Penelitian ini fokus pada analisis sentimen dalam teks, khususnya terkait opini pengguna Aplikasi Satu Sehat Mobile di Indonesia. Analisis sentimen berguna untuk memahami emosi yang terungkap dalam opini pengguna terhadap layanan. Metode kuantitatif dan kualitatif digunakan untuk menganalisis teks, dengan teknik statistik dan pendekatan interpretatif. Aplikasi Satu Sehat Mobile membantu akses kesehatan dengan informasi penyakit, klinik terdekat, dan layanan reservasi online. Kondisi data tidak seimbang dapat memengaruhi analisis sentimen, menghasilkan bias dalam model. Solusinya adalah menggunakan metode sampling seperti Tomek Links untuk seimbangkan data. Model algoritma Random Forest, Neural Network, KNN, dan SVM dibangun dan dievaluasi dengan metrik akurasi, presisi, recall, dan F1-Score untuk analisis sentimen yang lebih tepat, khususnya pada data tidak seimbang dari opini pengguna Aplikasi Satu Sehat Mobile. Dimana evaluasi performa dilakukan pada data tanpa dan dengan model sampling. Penggunaan SVM menghasilkan akurasi tertinggi tanpa sampling (80,528%), karena fokus pada margin. Namun, Random Forest memiliki Precision, Recall, dan F1-Score lebih unggul untuk kelas minoritas. Dalam skenario model sampling, semua model mengalami peningkatan akurasi, terutama SVM dengan peningkatan 0,489%. Penerapan metode sampling Tomek Links memperbaiki evaluasi matriks dan mengatasi ketidakseimbangan kelas. Model sampling juga mengurangi waktu proses dengan ukuran dataset yang lebih kecil setelah penghapusan instance. Metode ini efektif mengatasi masalah ketidakseimbangan dataset, meningkatkan kinerja model, dan mengurangi waktu proses.