Pada zaman revolusi industri 4.0 seperti saat ini, di mana internet merupakan suatu kebutuhan bagi masyarakat dalam menjalani kehidupan sehari-hari. Intensitas dari penggunaan internet yang tinggi di lingkungan masyarakat, maka menyebabkan persebaran suatu informasi didalamnya pun dapat tersebar secara luas dan cepat. Adanya persebaran informasi yang cepat di internet maka sejalan pula dengan pertumbuhan data digital yang semakin besar, sehingga opini-opini publik yang terdapat didalamnya menjadi hal yang penting. Karena, dari data digital tersebut dapat diolah dengan analisis sentimen guna memperoleh suatu informasi yang bermanfaat mengenai isu yang sedang berkembang di lingkungan masyarakat ataupun untuk mengetahui opini publik terhadap suatu produk perusahaan. Banyaknya penelitian terkait analisis sentimen yang menerapkan algoritma Naive Bayes guna menyelesaikan masalahnya, maka peneliti tertarik untuk melakukan penelitian mengenai penggunaan seleksi fitur terhadap algoritma tersebut. Maka dari itu, dilakukannya penelitian ini guna mengetahui seleksi fitur apa yang paling optimal ketika di kombinasikan dengan algoritma Naive Bayes dengan menggunakan metode penelitian Systematic Literature Review (SLR). Hasil penelitian ini disimpulkan bahwa metode seleksi fitur yang paling optimal ketika dikombinasikan dengan algoritma Naive Bayes adalah metode Particle Swarm Optimization (PSO) dengan nilai rata-rata akurasi 89.08%.