Platform media sosial seperti Twitter memudahkan para pengguna untuk berbagi dan menerima informasi penting selama bencana dan keadaan darurat. Informasi dari saksi mata dapat berguna bagi lembaga penegak hukum dan organisasi kemanusiaan. Pesan bencana di Twitter juga dapat digunakan sebagai informasi yang digunakan untuk mengetahui situasi yang sedang berlangsung. Pada beberapa riset yang telah dilakukan oleh peneliti, tweet bencana gempa dibagi menjadi tiga kategori yaitu eyewitness, non-eyewitness, dan don’t know. Sedangkan ekstraksi fitur yang digunakan pada riset-riset tersebut adalah bag-of-words yang menghasilkan keluaran berupa data berdimensi tinggi. Tujuan penelitian ini adalah memanfaatkan ekstraksi fitur berbasis lexicon untuk menghasilkan data berdimensi rendah. Namun belum pernah ada pemanfaatan Lexicon Based untuk klasifikasi multiclass pada kasus klasifikasi pesan bencana alam. Fitur yang dihasilkan oleh Lexicon based jauh lebih sedikit yaitu 2-15 fitur. Penelitian ini dibagi menjadi dua tahap, yaitu tahap pertama dilakukan tanpa penggabungan kamus Lexicon dan tahap kedua dilakukan dengan menggabungkan kamus Lexicon. Akurasi tertinggi dihasilkan oleh kombinasi Barasa SentiwordNet, Bing Liu, NRC, AFINN, dan Lexicon Heeryon Cho menggunakan klasifikasi Support Vector Machine dengan akurasi sebesar 64,13% dengan jumlah fitur sebanyak 15 fitur.

Kata kunci: Lexicon based, Support Vector Machine, Klasifikasi, Text Mining, Twitter, Bencana Alam