Penelitian ini bertujuan membandingkan performa dua algoritma klasifikasi teks, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam analisis sentimen ulasan pembelian produk elektronik pada platform e-commerce. Data dikumpulkan dari media sosial X menggunakan teknik crawling, dengan fokus pada ulasan pembelian produk elektronik di Shopee, Tokopedia, dan Lazada selama Januari 2023 – Desember 2024. Analisis dilakukan melalui tahapan preprocessing seperti translasi, pelabelan, pembersihan teks, normalisasi, tokenisasi, dan ekstraksi fitur menggunakan metode TF-IDF. Sentimen diklasifikasikan ke dalam tiga kategori: positif, negatif, dan netral. Hasil evaluasi menunjukkan bahwa Naïve Bayes memperoleh akurasi 84% dengan performa terbaik pada kelas netral (precision 0,91), sedangkan SVM mencatatkan akurasi lebih tinggi, yaitu 88%, dengan precision sempurna (1,00) pada kelas negatif dan recall tinggi (0,98) pada kelas netral. Keunggulan SVM dipengaruhi oleh kemampuannya membentuk hyperplane optimal dan menangani data berdimensi tinggi. Sebaliknya, asumsi independensi fitur pada Naïve Bayes menjadi kelemahan saat menangani korelasi antar kata dalam ulasan. Temuan ini menunjukkan bahwa pemilihan algoritma harus disesuaikan dengan karakteristik data. SVM lebih direkomendasikan untuk data ulasan yang kompleks dan tidak terstruktur, sementara Naïve Bayes tetap relevan untuk pendekatan cepat dengan sumber daya terbatas. Model ini berpotensi diterapkan dalam sistem nyata seperti monitoring opini pelanggan dan analisis sentimen otomatis berbasis data sosial.