Bus Simulator Indonesia (BUSSID) merupakan salah satu produk lokal unggulan dalam industri hiburan digital, khususnya game berbasis perangkat mobile. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna menjadi kategori positif, negatif, dan netral menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma Naïve Bayes. Data diperoleh dari ekstraksi data pada Google Play Store. Tahap preprocessing data meliputi cleaning, case folding, normalisasi, tokenizing, dan stemming. Pelabelan data menggunakan kamus Indonesia Sentiment Lexicon untuk menentukan kategori sentimen awal. Proses klasifikasi memanfaatkan pembobotan TF-IDF untuk menentukan bobot kata dalam korpus. Hasil penelitian menunjukkan bahwa pendekatan TF-IDF yang dikombinasikan dengan algoritma Naïve Bayes efektif dalam mengklasifikasikan sentimen ulasan game BUSSID. Pada skenario data terbaik (70:30), model mencapai akurasi sebesar 89,92%. Performa model pada kelas positif memperoleh precision 82%; recall 98%; dan f1-score 89%. Kelas negatif memiliki precision 98%; recall 90%; dan f1-score 94%, sementara kelas netral menunjukkan precision 95%; recall 73%; dan f1-score 83%.