Ulasan pengguna aplikasi PLN Mobile banyak mengandung bentuk penulisan tidak baku seperti singkatan, slang, dan pengulangan huruf yang dapat menurunkan kualitas data teks. Penelitian ini bertujuan mengimplementasikan spelling checker Bahasa Indonesia berbasis Character-Level Convolutional Neural Network (CNN) menggunakan teknik text preprocessing pada data ulasan PLN Mobile, serta menerapkan tahapan text preprocessing dalam proses implementasi spelling checker.
Dataset terdiri atas 202.532 ulasan dengan 46.435 kata unik. Pelabelan dilakukan menggunakan pendekatan semi-otomatis berbasis kamus domain PLN dan kamus slang serta validasi manual, sehingga diperoleh 3.512 kata berlabel yang terdiri dari 2.317 kata benar dan 1.195 kata salah. Pengujian dilakukan pada dua skenario, yaitu CNN tanpa preprocessing tambahan dan CNN dengan preprocessing tambahan.
Model CNN menggunakan tiga cabang konvolusi (kernel 2, 3, dan 4) dengan embedding dimension 128. Hasil evaluasi menunjukkan kedua model memperoleh accuracy sebesar 0,7277. Model dengan preprocessing menghasilkan precision (0,7476), specificity (0,8894), dan ROC-AUC (0,7773) lebih tinggi, sedangkan model tanpa preprocessing memperoleh recall (0,6582) dan F1-score (0,6603) lebih baik. Berdasarkan F1-score, model tanpa preprocessing dipilih untuk diimplementasikan dalam Pipeline spelling checker berbasis CNN, kamus, dan fuzzy matching (RapidFuzz), yang mampu mendeteksi serta mengoreksi kesalahan penulisan tanpa mengubah istilah domain PLN Mobile.

Kata kunci: spelling checker, text preprocessing, Convolutional Neural Network, Character-level, ulasan PLN Mobile.