Perkembangan transportasi online yang meningkat dalam beberapa terakhir mendorong pentingnya evaluasi tingkat kepuasan pengguna sebagai dasar dalam peningkatan kualitas layanan. Grab, salah satu aplikasi transformasi online yang memiliki banyak ulasan di Google Play Store. Namun, data ulasan tersebut masih bersifat tidak terstuktur sehingga sulit untuk dianalisis secara manual. Penelitian ini bertujuan membangun sistem prediksi tingkat kepuasan pengguna secara otomatis dengan mengklasfikasikan ulasan ke dalam sentimen puas, netral, dan tidak puas, serta mengelompokkan ke dalam kategori driver, sistem, dan lainnya. Metode yang digunakan penelitian ini adalah Multinominal Naive Bayes dengan pendekatan labeling data menggunakan Multilabel. Data diperoleh melalui teknik web scraping dengan periode Januari 2020 hingga Februari 2026. Penelitian ini menggunakan pendekatan kuantitatif dengan analisis interaktif untuk menganalisis data dan proses pengembangan model yang digunakan merupakan metode CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment dalam sistem berbasis web menggunakan Streamlit. Hasil penelitian menunjukkan bahwa model Naive Bayes mampu mengklasifikasikan ulasan dengan baik berdasarkan metrik evaluasi seperti accuracy, precision, recall, dan F1-score. Dataset yang digunakan berjumlah 234.878 ulasan dan setelah preprocessing menjadi 183.079 data, sehingga memberikan variasi data yang cukup besar untuk pelatihan model. Sistem yang dikembangkan juga mampu menampilkan hasil analisis dalam bentuk dashboard yang informatif dan mudah dipahami. Dengan demikian, penelitian ini dapat membantu dalam memahami tingkat kepuasan pengguna secara otomatis serta menjadi dasar pengambilan keputusan strategis bagi peningkatan kualitas layanan transportasi online.