Ulasan data pada aplikasi PLN Mobile dapat dijadikan referensi untuk kinerja perusahaan PT PLN (Persero). Akan tetapi sebagian besar ulasan data 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 yang lebih singkat. Tugas akhir ini bertujuan untuk memudahkan perusahaan dalam mengolah big data pada ulasan aplikasi PLN Mobile di Play Store, mendapatkan wawasan bisnis untuk PT PLN (Persero), serta mendapatkan algoritma terbaik untuk melakukan analisis sentimen pada ulasan aplikasi PLN Mobile.
Metode Machine Learning yang digunakan untuk menganalisis Big Data adalah algoritma Transformers Indo-BERT, Naïve Bayes, dan LSTM (Long Short-Term Memory). Untuk mendapatkan algoritma terbaik pada sentimen ini maka analisis dibandingkan hasilnya dengan nilai akurasi dari algoritma ketiga tersebut. Penelitian ini juga mengembangkan sistem pemodelan topik untuk mengetahui dan mengklasifikasikan topik yang ada pada suatu hal, sehingga dapat memudahkan perusahaan untuk memahami kalimat 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, dan LSTM (Long Short-Term Memory) diperoleh nilai akurasi tertinggi yaitu 96% pada algoritma Transformers Indo-Bert dengan nilai presisi 87%, recall 85%, F1-score 86%, sehingga algoritma Transformers Indo-BERT menjadi algoritma yang direkomendasikan kepana PT PLN (Persero) untuk melakukan analisis sentimen pada ulasan aplikasi PLN Mobile. Lalu pada topic modeling berhasil memprediksi 3 topik pada tiap ulasan yaitu topik “TRANSAKSI”, “APLIKASI”, “LAYANAN”. Dari ketiga 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 wawasan bisnis.