Analisis sentimen ulasan produk sangat penting dalam memahami pandangan dan kepuasan pelanggan,terutama dalam konteks aplikasi e-commerce. Pasar menyediakan saluran tempat pengguna dapat mengirimkan ulasan tentang produk yang mereka beli. Namun, karena banyaknya ulasan di pasar, menganalisisnya tidak lagi layak dilakukan secara manual. Penelitian ini mengusulkan implementasi pembelajaran mesin untuk melakukan analisis sentimen pada ulasan produk. Dalam riset ini, dataset ulasan produk di marketplace Shopee digunakan untuk analisis sentimen dengan membandingkan ekstraksi fitur TF-IDF dan TF-RF menggunakan algoritma SVM dengan tahapan dataset, labeling, ekstraksi fitur dan hasil akurasi. Pentingnya perbandingan antara ekstraksi fitur TF-IDF dan TF-RF dalam penelitian ini terkait dengan perlunya mengevaluasi dan menentukan metode ekstraksi fitur mana yang paling efektif dalam meningkatkan akurasi analisis sentimen. TF-IDF dan TF-RF adalah dua metode yang umum digunakan dalam analisis teks, dan perbandingan kinerjanya dapat memberikan wawasan mendalam tentang efektivitas masing-masing dalam konteks analisis sentimen produk. Dengan demikian, melalui perbandingan ini, penelitian ini bertujuan untuk menentukan pendekatan terbaik yang dapat memberikan hasil dengan akurasi tertinggi, sehingga hasilnya dapat menjadi panduan untuk penelitian selanjutnya. Berdasarkan evaluasi, nilai akurasi tertinggi dicapai sebesar 92,87% dengan menggunakan pengklasifikasi TF-IDF dan SVM yang mengungguli penelitian sebelumnya.