Penikmat film di era saat ini semakin meningkat. Oleh karena itu, review film juga dapat dimanfaatkan atau digunakan oleh penikmat film untuk memutuskan film apa yang mau ditonton. Untuk itu analisis sentimen mengenai ulasan film sangat menarik untuk dijadikan obyek penelitian. Proses pelabelan manual yang dilakukan oleh manusia memang menghasilkan hasil yang akurat. Namun, diperlukan data berlabel dalam berjumlah besar untuk pelatihan model yang bagus. Oleh karena itu, perlunya pelabelan otomatis yang dapat mengkategorikan review film berbahasa Inggris ke dalam dua kategori sentimen yaitu positif dan negatif menggunakan metode Support Vector Machines. Akurasi terbaik yang didapat dari pengujian ini yaitu 88 pada kernel RBF dan Polynomial dengan menggunakan nilai C sebesar 1. Selain itu, penambahan dataset juga mempengaruhi tingkat akurasi. Terlihat dari pengujian satu yang awalnya menggunakan 2400 data train kernel polynomial dan RBF yang mendapat akurasi di atas 82%. Ketika menggunakan 3000 data yaitu 2400 data train sebelumnya dengan ditambah 600 data test yang sudah dilabelkan, akurasi menjadi meningkat signifikan.