Penelitian ini berfokus pada pemetaan perkembangan dan tren terkini dalam analisis sentimen berbasis machine learning (ML), khususnya dalam konteks evaluasi kebijakan pemerintah. Dengan menggunakan pendekatan Systematic Literature Review (SLR), sebanyak 634 artikel ilmiah yang terindeks di Scopus dan Web of Science dalam periode 2021–2025 dianalisis untuk mengidentifikasi tren terkini dalam penggunaan machine learning untuk analisis sentimen, serta aplikasinya dalam evaluasi kebijakan pemerintah. Analisis dilakukan menggunakan alat pemetaan bibliometrik Vosviewer dan CiteSpace, yang memungkinkan identifikasi dan pemetaan klaster-topik yang dominan dalam bidang ini. Hasil penelitian menunjukkan bahwa terdapat sembilan klaster utama dalam kajian analisis sentimen, di antaranya deep learning models, transformer-based models (BERT, GPT), dan real-time sentiment analysis. Di antara klaster-klaster tersebut, deep learning models menjadi pendekatan yang paling dominan, menandakan peningkatan signifikan dalam akurasi dan efisiensi analisis sentimen, yang sangat relevan untuk evaluasi kebijakan pemerintah, terutama dalam menangkap respons publik secara real-time. Penelitian ini memberikan kontribusi penting dengan memperluas pemahaman tentang perkembangan teknologi dalam analisis sentimen serta aplikasinya yang semakin berkembang dalam konteks politik dan kebijakan publik. Namun, penelitian ini juga memiliki keterbatasan terkait dengan cakupan sumber data yang terbatas hanya pada dua database utama, yakni Scopus dan Web of Science, yang mungkin tidak mencakup keseluruhan literatur terkait. Oleh karena itu, penelitian selanjutnya disarankan untuk memperluas cakupan dengan memasukkan database lain seperti EBSCO dan IEEE Xplore guna mencapai pemahaman yang lebih komprehensif dan mendalam terkait tren perkembangan analisis sentimen dalam kajian kebijakan pemerintah.