Aplikasi PLN Mobile yang diluncurkan oleh PT PLN telah menjadi platform penting bagi pengguna untuk mengakses berbagai layanan listrik secara mandiri. Di era digital saat ini, ulasan pengguna di platform aplikasi seluler sangat berpengaruh terhadap peringkat dan keberhasilan aplikasi tersebut. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi PLN Mobile dengan menggunakan algoritma SymSpell Spelling Corrector dan SentiStrength_ID Lexicon yang diintegrasikan dengan model Long Short Term Memory (LSTM) dan Continuous Bag-of-Words (CBOW). Data ulasan dikumpulkan dari Google Play Store, menghasilkan sejumlah besar ulasan yang kemudian dibersihkan melalui text cleaning, normalisasi, tokenisasi, dan stopword removal. Pelabelan menggunakan SentiStrength_ID Lexicon menghasilkan ulasan positif, negatif, dan netral. Word embedding dilakukan menggunakan metode CBOW untuk menghasilkan representasi vektor dari kata-kata dalam ulasan. Model LSTM digunakan untuk klasifikasi sentimen, menghasilkan akurasi sebesar 83.19%, precision 77.61%, recall 76.13%, dan F1-Score 76.46%. Hasil ini menunjukkan bahwa integrasi antara SymSpell, SentiStrength_ID, CBOW, dan LSTM mampu memberikan hasil analisis sentimen yang akurat dan relevan, yang dapat digunakan PLN untuk meningkatkan kualitas layanan.

The PLN Mobile application launched by PT PLN has become an important platform for users to access various electricity services independently. In the current digital era, user reviews on mobile application platforms significantly impact the ranking and success of the application. This research aims to analyze the sentiment of user reviews of the PLN Mobile application using the SymSpell Spelling Corrector algorithm and the SentiStrength_ID Lexicon integrated with the Long Short-Term Memory (LSTM) model and Continuous Bag-of-Words (CBOW). Review data was collected from Google Play Store, resulting in a large number of reviews that were then cleaned through text cleaning, normalization, tokenization, and stop word removal. Labeling using the SentiStrength_ID Lexicon resulted in Positive, Negative, and Neutral reviews. Word embedding was done using the CBOW method to generate vector representations of words in the reviews. The LSTM model was used for sentiment classification, resulting in an accuracy of 83.19%, precision of 77.61%, recall of 76.13%, and an F1-Score of 76.46%. These results indicate that the integration between SymSpell, SentiStrength_ID, CBOW, and LSTM can provide accurate and relevant sentiment analysis results, which PLN can use to improve their service quality.