Menonton film menjadi salah satu kegiatan yang dapat dilakukan untuk menghilangkan rasa jenuh, sehingga diperlukan adanya pencarian informasi mengenai film tersebut yang dikemas dalam bentuk review film untuk menentukan apakah film tersebut dapat dipertimbangkan untuk ditonton atau tidak. Namun, dalam pencarian informasi melalui review film, terdapat kendala karena terdapat banyaknya review yang dilakukan oleh reviewer. Oleh karena itu, diperlukan adanya analisis sentimen yang bertujuan untuk mengklasifikasikan review film tersebut ke dalam sentimen positif maupun negatif. Analisis sentimen dapat dilakukan dengan menggunakan metode klasifikasi machine learning yang dapat menghasilkan performansi terbaik yaitu Support Vector Machine (SVM). Hal tersebut yang mendasari dilakukannya analisis sentimen pada data review film menggunakan klasifikasi SVM. Penggunaan ekstraksi fitur Term Frequency – Inverse Document Frequencry (TF-IDF) juga dilakukan pada penelitian ini sebagai metode pembobotan kata yang kemudian dikombinasikan dengan ekstraksi fitur Latent Dirichlet Allocation (LDA) sebagai metode pemodelan topik yang dapat mengatasi kekurangan SVM. Penelitian ini menghasilkan performansi terbaik pada kombinasi TF-IDF dan LDA dengan 240 topik yang memiliki 29792 fitur yaitu sebesar 82.16%.