Penilaian terhadap kualitas pembelajaran melalui komentar mahasiswa menjadi salah satu elemen penting dalam evaluasi proses akademik di perguruan tinggi. Namun, komentar yang bersifat kualitatif sering kali sulit dianalisis secara manual dan cenderung memakan waktu. Penelitian ini dilakukan untuk mengembangkan model analisis sentimen yang mampu mengklasifikasikan komentar mahasiswa Program Studi Teknik Komputer secara lebih efisien dan akurat. Tiga algoritma pembelajaran mesin, yaitu Decision Tree, Random Forest, dan Support Vector Machine (SVM), digunakan untuk membandingkan kinerja klasifikasi. Data komentar terlebih dahulu diberi label secara manual dan diperkaya dengan sejumlah komentar negatif sintetis guna menyeimbangkan distribusi sentimen. Selanjutnya, data diolah menggunakan teknik Text Mining, TF-IDF untuk ekstraksi fitur, serta algoritma SMOTE untuk menangani ketidakseimbangan kelas. Pengujian dilakukan menggunakan skema train test split 70:30. Hasil penelitian menunjukkan bahwa ketiga model memiliki tingkat akurasi yang beragam: Decision Tree memperoleh akurasi 88,2%, Random Forest mencapai 92,7%, sedangkan SVM menjadi model dengan performa terbaik dengan akurasi 94,5%. Analisis confusion matrix dan kurva ROC mengonfirmasi bahwa SVM lebih konsisten dalam membedakan sentimen positif dan negatif. Temuan ini mengindikasikan bahwa pendekatan berbasis SVM dengan dukungan TF-IDF dan SMOTE sangat potensial untuk diterapkan sebagai alat otomatis dalam menilai sentimen mahasiswa, sehingga mampu membantu institusi dalam mengambil keputusan berbasis data secara lebih cepat dan objektif.