Data ulasan pada aplikasi PLN Mobile dapat dijadikan acuan mengevaluasi kinerja perusahaan PT PLN (Persero). Akan tetapi besarnya data ulasan pada aplikasi PLN Mobile di platform Play Store menjadikan pengolahan data secara manual tidak akurat dan membutuhkan waktu yang relatif lama. Dengan adanya masalah tersebut, maka diperlukan sebuah alat untuk mempermudah PT PLN (Persero) dalam mengolah data ulasan dengan jumlah yang besar secara efektif dan waktu lebih singkat. Tugas akhir ini bertujuan untuk memudahkan perusahaan dalam pengolahan big data pada ulasan aplikasi PLN Mobile di Play Store, mendapatkan insight bisnis untuk PT PLN (Persero), serta mendapatkan algoritma terbaik untuk melakukan sentimen analisis pada ulasan aplikasi PLN Mobile.
Metode Machine Learning yang digunakan untuk menganalisis Big Data adalah algoritma Transformers Indo-BERT, Naïve Bayes, LSTM (Long Short-Term Memory), dan Logistic Regression. Untuk mendapatkan algoritma terbaik pada sentimen analisis ini maka dibandingkan hasilnya dengan nilai Accuracy dari keempat algoritma tersebut. Penelitian ini juga mengembangkan sistem topic modeling untuk mengetahui dan mengklasifikasikan topik yang ada pada suatu kalimat, sehingga dapat memudahkan perusahaan untuk memahami opini dari pengguna. Penelitian ini menggunakan model LDA (Latent Dirichlet Allocation) untuk melakukan prediksi topik yang ada pada ulasan aplikasi PLN Mobile.
Pada algoritma Transformers Indo-BERT, Naïve Bayes, LSTM (Long Short-Term Memory), dan Logistic Regression didapatkan nilai Accuracy tertinggi yaitu 96% pada algoritma Transformers Indo-BERT dengan nilai Precision 87%, Recall 85%, F1-Score 86%, sehingga algoritma Transformers Indo-BERT menjadi algoritma yang direkomendasikan kepana PT PLN (Persero) untuk melakukan sentimen analisis pada ulasan aplikasi PLN Mobile. Lalu pada topic modeling berhasil memprediksi 4 topik pada tiap ulasan yaitu topik “TRANSAKSI”, “APLIKASI”, “LAYANAN”, dan ”PENGADUAN”. Dari keempat topik tersebut terdapat kata kunci dari tiap topik, label sentimen, dan tanggal ulasan, sehingga dapat diolah lagi menjadi perbandingan sentimen tren bulanan yang dapat dijadikan sebagai insight bisnis.