Dengan berkembangnya teknologi menyebabkan e-commerce semakin berkembang pesat. Startup e-commerce membangun toko online yang menjual berbagai macam kebutuhan seperti kosmetik, makanan, pakaian dan lain-lain. Ulasan produk menjadi salah satu hal yang perlu dipertimbangkan sebelum membeli suatu produk. Ulasan produk pun beraneka ragam, ada yang cenderung ke positif atau negatif. Ulasan produk berjumlah ratusan bahkan ribuan. Maka dari itu dibutuhkan waktu yang lama untuk membaca ulasan produk satu persatu secara manual. Untuk menyelesaikan masalah tersebut diusulkan klasifikasi sentimen untuk mengklasifikasikan ulasan produk kedalam kategori positif atau negatif menggunakan metode Multinomial Naïve Bayes yang efisien dalam komputasi. Untuk menghasilkan F1-Score terbaik, perbandingan tahap preprocessing dilakukan antara preprocessing menggunakan stemming, preprocessing menggunakan lemmatisasi dan preprocessing tanpa stemming dan lemmatisasi, setelah itu dilakukan perbandingan pada tahap seleksi fitur menggunakan Information Gain dan Query Expansion Ranking(QER). Hasil percobaan terbaik adalah model dengan preprocessing tanpa stemming dan lemmatisasi serta tanpa menggunakan seleksi fitur dan model dengan preprocessing tanpa stemming dan lemmatisasi serta menggunakan seleksi fitur Information Gain pada penggunaan 91% fitur dengan rata-rata F1-Score yang didapatkan adalah 93,38%.