Analisis sentimen pada media sosial memiliki tantangan tersendiri karena penggunaan bahasa informal, bahasa gaul, sarkasme, dan kesalahan dalam penulisan yang umum ditemukan pada platform seperti Instagram. Penelitian ini bertujuan untuk menerapkan dan membandingkan tiga metode representasi fitur teks, yaitu TF-IDF sebagai baseline serta word embedding FastText dan BERT (Bidirectional Encoder Representations from Transformers), pada model Support Vector Machine (SVM) untuk klasifikasi sentimen komentar akun Instagram Folkative. Data yang digunakan berjumlah 11.914 komentar yang telah melalui proses pre-processing. Untuk pelabelan data, digunakan metode semi-otomatis berbasis lexicon-based yang divalidasi oleh pakar Bahasa Indonesia. Optimasi model dilakukan menggunakan GridSearchCV dan validasi model melalui Stratified 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa TF-IDF dengan SVM memperoleh performa terbaik dengan akurasi 87,61% menggunakan kernel RBF, diikuti FastText dengan SVM sebesar 87,54% menggunakan kernel RBF, dan BERT dengan SVM sebesar 86,38% menggunakan kernel RBF. Hasil ini menunjukkan bahwa metode yang lebih sederhana tetap dapat memberikan hasil terbaik apabila sesuai dengan karakteristik data. TF-IDF lebih efektif dalam mengklasifikasikan komentar karena komentar pada akun Instagram Folkative cenderung singkat dan mengandung kata sentimen yang eksplisit, sedangkan FastText dan BERT belum mampu memberikan peningkatan performa yang lebih tinggi pada dataset ini.