Metode ekstraksi fitur yang umum digunakan untuk analisis sentimen yaitu pembobotan kata TF-IDF. Namun, metode TF-IDF memiliki kekurangan dalam menentukan pembobotan untuk analisis sentimen karena tidak dapat memberikan bobot yang berbeda terhadap kata(term) positif maupun negatif. Delta TF-IDF merupakan metode pembobotan hasil improvisasi metode TF-IDF yang dapat memberikan bobot berbeda terhadap kata positif dan negatif, karena metode ini memberi bobot kata bedasarkan keberadaan kata pada korpus yang telah dilabeli positif dan negatif. Pada penelitian ini dilakukan pembuatan sistem analisis sentimen dengan pembobotan menggunakan Delta TF-IDF,metode pembobotan tersebut dibandingkan performansinya dengan pembobotan TF-IDF, SVM linier digunakan sebagai algoritma classifier untuk sistem analisis sentimen pada penelitian ini. Parameter performansi yang dianalisis pada penelitian ini yaitu Precision, Recall, dan F1score. Sistem dengan pembobotan Delta TF-IDF memiliki nilai F1score 80% sedangkan yang menggunakan TF-IDF sebesar 78%. Dapat disimpulkan bahwa pembobotan Delta TF-IDF memiliki performansi yang lebih baik dibanding pembobotan TF-IDF untuk sistem analisis sentimen. Pada penelitian ini juga dilakukan analisis korelasi antara penggunaan jumlah dataset terhadap performansi sistem, korelasi di hitung dengan menggunakan korelasi pearson, kedua sistem tersebut memiliki nilai korelasi dataset antara F1Score di atas 0,80, yang artinya korelasinya positif dan kuat sehingga dapat disimpulkan, bahwa semakin banyak dataset yang digunakan performansi sistem akan meningkat. Penelitian ini juga telah mengindetifikasi kelemahan yang dapat terjadi pada metode Delta TF-IDF.