Aplikasi kehamilan digital semakin banyak digunakan oleh ibu hamil di Indonesia untuk mendapatkan informasi kesehatan dan memantau perkembangan kehamilan. Namun, di balik manfaatnya, pengguna juga menghadapi tantangan psikologis akibat penggunaan teknologi, yang dikenal sebagai technostress. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor penyebab technostress melalui analisis ulasan pengguna aplikasi kehamilan berbasis pendekatan topic modeling menggunakan Latent Dirichlet Allocation (LDA) dan analisis sentimen. Dataset yang digunakan terdiri dari 48.733 ulasan berbahasa Indonesia yang dikumpulkan melalui web scraping dari Google Play Store. Proses analisis meliputi preprocessing teks, pelabelan sentimen menggunakan model IndoBERT, dan pemetaan topik serta subtopik untuk menemukan konteks keluhan pengguna. Hasil analisis LDA menunjukkan lima topik utama yang paling sering dikeluhkan, yaitu Fitur, Teknis & Akses, Edukasi & Komunitas, MPASI, dan Pemantauan. Setiap topik dianalisis lebih dalam ke dalam 21 subtopik dengan sentimen negatif untuk mengidentifikasi aspek-aspek spesifik penyebab technostress, seperti kesulitan navigasi, error saat login, hingga kebingungan memahami informasi perkembangan janin. Untuk klasifikasi sentimen, digunakan tiga algoritma pembanding, Naïve Bayes, SVM), dan Random Forest. Evaluasi menunjukkan bahwa SVM memberikan performa terbaik pada seluruh skenario klasifikasi (main topic, sentiment, dan sub-topic), dengan nilai akurasi tertinggi mencapai 0.8814 pada klasifikasi topik utama. Penelitian ini juga menyoroti tantangan pada distribusi data yang tidak seimbang, khususnya rendahnya proporsi data sentimen negatif (7,57%), yang dapat memengaruhi performa model. Temuan ini memberikan kontribusi penting dalam memahami dinamika technostress pada aplikasi kehamilan, serta menjadi dasar dalam perancangan rekomendasi yang lebih tepat sasaran bagi pengembang aplikasi.
Kata Kunci: Aplikasi Kehamilan, Technostress, Analisis Sentimen, Topic Modelling, Latent Dirichlet Allocation, scraping, Machine Learning, Naïve Bayes, SVM, Random Forest..