The PLN Mobile application is a digital application created by PT PLN (Persero) with the aim of providing electricity services through a mobile application. Reviews on Google Playstore have a rating of 1 to 5, but users often give a rating that does not match the review so that this does not adequately describe the quality of the application. The number of reviews or data reviews on the PLN Mobile application is so large that it takes time and time to read in its entirety. To determine public opinion, a classification system is applied. This study aims to analyze the review sentiment data of the PLN mobile application with the Indonesian language model, IndoBERT. The methods used are deep learning and sentiment analysis. The data used is 1000 data from a population of 67949 (January – June 2022). Sentiment analysis uses the IndoBERT model and the evaluation used is the confusion matrix. In this study using data from the Google-playstore web scrapping, and preprocessing the data, and labeling the data using TextBlob. The results of data labeling using TextBlob, resulted in 82.6% of data labeled neutral, 3.7% labeled negative and 13.7% labeled positive. The results of evaluating the Indobert classification using a ratio of 80:20 and calculating the model using epoch 3, learning-rate 0.003 , and a batch size of 32 produce an accuracy of 90%.

Aplikasi PLN Mobile merupakan aplikasi digital yang dibuat oleh PT PLN (Persero) dengan tujuan untuk memberikan pelayanan ketenagalistrikan melalui aplikasi mobile. Review di Google Playstore memiliki rating 1 sampai dengan 5, namun seringkali pengguna memberikan rating yang tidak sesuai dengan reviewnya sehingga hal tersebut tidak cukup menggambarkan kualitas dari aplikasi tersebut. Jumlah review atau ulasan data pada aplikasi PLN Mobile sangat banyak sehingga membutuhkan waktu dan Waktu untuk membaca secara keseluruhan. Untuk mengetahui opini publik, diterapkan system klasifikasi. Pada penelitian ini bertujuan untuk menganalisis sentiment data ulasan aplikasi PLN mobile dengan model klasifikasi berbahasa Indonesia yaitu IndoBERT. Metode yang digunakan adalah deep learning dan sentiment analysis. Data yang digunakan sebanyak 1000 data dari populasi sebanyak 67949 (Januari – Juni 2022). Analisis sentiment menggunakan model IndoBERT dan evaluasi yang dipakai yaitu confusion matrix. Pada penelitian ini menggunakan data hasil web scrapping Googleplaystore, dan melakukn preproses data, dan melakukan pelebelan data menggunakan TextBlob. Hasil dari pelebelan data menggunakan TextBlob, menghasilkan 82,6% data berlabel neutral, 3,7% berlabel negative dan 13.7% berlabel posive. Hasil evaluasi klasifikasi Indobert dengan menggunakan perbandingan 80:20 dan dilatih model tersebut menggunakan epoch 3, learning-rate 0,003 , dan batch size sebesar 32 menghasilkan
akurasi 90%.