Opini orang lain terhadap suatu movie review di media sangat penting dalam membuat suatu keputusan. Untuk mengetahui opini seseorang terhadap suatu movie review di media diperlukan sistem yang dapat mempermudah dalam mengetahui opini seseorang. Klasifikasi sentimen dapat membantu dalam membangun sistem untuk mengetahui opini seseorang terhadap movie review. Dataset yang digunakan dalam proses klasifikasi sentimen ini adalah Internet Movie Database (IMDb). Namun yang menjadi permasalahan dalam mengetahui polaritas suatu opini dalam proses klasifikasi sentimen pada dataset movie review adalah adannya data yang tidak terstuktur, atribut data yang begitu banyak serta adannya negasi yang menyebabkan polaritas suatu kata akan berbeda pada konteks teks yang berbeda. Degan permasalahan tersebut maka proses klasifikasi pada dataset tersebut akan di klasifikasikan ke dalam dua kelas polaritas yaitu positif dan negatif. Metode klasifikasi yang digunakan adalah dengan menggunakan metode multinomial naïve bayes. Untuk meningkatkan nilai akurasi metode multinomial naïve bayes dilakukan dengan memecahkan masalah diatas. Dalam memecahkan permasalahan tersebut yang dilakukan adalah pertama, akan dilakukan proses preprocessing untuk menangani data noisy. Kedua, dilakukan penanganan negasi, adapun lingkup permasalah negasi yang akan dilakukan adalah negasi dengan kata “not”, “n’t”, “no”. Ketiga, dilakukan penghitungan bobot setiap kata dengan menggunakan TF-IDF. Berdasarkan hasil pengujian yang telah dilakukan diperoleh nilai akurasi terbesar 85,16%. Hal tersebut dikarenakan multinomial naïve bayes dengan negation handling berdasarkan punctuation, preprocessing dan TF-IDF dapat meningkatkan nilai akurasi terhadap metode multinomial naïve bayes.
Kata Kunci: Multinomial Naïve Bayes, TF-IDF, Preprocessing, Negasi