Analisis sentimen bertujuan untuk mengidentifikasi opini pengguna terhadap produk atau layanan berdasarkan ulasan yang mereka berikan. Penelitian ini menganalisis sentimen ulasan permainan pada platform Steam menggunakan dua metode klasifikasi, yaitu Support Vector Machine (SVM) dan Decision Tree (DT), dengan dataset berisi 1000 ulasan yang terdiri dari 592 ulasan positif dan 408 ulasan negatif. Ekstraksi fitur dilakukan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) unigram dan bigram, dan evaluasi performa dilakukan dengan hyperparameter tuning. Hasil penelitian menunjukkan bahwa SVM dengan TF-IDF unigram dan kernel linear memberikan performa terbaik dengan F1-Score sebesar 0,7513, sedangkan SVM dengan TF-IDF bigram mencapai F1-Score terbaik sebesar 0,6702. Sementara itu, Decision Tree dengan TF-IDF unigram mencapai F1-Score sebesar 0,6242, sedangkan dengan TF-IDF bigram hanya mencapai F1-Score 0,6073. Hal ini menunjukkan bahwa SVM lebih unggul dalam klasifikasi sentimen pada dataset ulasan permainan Steam, terutama saat menggunakan ekstraksi TF-IDF unigram. Penelitian ini diharapkan dapat membantu pengembang permainan dalam memahami respons pengguna dan meningkatkan kualitas permainan yang ditawarkan.