Penulisan ini membahas pengaruh sentimen twitter terhadap mispricing pada perusahaan terdaftar di Indonesia periode tahun 2013-2017. Penulisan ini membandingkan beberapa metode yaitu Naïve Bayes, Support Vector Machine, dan Decision Tree untuk mendapatkan metode klasifikasi sentimen dengan akurasi tertinggi. Hasil yang didapat menunjukkan tingkat akurasi Decision Tree paling tinggi dibandingkan metode lainnya. Pengukuran mispricing menggunakan metode skoring dari Stambaugh, Yu dan Yuan (2012)untuk 9 anomali dengan strategi long/short. Hasil menunjukkan bahwa sentimen berpengaruh rendah dan signifikan terhadap returns saham di Indonesia. Strategi long-leg lebih menguntungkan ketika sentimen rendah atau negatif, dan strategi short-leg lebih menguntungkan ketika sentimen rendah atau positif.

This paper examines the impact of twitter sentiment on mispricing in Indonesia listed firms over period 2013-2017. This study also compares machine learning methods for sentiment classification based on Na ve Bayes, Support Vector Machine and Decision Tree algorithm. The results show that Decision Tree has the highest accuracy than other methods. To measure mispricing, we use mispricing score method from Stambaugh, Yu and Yuan (2012)associated with 9 long/short anomalies. The results of this studies show that sentiment exhibits low and significant relation to returns on the long/short strategies. The long-leg strategy is more profitable following low sentiments or negative sentiments. The short-leg strategy is more profitable following low sentiments or positive sentiments.