<![CDATA[Perkembangan pesat industri Financial Technology (Fintech) Buy Now Pay Later (BNPL) di Indonesia mendorong tingginya akumulasi ulasan pengguna pada aplikasi Kredivo di Google Play Store. Ulasan tersebut memuat data opini yang sangat berharga terkait tingkat kepuasan, keandalan sistem, maupun keluhan layanan, namun volumenya yang besar menyulitkan evaluasi secara manual. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik serta membandingkan performa algoritma Multinomial Naive Bayes dan Logistic Regression dalam mengklasifikasikan sentimen ulasan pengguna Kredivo. Dataset sebanyak 17.212 ulasan terfilter periode Januari 2021 hingga Januari 2026 diproses melalui tahapan preprocessing (cleansing, case folding, tokenizing, normalisasi kata Indo-Normalizer, stopword removal, dan stemming sastrawi) hingga menghasilkan 10.798 data ulasan bersih. Pelabelan otomatis berbasis rating dengan verifikasi manual pada rating 3 menghasilkan distribusi sentimen yang tidak seimbang, yaitu 80,55% positif dan 19,45% negatif. Pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) menghasilkan 4.558 fitur kata. Untuk mengatasi ketidakseimbangan kelas tanpa memicu data leakage, teknik Synthetic Minority Oversampling Technique (SMOTE) diterapkan secara terisolasi pada data latih di setiap fold menggunakan 5-Fold Cross Validation. Hasil eksperimen menunjukkan Logistic Regression unggul secara konsisten dibanding Naive Bayes dengan menggapai rata-rata akurasi sebesar 90,14%; precision 91,43%; recall 90,14%; dan F1-score 90,52% pada 5-Fold Cross Validation. Pada pengujian akhir menggunakan 20% data uji murni (2.160 ulasan), Logistic Regression kembali membuktikan daya generalisasi terbaik tanpa overfitting dengan akurasi 90,42% dan F1-score 90,74%. Analisis Word Cloud mengungkapkan bahwa kepuasan pengguna didominasi oleh efisiensi pencairan dana dan kemudahan aplikasi, sedangkan keluhan terfokus pada penolakan limit transaksi mendadak serta mekanisme penagihan.]]>
