Mempelajari bahasa asing seringkali menimbulkan tantangan, seperti kecemasan berbahasa, terutama yang berkaitan dengan pemahaman bahasa yang dialami siswa. Kecemasan ini dapat dipengaruhi oleh faktor afektif, kognitif, dan linguistik, yang semuanya berperan penting dalam pembentukan kecemasan. Oleh karena itu, mengidentifikasi kecemasan berbahasa sangatlah penting, karena fasilitator atau instruktur dapat segera memberikan bantuan kepada peserta didik, sehingga mereka dapat mengikuti proses pembelajaran secara optimal. Namun, mengidentifikasi kecemasan berbahasa secara manual membutuhkan tenaga ahli bahasa, waktu, dan biaya, serta rentan terhadap kesalahan pada peserta didik jika diajarkan dalam jumlah yang cukup banyak. Untuk mengatasi masalah ini, penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model pembelajaran mesin yang efektif dalam mengklasifikasikan teks yang dihasilkan siswa menjadi dua kategori: cemas dan tidak cemas. Tiga metode yang digunakan adalah Decision Tree, Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Dataset diperoleh dengan membagikan kuesioner kepada siswa dan melibatkan penulisan esai bahasa Inggris. Setelah melalui tahap pra-pemrosesan dan ekstraksi fitur, model-model tersebut diuji coba dan dievaluasi. Eksperimen yang telah dilakukan dan hasil evaluasi menunjukkan bahwa model GRU memberikan kinerja terbaik, dengan skor precision sebesar 0.69, recall sebesar 0.70, dan weighted f1-Score sebesar 0,70. Temuan ini menegaskan bahwa GRU efektif dalam menyelidiki kecemasan berbahasa asing, sehingga dapat membantu guru memberikan bantuan yang diperlukan dan mendorong siswa untuk berpartisipasi dalam pembelajaran secara optimal.
Keywords: foreign language anxiety, text classification, decision tree, lstm, gru