Abstrak: perkembangan teknologi digital telah mendorong meningkatnya jumlah ulasan film yang dipublikasikan melalui internet, sehingga internet menjadi sumber data esensial dalam memahami opini publik. Penelitian ini memiliki tujuan agar dapat melakukan klasifikasi sentimen pada ulasan film dari dataset IMDb ke dalam dua kategori, yakni positif serta negatif, dengan memanfaatkan algoritma Support Vector Machine (SVM). Sebanyak 50.000 data ulasan dipakai dalam penelitian ini, dan jumlah antara ulasan positif dan negatif dibuat seimbang. Proses penelitian dimulai dari tahapan prapemrosesan data yang mencakup case folding, tokenization, stopword removal, serta stemming agar teks menjadi lebih bersih serta siap dianalisis. Berikutnya, dilaksanakan proses ekstraksi fitur dengan memakai metode TF-IDF dalam dua skema, yakni unigram dan bigram. Model klasifikasi kemudian dibangun menggunakan dua jenis kernel SVM, yaitu kernel linear dan kernel sigmoid, serta dievaluasi dengan memakai metrik akurasi, precision, recall, sekaligus F1-score. Berdasarkan hasil pengujian, kernel sigmoid memperlihatkan performa yang lebih baik dengan akurasi sebesar 86% serta F1-score sebesar 86,12%. Selain itu, skema TF-IDF bigram menghasilkan nilai F1-score yang lebih tinggi dibandingkan unigram. Hasil ini menegaskan bahwa kombinasi kernel sigmoid dan TF-IDF bigram merupakan konfigurasi paling optimal dalam melakukan analisis sentimen terhadap ulasan film.
Kata kunci : Analisis Sentimen, Ulasan Film, Support Vector Machine, TF-IDF, IMDb