Metode seperti Multinomial Naïve Bayes (MNB), Logistic Regression (LR), Decision Tree (DT), dan K-Nearest Neighbors (KNN) merupakan algoritma yang umum digunakan dalam analisis sentimen karena kemampuannya dalam memproses data teks. Namun, algoritma tunggal memiliki keterbatasan dalam mencapai akurasi yang optimal, terutama ketika dihadapkan pada data yang heterogen dan kompleks. Penelitian ini mengevaluasi efektivitas metode ensemble learning, khususnya Majority Voting Classifier, dalam meningkatkan performa analisis sentimen terhadap komentar Janji Jiwa di Twitter. Twitter dipilih karena menyediakan API publik yang memungkinkan pengambilan data secara fleksibel dan real-time, serta merepresentasikan opini publik yang luas. Alur penelitian ini menggunakan framework SEMMA dengan bahasa pemrograman Python. Model dibangun menggunakan teknik Term Frequency-Inverse Document Frequency (TF-IDF) sebagai representasi teks. Hasil pengujian menunjukkan bahwa Ensemble Majority Voting meningkatkan akurasi model hingga 93%, dengan AUC sebesar 98%, dan Log Loss 0,247, yang mengindikasikan kemampuan tinggi dalam membedakan sentimen positif dan negatif. Logistic Regression dan Multinomial Naïve Bayes memberikan performa terbaik di antara algoritma tunggal, sementara Decision Tree dan KNN menunjukkan hasil yang lebih rendah. Hasil ini menunjukkan bahwa metode Ensemble Majority Voting dapat meningkatkan performa analisis sentimen, menghasilkan model yang lebih akurat dan stabil terhadap variasi data sosial media. Penelitian ini menghasilkan rekomendasi yang menunjukkan bahwa kombinasi algoritma LR dan MNB serta mempertimbangkan penambahan RF dan SVM dalam ensemble, bersama dengan penggunaan TF-IDF yang dikombinasikan dengan Topic Modeling LDA, berpotensi meningkatkan akurasi.
Kata kunci: Analisis sentimen, majority voting, SEMMA, twitter, ulasan.