Analisis sentimen adalah cabang dari pemrosesan bahasa alami (Natural Language Processing) yang berfokus pada identifikasi dan ekstraksi informasi subjektif dari teks. Proses ini penting untuk memahami opini pengguna secara otomatis. Dalam melakukan analisis sentimen, langkah awal yang sangat krusial adalah pada tahap preprocessing data. Tahapan preprocessing data yang baik dapat mempengaruhi akurasi dari suatu model. Oleh karena itu, Penelitian ini mengimplementasikan metode Spelling Corrector Peter Norvig pada tahap preprocessing untuk memperbaiki kesalahan ejaan dalam teks ulasan pengguna aplikasi PLN Mobile. Selain itu, penelitian ini juga menggunakan pendekatan berbasis leksikal dengan InSet Lexicon dan model IndoBERT untuk meningkatkan akurasi klasifikasi sentimen. Pelabelan data terbagi menjadi 3 kelas, yaitu positif, negatif dan netral. Split data dengan perbandingan data train, data test, dan data validation dengan rasio 80:10:10 Hasil penelitian menunjukkan bahwa penggunaan metode Spelling Corrector Peter Norvig dalam tahap preprocessing teks dapat memberikan peningkatan akurasi dalam analisis sentimen sebesar 92%.

Sentiment analysis is a branch of natural language processing (NLP) that focuses on identifying and extracting subjective information from text. This process is crucial for automatically understanding user opinions. In sentiment analysis, the initial and critical step is data preprocessing. Effective data preprocessing can significantly impact the accuracy of a model. Therefore, this research implements Peter Norvig's Spelling Corrector method during the preprocessing stage to correct spelling errors in user reviews of the PLN Mobile application. Additionally, the research uses a lexical-based approach with InSet Lexicon and the IndoBERT model to enhance sentiment classification accuracy. Data labeling is divided into three classes: positive, negative, and neutral. The data is split with a ratio of 80:10:10 for training, testing, and validation datasets. The results show that using Peter Norvig's Spelling Corrector during the text preprocessing stage can improve sentiment analysis accuracy to 92%.