Maraknya berbagai e-commerce menjadikan calon pembeli semakin selektif sehingga bergantung pada review yang ditinggalkan oleh pembeli sebelumnya untuk menentukan keputusan membeli suatu produk. Banyaknya review, baik itu yang bersifat positif atau negatif, sangat mempengaruhi sisi mana yang dapat dipercaya. Jika review yang dibaca tidak nyata atau disebut fake review maka akan merugikan baik sisi penjual ataupun sisi pembeli. Untuk itu, perlu dilakukan analisis untuk mendeteksi fake review pada kumpulan review produk. Penelitian ini dilakukan dengan pendekatan lima kelas feature yaitu sentiment feature, personal feature, brand-only feature, content feature, dan metadata feature dengan menggunakan metode klasifikasi Support Vector Machine. Pada penelitian ini dibandingkan antara SentiwordNet dan SenticNet untuk mendapatkan ekstraksi sentiment mana yang lebih baik. Pada penelitian ini juga dilakukan pemilihan dan penggabungan feature, serta tuning parameter dan jenis kernel pada SVM apakah akan memengaruhi sistem. Hasil terbaik diperoleh akurasi sebesar 74,46%. Dari hasil penelitian ini diperoleh bahwa SenticNet lebih baik daripada SentiwordNet, kemudian tuning parameter serta pemilihan jenis kernel pada SVM bisa mendapatkan hasil yang optimal, serta penggunaan sentiment feature sangat mempengaruhi sistem untuk deteksi fake review.