Nama : Timotius Victory Program Studi : Magister Ilmu Komputer Judul : Perbandingan Model Deep Learning dan Model Machine Learning Dalam Kasus Analisis Sentimen Ulasan Pengguna Traveloka. Pembimbing : Setiadi Yazid, Ir., M.Sc., Ph.D. Pengguna media sosial di Indonesia merupakan salah satu yang terbanyak di dunia, dengan begitu banyaknya pengguna media sosial membuat pemilik produk atau layanan kini menggunakan media sosial sebagai saluran utama untuk penjualan dan layanan pelanggan, terutama karena masyarakat Indonesia cenderung mencari ulasan online sebelum memutuskan pembelian. Ulasan pengguna, baik positif maupun negatif, memiliki dampak langsung terhadap keputusan pembelian, menjadikannya faktor kritis dalam keberhasilan bisnis. Oleh karena itu, pemilik produk dan layanan harus cepat tanggap terhadap sentimen ulasan pengguna untuk mempertahankan reputasi dan menghindari penurunan penjualan. Hal ini juga membuat pemilik produk atau layanan harus bisa mengetahui sentimen dari ulasan pengguna terhadap produk layanan agar bisa dengan cepat menanggapi maupun mencegah perubahan yang terjadi. Analisis sentimen adalah salah satu cara untuk bisa mengetahui sentimen terhadap produk atau layanan. Terdapat pendekatan machine learning dan deep learning dalam melakukan analisis sentimen. Penggunaan machine learning pada analisis sentimen ulasan pengguna berbahasa Indonesia telah banyak dilakukan, namun eksplorasi pada bidang deep learning dalam analisis sentimen ulasan pengguna berbahasa indonesia masih jarang ditemukan. Berdasarkan hal itulah penelitian ini dilakukan. Penelitian ini menggunakan dua model kombinasi yaitu CNNBiLSTM dan BiLSTM-CNN dengan peningkatan. Kemudian dilakukan perbandingan dengan model machine learning logistic regression, support vector machine, dan naïve bayes. Hal ini perlu dilakukan untuk bisa mendapatkan wawasan baru dan mendapatkan model apa yang paling baik dalam melakukan analisis sentimen ulasan pengguna berbahasa Indonesia. Penelitian ini menggunakan dua skenario untuk menguji dan membandingkan kinerja berbagai model. Pada skenario eksperimen pertama yang fokus pada ulasan pengguna di Traveloka terdapat dua model dengan hasil yang baik yaitu model yang diajukan, BiLSTM-CNN dengan nilai Precision tertinggi 85% dan nilai AUC 82.14%. Hal ini juga membuktikan bahwa peningkatan arsitektur yang diajukan dapat meningkatkan kinerja dari model tersebut. Kemudian, model kedua adalah Support Vector Machine (SVM) dengan Accuracy 83.25 dan F1-Score 86.53%. Model ini cocok untuk analisis sentimen ulasan pengguna pada Traveloka yang memerlukan keseimbangan antara menangkap ulasan positif sebanyak mungkin dan memastikan keakuratan prediksi. Kemudian pada skenario kedua yang melakukan analisis sentimen pada ulasan pengguna provider telekomunikasi, hasil yang didapatkan adalah Support Vector Machine (SVM) merupakan yang paling baik dengan Accuracy 78.15% , Precision 68.78%, F1-Score 76.33% dan AUC 77.36%. Dari semua skenario, model machine learning lebih unggul dibandingkan dengan model deep learning. Kata Kunci: analisis sentimen, machine learning, deep learning