PLN Mobile adalah super-app yang dikembangkan oleh PLN untuk memudahkan pelanggan dalam mengakses berbagai layanan, seperti pembayaran tagihan, pembelian token listrik, pengaduan gangguan, dan layanan lainnya. Aplikasi ini telah mendapatkan banyak ulasan dari pengguna, yang mengandung sentimen positif maupun negatif. Namun, ulasan tersebut sering kali mengandung kesalahan ketik atau ejaan, yang dapat mengurangi akurasi analisis sentimen jika tidak ditangani dengan baik. Penelitian ini bertujuan untuk meningkatkan akurasi analisis sentimen pada ulasan PLN Mobile dengan mengimplementasikan algoritma Levenshtein Distance sebagai spelling corrector. Algoritma ini digunakan untuk memperbaiki kesalahan ejaan dalam teks ulasan sebelum dilakukan proses text preprocessing lebih lanjut, seperti case folding, cleaning, stopword removal, normalisasi, stemming, dan tokenisasi. Data yang telah diproses kemudian diberi label sentimen menggunakan InSet Lexicon sebagai positif, negatif, atau netral, dan diklasifikasikan menggunakan model Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa penggunaan spelling corrector dalam analisis sentimen dapat meningkatkan akurasi klasifikasi hingga 90%, lebih tinggi dibandingkan metode machine learning.

PLN Mobile is a super-app developed by PLN to facilitate customers in accessing various services, such as bill payments, electricity token purchases, fault reporting, and more. The app has garnered numerous user reviews, which contain both positive and negative sentiments. However, these reviews often include typographical or spelling errors, which can reduce the accuracy of sentiment analysis if not properly addressed. This study aims to improve sentiment analysis accuracy on PLN Mobile reviews by implementing the Levenshtein Distance algorithm as a spelling corrector. This algorithm is used to correct spelling errors in review texts before proceeding with further text preprocessing steps, such as case folding, cleaning, stopword removal, normalization, stemming, and tokenization. The processed data is then sentiment-labeled using the InSet Lexicon as positive, negative, or neutral and classified using a Support Vector Machine (SVM) model. The results show that incorporating a spelling corrector in sentiment analysis can improve classification accuracy up to 90%, which is higher compared to conventional machine learning methods.