Ulasan pengguna aplikasi mobile telah menjadi sumber informasi yang sangat berharga dalam mengevaluasi kualitas suatu aplikasi. Penting bagi pengembang aplikasi untuk memahami apa yang diungkapkan oleh ulasan pengguna tersebut. Salah satu aspek yang dapat dianalisis dari ulasan pengguna adalah Non-Functional Requirement (NFR). Klasifikasi ulasan berdasarkan NFR ini menjadi hal yang krusial dalam memahami bagaimana aplikasi dapat ditingkatkan. Meskipun ulasan pengguna berpotensi memberikan wawasan berharga tentang NFR, pengolahan manual ribuan ulasan pengguna menjadi tugas yang sangat melelahkan dan tidak efisien. Oleh karena itu, digunankan metode kecerdasan buatan yang dapat mengklasifikasikan ulasan pengguna ke dalam kategori NFR yang relevan secara otomatis. Penelitian ini membahas tentang perbandingan performansi algoritma SVM dan IndoBERT dalam melakukan klasifikasi NFR. Penelitian ini meliputi pengumpulan data ulasan aplikasi tahun 2018 hingga 2023 yang diambil dari Google Playstore dan Apple Appstore, dilanjutkan dengan anotasi data ulasan yang didasarkan pada ISO 25010. Setelah itu mengalokasikan data tersebut ke dalam data latih dan uji coba dengan perbandingan 80:20. Selanjutnya, dilakukan tahap preprocessing data yang melibatkan langkah-langkah lowercasing, tokenisasi, penghapusan karakter khusus, normalisasi dan stemming teks. Dilanjutkan dengan pelatihan menggunakan algoritma SVM dan IndoBERT pada dataset tersebut. Terakhir, dilakukan evaluasi dengan menghitung F1-score. Hasil penelitian menunjukkan bahwa model IndoBERT mengungguli model SVM. Argoritma IndoBERT mampu mengenali NFR dalam ulasan lebih baik dengan F1-score 93%, sedangkan algoritma SVM menghasilkan F1-score 91%.