinya dengan nilai accuracy sebesar 99% dari K-Nearest Neighbor dengan nilai accuracy sebesar 96%. Persentase sentiment dengan perbandingan 96,6% sentimen positif dan 3,4% sentimen negatif menyimpulkan bahwa sebagian besar masyarakat masih mendominasi sentimen positif.