Ulasan pengguna aplikasi Riliv di Google Play Store sulit dipantau secara manual sehingga dibutuhkan sistem klasifikasi sentimen otomatis. Penelitian ini membangun dan membandingkan model klasifikasi sentimen menggunakan SVM, LSTM, dan IndoBERT pada dataset 2.988 ulasan yang terdistribusi ke dalam kelas positif (65,30%), negatif (23,16%), dan netral (11,55%). Preprocessing meliputi cleaning, case folding, tokenization, normalization, stopword removal, dan stemming. SVM menggunakan TF-IDF, LSTM menggunakan embedding layer, dan IndoBERT menggunakan tokenizer berbasis Transformer. Empat skema penanganan ketidakseimbangan data diterapkan yaitu Original, Weight Balancing, SMOTE, dan Random Undersampling. Selain itu, dilakukan pengujian tambahan pada model IndoBERT tanpa proses stemming dan stopword removal untuk melihat pengaruh keutuhan struktur teks terhadap kinerja model berbasis Transformer. Hasil evaluasi menunjukkan IndoBERT tanpa stemming dan stopword removal pada rasio 80:20 mencapai performa tertinggi dengan accuracy 0,9399 dan F1-score 0,9394, diikuti IndoBERT skema Original pada rasio 80:20 dengan accuracy 0,9181 dan F1-score 0,9143, SVM dengan skema Weight Balancing pada rasio 90:10 dengan accuracy 0,8896 dan F1-score 0,8856, serta LSTM dengan skema Original pada rasio 90:10 dengan accuracy 0,8863 dan F1-score 0,8877. Ketiga model diintegrasikan dalam website berbasis Laravel dan Filament dengan black box testing mencapai keberhasilan 100?ri 27 skenario pengujian.