Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap isu Generasi Sandwich, yaitu fenomena di mana individu usia produktif menanggung beban finansial ganda untuk diri sendiri, orang tua, dan anak-anak secara bersamaan. Permasalahan utama dalam penelitian ini adalah ketidakseimbangan distribusi data pada media sosial, di mana sentimen negatif sangat mendominasi hingga (70,3%) dibandingkan sentimen positif (15,8%) dan netral (13,9%). Kondisi ini mengakibatkan model klasifikasi mengalami bias terhadap kelas mayoritas. Penelitian ini merancang sistem analisis sentimen menggunakan pendekatan Deep Learning dengan arsitektur Gated Recurrent Unit (GRU) sebagai metode utama, serta mengintegrasikan Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas tersebut. Evaluasi sistem dilakukan dengan membandingkan performa GRU terhadap arsitektur Long ShortTerm Memory (LSTM) serta model Bidirectional. Hasil menunjukkan penggunaan SMOTE pada model GRU berhasil meningkatkan kemampuan deteksi sentimen positif secara signifikan, dari yang semula hanya 8 data menjadi 42 data, meskipun terdapat penurunan akurasi global menjadi 64,85%. LSTM unggul dengan mencapai akurasi 67,73% dengan peningkatan cukup signifikan dalam deteksi kelas minoritas dari 16 menjadi 45 true positive mengungguli GRU pada seluruh metrik. Penelitian ini juga mengidentifikasi fenomena "misleading accuracy" pada model tanpa SMOTE yang mencapai akurasi 74% namun gagal mendeteksi kelas minoritas.
Kata Kunci: sentimen analisis, generasi sandwich, media sosial, Gated Recurrent Unit (GRU), SMOTE.