Dalam era digital saat ini, analisis sentimen menjadi alat penting untuk memahami opini dan perasaan pengguna terhadap suatu produk atau layanan. Penelitian ini bertujuan untuk membangun korpus bahasa Indonesia yang khusus untuk analisis sentimen pada ulasan pengguna aplikasi PLN Mobile. Korpus ini dibentuk melalui serangkaian proses praproses data yang meliputi normalisasi, tokenisasi, dan pengecekan ejaan (spelling correction). Proses pelabelan dilakukan oleh pakar untuk memastikan akurasi tinggi dalam klasifikasi sentimen positif, negatif, dan netral. Penelitian ini menggunakan model IndoBERT, yang telah dioptimalkan untuk bahasa Indonesia, dalam menganalisis sentimen pada data yang telah dilabeli. Hasil pengujian menunjukkan bahwa model tersebut mencapai tingkat akurasi sebesar 90%. Namun, terdapat kendala dalam penggunaan korpus untuk pengecekan ejaan, di mana hasil perbaikan ejaan yang dihasilkan masih kurang memadai. Hal ini menunjukkan bahwa korpus yang digunakan dalam proses spelling correction perlu ditingkatkan lebih lanjut untuk mendukung akurasi yang lebih baik. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem analisis sentimen yang lebih akurat dan efektif, serta memberikan wawasan berharga bagi PT PLN dalam memahami sentimen pengguna dan meningkatkan kualitas layanannya.

In today's digital era, sentiment analysis has become an essential tool for understanding user opinions and feelings towards a product or service. This study aims to build an Indonesian language corpus specifically for sentiment analysis on user reviews of the PLN Mobile application. The corpus was constructed through a series of data preprocessing steps, including normalization, tokenization, and spelling correction. Expert labeling was employed to ensure high accuracy in classifying sentiments as positive, negative, or neutral. This study utilizes the IndoBERT model, which has been optimized for the Indonesian language, to analyze sentiments in the labeled data. The test results indicate that the model achieved an accuracy level of 90%. However, there were challenges in using the corpus for spelling correction, as the resulting corrections were still inadequate. This suggests that the corpus used in the spelling correction process needs further improvement to better support overall accuracy. The findings of this research are expected to contribute to the development of a more accurate and effective sentiment analysis system, providing valuable insights for PT PLN in understanding user sentiments and enhancing service quality.