Penelitian eksperimental ini mengkaji komparasi performa antara algoritma Support Vector Machine (SVM) dan Naïve Bayes (NB) dalam mengklasifikasikan sentimen pada teks kesehatan mental yang mengalami kendala ketidakseimbangan kelas (imbalanced data). Dengan memanfaatkan dataset tekstual sebanyak 53.043 baris, pengujian dilakukan berbasis pembobotan TF-IDF melalui simulasi variasi rasio pembagian data (70:30, 80:20, dan 90:10) serta penerapan empat variasi teknik oversampling, meliputi Synthetic Minority Over-sampling Technique (SMOTE), Borderline-SMOTE, dan RandomOverSampler. Temuan eksperimen pada dataset awal mengonfirmasi superioritas SVM berkernel linear yang mencapai akurasi tertinggi sebesar 74% karena ketangguhannya dalam memetakan batas keputusan pada ruang fitur berdimensi tinggi, sementara Naïve Bayes hanya mencatatkan akurasi maksimal 66%. Meskipun introduksi metode oversampling memicu fenomena Accuracy Paradox—yang ditandai dengan koreksi penurunan akurasi global menjadi 67%–72% untuk SVM dan 56%–61% untuk Naïve Bayes akibat risiko noise sintetis—intervensi ini terbukti secara signifikan mendongkrak nilai sensitivitas (recall) dalam mendeteksi kelas minoritas yang ekstrem seperti Personality Disorder (2,26%). Dengan demikian, pendekatan oversampling sangat direkomendasikan apabila orientasi utama sistem ditujukan untuk mengoptimalkan akurasi identifikasi pada kategori-kategori minoritas.