Perkembangan E-commerce yang berkembang pesat, khususnya melalui platform Shopee, telah menghasilkan banyak ulasan produk dari pengguna yang dapat dimanfaatkan untuk mengetahui persepsi konsumen terhadap suatu produk. Penelitian ini bertujuan untuk membandingkan performa algoritma Naive Bayes dan BERT dalam analisis sentimen ulasan produk Shopee berdasarkan rating dan atribut produk seperti warna dan kategori. Penelitian ini menggunakan dataset berjumlah 2.300 ulasan yang telah melalui tahap pelabelan dan pra-pemrosesan (case Folding, Tokenisasi) serta pemodelan menggunakan algoritma BERT dan Naive Bayes . Hasil evaluasi menunjukkan bahwa model BERT memiliki performa yang lebih unggul dibandingkan Naive Bayes , dengan akurasi sebesar 94,9% dan F1-score yang lebih merata di setiap kelas. BERT juga mampu menangkap konteks ulasan yang lebih kompleks dan menghasilkan klasifikasi sentimen yang lebih konsisten. Sementara itu. Naive Bayes menunjukkan performa yang cukup baik namun cenderung kurang stabil dalam mendeteksi sentimen berdasarkan atribut tertentu. Untuk mengevaluasi performa model, digunakan metode evaluasi berbasis confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Sedangkan proses implementasi nya menggunakan bantuan tools seperti python, library scikit-learn, dan Hugging Face Transformers. Berdasarkan hasil evaluasi diatas, BERT direkomendasikan untuk analisis sentimen ulasan e-commerce karena konsistensinya dalam menangkap konteks kalimat yang kompleks. Untuk penelitian selanjutnya disarankan menambahkan atribut lain seperti harga dan waktu pengiriman, memperluas dataset, serta mengeksplorasi algoritma lain seperti LSTM, dan Random Forest guna meningkatkan akurasi dan relevansi hasil.