Steam sebagai platform distribusi game digital menyediakan fitur ulasan teks dan sistem rating sederhana berupa "Recommended" atau "Not Recommended". Namun, sering kali ditemukan ketidaksesuaian antara isi ulasan dan rating yang diberikan, termasuk pada game finalis Game of The Year (GOTY) 2024. Ketidaksesuaian ini menunjukkan bahwa rating tidak selalu mencerminkan opini sebenarnya pengguna. Penelitian ini bertujuan membangun model klasifikasi sentimen berbasis Long Short-Term Memory (LSTM) yang dikombinasikan dengan word embedding Word2Vec untuk mengidentifikasi sentimen dari teks ulasan. Data ulasan dikumpulkan melalui scraping, kemudian diproses melalui tahapan preprocessing, pelatihan embedding Word2Vec, dan pelatihan model LSTM dengan berbagai konfigurasi parameter. Evaluasi dilakukan terhadap pengaruh parameter arsitektur LSTM seperti jumlah layer, unit, dropout, dan learning rate. Penelitian ini juga mengukur kesesuaian antara hasil prediksi sentimen model dengan rating yang diberikan pengguna, guna memahami sejauh mana sentimen eksplisit dalam teks sejalan dengan keputusan rating. Hasil eksperimen menunjukkan bahwa model LSTM dengan dua layer, 128 unit, dropout (0,4), dan learning rate (0,001) memberikan akurasi tertinggi sebesar 82,72% saat menggunakan Word2Vec Skip-gram (vector size 100, window size 10). Model ini dapat dijadikan acuan utama untuk mengidentifikasi sentimen dalam ulasan dan menilai apakah ulasan sejalan dengan rating yang diberikan pengguna.
Kata Kunci: Steam, GOTY, analisis sentimen, Long Short-Term Memory, Word2Vec