Media sosial telah menjadi sumber utama opini publik yang sangat dinamis, terutama dalam komunitas pemain gim seperti Genshin Impact. Karakter populer seperti Furina memicu berbagai reaksi dari pengguna di platform X / Twitter, sehingga penting untuk menganalisis sentimen pengguna terhadap karakter tersebut. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Long Short-Term Memory (LSTM), dalam melakukan analisis sentimen terhadap tweet tentang karakter Furina. Data yang digunakan terdiri dari 1800 tweet yang telah melalui tahapan preprocessing meliputi cleansing, case folding, formalisasi, stemming, stopword removal, serta pembobotan menggunakan TF-IDF dan ekstraksi fitur Uni-gram. Data dibagi secara seimbang ke dalam tiga kelas: netral, positif, dan negatif. Hasil pengujian menunjukkan bahwa model KNN dengan parameter terbaik memperoleh akurasi sebesar 45,8%, recall 45,8%, presisi 52,1% dan f1-score 42,5%, sedangkan LSTM (epoch 200, batch size 64) menghasilkan akurasi sebesar 42,2%, recall 42,2%, presisi 40,1%, dan f1-score 38,9%. Dengan demikian, meskipun LSTM memiliki keunggulan dalam memahami konteks sekuensial data, dalam kasus ini KNN menunjukkan performa lebih stabil dan akurat untuk klasifikasi sentimen tweet tentang karakter Furina yang telah dibobotkan menggunakan TF-IDF