Analisis sentimen menjadi salah satu metode penting dalam memahami persepsi konsumen terhadap produk, khususnya dalam platform e-commerce seperti Tokopedia. Penelitian ini membandingkan dua pendekatan populer dalam klasifikasi sentimen, yaitu Naive Bayes dan LSTM (Long Short-Term Memory), dengan fokus pada ulasan konsumen terhadap produk knalpot lokal. Data dikumpulkan dari ulasan pengguna di Tokopedia, kemudian diproses melalui tahapan prapemrosesan teks, seperti tokenisasi, stopword removal, dan stemming. Model Naive Bayes dan LSTM (Long Short-Term Memory) dibangun dan dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa LSTM (Long Short-Term Memory) memiliki performa yang lebih unggul dalam mengklasifikasikan sentimen secara akurat dibandingkan Naive Bayes, meskipun membutuhkan sumber daya komputasi yang lebih besar. Temuan ini memberikan wawasan bagi pelaku usaha lokal dalam memanfaatkan teknologi kecerdasan buatan untuk memahami kebutuhan dan persepsi konsumen secara lebih mendalam. Kata kunci: analisis sentimen, Naive Bayes, LSTM, Long Short-Term Memory, ulasan konsumen, knalpot lokal, Tokopedia.