Popularitas telepon pintar dan aplikasi seluler membuat unduhan dan pengguna aplikasi meningkat secara eksponensial. Pengguna dapat memberikan ulasan terkait dengan penggalaman menggunakan aplikasi, ulasan ini dapat berisi keluhan atau saran yang berharga untuk dikaji lebih lanjut. Namun jumlah ulasan yang sangat banyak menyulitkan untuk mencari dan memahami informasi yang terkandung pada teks ulasan. Untuk mengatasi permasalahan tersebut pada penelitian ini mengusulkan model yang dapat menggali informasi serta mengkategorikan konten dan sentimen ulasan dengan menggunakan teknik pembelajaran mesin. Algoritme SentiStrength, Support Vector Machine SVM , Na ve Bayes, Logistic Regresion, Latent Dirichlet Allocation LDA dan Non-negative Matrix Factorization NMF digunakan pada penelitian ini. Hasil dari penelitian didapatkan rerata presisi sentimen ulasan mencapai 85 dan algoritme terbaik untuk klasifikasi konten ulasan didapatkan menggunakan SVM dengan nilai rerata f1-score 84.38 menggunakan fitur unigram sedangkan NMF berkerja lebih baik daripada LDA untuk menemukan topik pada teks ulasan.

---

The popularity of smartphones and mobile applications makes app downloads and users of applications rises exponentially. Users can provide reviews related to their experience during using the app, these reviews may contain valuable complaints or suggestions which can be used for further in depth review based on the reviews given before. However, the large number volume of the reviews can make it very difficult to find and understand the information contained in a review. To solve the problem in this study proposes a model that can diging information by categorizing the content and sentiment reviews using machine learning technique. The algorithm SentiStrength, Support Vector Machine SVM , Na ve Bayes, Logistic Regression, Latent Dirichlet Allocation LDA and Non-negative Matrix Factorization NMF are used in this study. The result of the research shows that the average sentiment precision of review is 85 and the best algorithm for the review content classification is obtained using SVM with an average f1-score 84.38 using unigram feature whereas the NMF works better than LDA to find topics in a reviews.