Evaluasi Dosen oleh Mahasiswa (EDoM) merupakan salah satu sarana untuk memperoleh umpan balik mahasiswa terhadap proses pembelajaran. Selain penilaian kuantitatif, EDoM juga menyediakan kolom komentar yang berisi keluhan, saran, kritik, maupun apresiasi. Jumlah komentar yang besar menyebabkan proses analisis secara manual menjadi kurang efisien sehingga diperlukan metode analisis sentimen untuk membantu proses klasifikasi komentar secara otomatis. Penelitian ini bertujuan membandingkan kinerja metode Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (Bi-LSTM) dalam mengklasifikasikan komentar EDoM ke dalam kategori Keluhan, Saran, dan Kritik (KSK) serta non-KSK berdasarkan performa klasifikasi dan efisiensi komputasi. Data yang digunakan berasal dari komentar EDoM Fakultas Teknik Universitas Lambung Mangkurat tahun 2024–2025. Sebanyak 4.000 komentar diberi label secara manual oleh tiga anotator menggunakan pendekatan majority voting. Tahapan penelitian meliputi preprocessing, representasi data menggunakan Keras Embedding Layer, optimasi hyperparameter menggunakan Optuna, pelatihan model, evaluasi, dan implementasi sistem berbasis web. Hasil penelitian menunjukkan bahwa model Bi-LSTM memberikan performa klasifikasi yang lebih baik dibandingkan model LSTM. Model Bi-LSTM memperoleh accuracy sebesar 93,75%, precision sebesar 93,86%, recall sebesar 95,11%, dan F1-Score sebesar 94,48%, sedangkan model LSTM memperoleh accuracy sebesar 90,50%, precision sebesar 91,19%, recall sebesar 92,00%, dan F1-Score sebesar 91,59%. Dari sisi komputasi, Bi-LSTM memerlukan rata-rata waktu pelatihan sebesar 54,51 detik per epoch dan waktu pengujian sebesar 1,15 detik, sedangkan LSTM memerlukan rata-rata waktu pelatihan sebesar 37,13 detik per epoch dan waktu pengujian sebesar 0,87 detik. Hasil penelitian menunjukkan bahwa Bi-LSTM mampu menghasilkan performa klasifikasi yang lebih tinggi, namun membutuhkan waktu komputasi yang lebih besar dibandingkan LSTM.

Kata kunci: analisis sentimen, Bi-LSTM, EDoM, LSTM, Optuna