<![CDATA[Analisis sentimen merupakan salah satu pendekatan penting dalam pengolahan bahasa alami untuk memahami opini dan emosi pengguna, khususnya pada data media sosial yang bersifat tidak terstruktur dan informal. Penelitian ini bertujuan untuk menganalisis efektivitas arsitektur Recurrent Convolutional Neural Network (RCNN) dalam melakukan klasifikasi sentimen pada dataset Sentiment140. Arsitektur RCNN yang diusulkan mengombinasikan kemampuan Bidirectional Gated Recurrent Unit (Bi-GRU) dalam menangkap konteks sekuensial jangka panjang dengan Convolutional Neural Network (CNN) yang unggul dalam mengekstraksi fitur lokal berupa pola frasa penting. Dataset Sentiment140 digunakan setelah melalui proses pra-pemrosesan dan downsampling hingga sekitar 0,6% dari total data, kemudian dibagi secara stratifikasi menjadi data latih, validasi, dan uji. Representasi kata menggunakan embedding GloVe berdimensi 100 yang dibekukan selama pelatihan. Model dilatih menggunakan optimizer Adam dan fungsi kerugian Cross Entropy Loss. Hasil eksperimen menunjukkan bahwa model RCNN mampu mencapai akurasi validasi sebesar 77,67% dengan nilai precision sebesar 0,82 pada kedua kelas sentimen. Namun demikian, nilai recall menunjukkan perbedaan kinerja, di mana model lebih baik dalam mendeteksi sentimen positif dibandingkan sentimen negatif. Temuan ini mengindikasikan bahwa arsitektur RCNN efektif dalam menangkap karakteristik sentimen pada data Twitter, meskipun masih diperlukan pengembangan lebih lanjut untuk meningkatkan keseimbangan kinerja antar kelas sentimen.]]>
