Penggunaan aplikasi pembelajaran matematika seperti Photomath terus meningkat, namun kajian terkait sentimen pengguna, khususnya dalam bahasa Indonesia, masih terbatas. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna serta membandingkan kinerja algoritma Naïve Bayes, K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Tahapan penelitian diawali dengan prapemrosesan teks, Setelah itu, data diproses melalui ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 42.672 ulasan pengguna Photomath yang diperoleh melalui teknik web scraping dari Google Play Store dan diseleksi menggunakan purposive sampling. Data kemudian diberi label sentimen, yaitu positif, netral, dan negatif berdasarkan nilai rating. Berdasarkan penelitian, KNN mencatat akurasi 86,61%. Namun, kinerjanya pada kelas netral dan negatif masih belum optimal karena data yang tidak seimbang. Meskipun SMOTE dapat meningkatkan recall, akurasi justru menurun. Sebaliknya, SVM terbukti sebagai algoritma terbaik dengan akurasi 88,94% dan F1-score makro tertinggi. Temuan ini menegaskan bahwa pemilihan algoritma dan strategi data tidak seimbang sangat berpengaruh terhadap performa klasifikasi sentimen.