Dengan adanya media online, publik lebih dimudahkan dalam berbagi opini, salah satunya tentang film. Dalam opini, sering kali ditemukan negasi yang terdiri dari kata ‘tidak’, ‘bukan’, ‘belum’, dan ‘jangan’. Kata negasi memungkinkan terjadinya pembalikan makna dari positif menjadi negatif, sehingga berpotensi merubah value suatu review. Penelitian ini bertujuan untuk menganalisis pengaruh penanganan negasi pada klasifikasi sentimen dengan dataset yang diperoleh dari salah satu situs web review film berbahasa Indonesia. Penanganan negasi dilakukan dengan mengganti bigram negasi dengan padanannya menggunakan kamus sinonim kata. Sebelum proses klasifikasi, dilakukan pembobotan term (kata) untuk memperoleh informasi dari dokumen yang sifatnya heterogen menggunakan algoritma TF-IDF. Algoritma ini bekerja dengan efisien dan memberikan hasil yang akurat. Sedangkan untuk klasifikasi, metode yang dipilih adalah naïve bayes karena walaupun merupakan metode yang sederhana, naïve bayes mampu memberikan performa yang baik apabila diterapkan pada data teks berdimensi tinggi. Berdasarkan beberapa skenario pengujian yang telah dilakukan, disimpulkan bahwa penambahan penanganan negasi memberikan nilai performansi yang lebih tinggi apabila dibandingkan proses lain, yaitu dengan nilai akurasi sebesar 83.71%.