Dalam era digital, aplikasi mobile memainkan peran signifikan dalam kehidupan sehari-hari, dengan lebih
dari 2,4 juta aplikasi tersedia di Google Play Store pada tahun 2023. Persaingan ini mendorong
pengembang untuk meningkatkan usability aplikasi demi mempertahankan pengguna. Metode usability
testing konvensional seringkali terbatas oleh biaya, waktu, dan sumber daya, sehingga mendorong adopsi
sentiment analysis sebagai pendekatan alternatif yang efisien. Penelitian ini menggunakan teknik Support
Vector Machine (SVM) untuk menganalisis sentimen dan mengukur usability berdasarkan lima kriteria
utama. Data yang digunakan mencakup 2.000 ulasan pengguna aplikasi perbankan, dengan proses
pelabelan multilabel oleh dua anotator. Eksperimen menunjukkan bahwa kernel linear SVM memberikan
kinerja terbaik, dengan akurasi 70,50%, F1 Score 0,8618, dan Hamming Loss 0,0783. Optimasi parameter
C menggunakan Grid Search menghasilkan peningkatan akurasi hingga 75,20%, F1 Score 0,8775, dan
Hamming Loss 0,0686 pada nilai C optimal sebesar 0,01. Temuan ini menunjukkan potensi sentiment
analysis sebagai alat adaptif untuk usability testing, menawarkan solusi berbasis data yang lebih hemat
sumber daya dan relevan dalam konteks dunia nyata. Penelitian ini diharapkan memberikan kontribusi
dalam pengembangan aplikasi mobile yang lebih responsif terhadap kebutuhan pengguna dan
memperluas penerapan machine learning dalam software engineering