Perkembangan teknologi digital telah mendorong perluasan layanan keuangan digital, dengan adopsi internet dan mobile banking yang semakin meningkat di kalangan pengguna. Bank Rakyat Indonesia (BRI) merespons tren ini dengan meluncurkan aplikasi mobile banking BRImo sebagai bagian dari portofolio layanannya. BRImo menerima berbagai ulasan positif dan negatif dari pengguna di platform seperti Playstore dan App Store. Untuk memahami persepsi dan perasaan pelanggan terhadap aplikasi ini, dilakukan analisis sentimen untuk mengkategorikan ulasan pengguna menjadi sentimen netral, positif, atau negatif. Algoritma Naive Bayes, yang umum digunakan dalam analisis sentimen, diaplikasikan karena kesederhanaannya dan kemampuannya dalam klasifikasi teks. Hasil analisis menunjukkan bahwa model Naive Bayes memiliki akurasi pelatihan sebesar 73,73% dan akurasi pengujian sebesar 72,90%. Pada set pengujian, klasifikasi sentimen menunjukkan precision, recall, dan f1-score yang bervariasi, dengan kinerja terbaik pada kelas 'negatif' (precision 0,73, recall 1,00, f1-score 0,84). Kelas 'netral' dan 'positif' menunjukkan precision tinggi tetapi recall rendah, yang mengindikasikan model lebih baik dalam mengenali sentimen negatif. Analisis ini membantu mengidentifikasi elemen aplikasi yang perlu ditingkatkan, mendukung pengembang dalam melakukan perbaikan teknis, serta membantu manajer dalam merancang strategi peningkatan layanan yang lebih efisien, yang diharapkan dapat meningkatkan kepuasan dan loyalitas pengguna terhadap aplikasi BRImo.

The development of digital technology has driven the expansion of digital financial services, with increasing adoption of internet and mobile banking among users. Bank Rakyat Indonesia (BRI) responded to this trend by launching the BRImo mobile banking app lication as part of its service portfolio. BRImo received various positive and negative reviews from users on platforms such as Playstore and App Store. To understand customers' perceptions and feelings towards the app , a sentiment analysis was conducted to categorize user reviews into neutral, positive or negative sentiments. Naive Bayes algorithm, which is commonly used in sentiment analysis, was app lied due to its simplicity and ability in text classification. The analysis results show that the Naive Bayes model has a training accuracy of 73.73% and a testing accuracy of 72.90%. On the test set, the sentiment classification showed varying precision, recall and f1-score, with the best performance on the 'negative' class (precision 0.73, recall 1.00, f1-score 0.84). The 'neutral' and 'positive' classes showed high precision but low recall, indicating the model is better at recognizing negative sentiments. This analysis helps identify app elements that need to be improved, supports developers in making technical improvements, and assists managers in designing more efficient service improvement strategies, which is expected to increase user satisfaction and loyalty to the BRImo app .