ReCharge adalah pelopor layanan penyewaan power bank berbasis aplikasi di Indonesia yang telah beroperasi sejak Maret 2018. Di Google Play Store, rata-rata bintang ulasan mengalami penurunan sebesar 10% dalam kurun waktu 7 bulan sejak Desember 2023 sampai Juli 2024, dari 4,5 menjadi 4,1. Untuk mendapatkan wawasan dari penurunan tersebut, ulasan-ulasan tersebut dapat dimanfaatkan untuk dilakukan analisis sentimen. Metodologi yang diimplementasikan menggabungkan teknik embedding kata Word2Vec Skip-gram yang efektif untuk pemrosesan kata pada deep learning, dan Long Short-Term Memory (LSTM), sebuah jaringan saraf tiruan yang mampu menangkap pola deret data seperti pada teks. Tree-Structured Parzen Estimator (TPE) digunakan untuk menemukan konfigurasi hyperparameter optimal. Tujuan penelitian ini adalah mengembangkan model untuk mendapatkan hasil klasifikasi sentimen ulasan aplikasi ReCharge serta memperoleh wawasan kata-kata kunci yang berpengaruh dalam menentukan polaritas sentimen dengan metode atribusi Integrated Gradients. Proses dimulai dengan pengolahan 5.000 ulasan, setelah dilakukan preprocessing, menghasilkan 4.572 data bersih yang dibagi menjadi data latih, validasi, dan uji dengan proporsi 8:1:1. Dari 100 iterasi, model optimal yang dihasilkan mencapai akurasi 91,96% pada data uji, dengan presisi, recall, dan skor F1 sebesar 94,97% dengan 248 unit LSTM dan learning rate 0,00023 pada iterasi ke 21. Nilai akurasi ini juga lebih tinggi dibanding penelitian analisis sentimen sebelumnya yang menggunakan LSTM dan Word2Vec tanpa TPE. Hasil analisis menunjukkan bahwa sentimen negatif selama periode penurunan rata-rata rating selama tujuh bulan didukung oleh keluhan pengguna terkait saldo yang dapat kedaluwarsa, besarnya nominal minimum untuk top-up, serta kewajiban pembelian paket sebelum dapat menggunakan power bank.
Kata kunci; Long short-term memory;Recharge;sentimen;Tree-structured parzen estimator