Ekspansi pesat pembayaran digital telah menghasilkan volume ulasan buatan pengguna yang sangat besar, sehinggamanualanalisaTidak praktis.Inibelajarberfokus padamengenai tantangan klasifikasi sentimen netral dalam ulasan dompet digital di Indonesia, di mana komentar netral seringkali mengandung bahasa yang ambigu dan kurang terwakili.relatifkepositifDannegatifkelas. Sebanyak 26.537 tinjauan aplikasi DANA yang telah diproses sebelumnya telah dilakukan.digunakankemengevaluasiapakahWord2Vecpenyematandan Easy Data Augmentation (EDA) dapat meningkatkan deteksi sentimen netral ketika dikombinasikan dengan arsitektur Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM). Eksperimen yang membandingkan delapan konfigurasi model menunjukkan bahwa kombinasi tersebutdariWord2Vec,EDA,DanLSTM berhasil dicapaiPerforma terbaik, dengan akurasi 0,861, macro-F1 0,841, dan skor F1 0,749 untuk kelas netral. Temuan ini menunjukkansemantik iturepresentasiDanVariasi leksikal yang terkontrol dapat secara bersamaan meningkatkan pengakuan terhadap kelompok minoritas.di dalampendekinformalIndonesiateksDanMenyoroti pentingnya menyelaraskan strategi penyematan dengan arsitektur urutan.

Kata kunci:Sentimenanalisa,Word2Vec,mudahaugmentasi data, LSTM, BiLSTM.