Perubahan pasar musik yang cukup cepat dari analog ke digital menyebabkan bertambahnya jumlah musik yang tersebar di dunia secara cepat juga karena musik lebih mudah untuk dibuat dan dijual. Banyaknya musik yang tersedia menyebabkan berubahnya cara orang menemukan musik, salah satunya yaitu berdasarkan emosi lagu. Adanya music emotion recognition and recommendation membantu pendengar musik menemukan lagu sesuai dengan emosi mereka. Oleh karena itu, klasifikasi emosi dibutuhkan untuk menentukan emosi sebuah lagu. Klasifikasi emosi pada sebuah lagu sebagian besar didasarkan pada ekstraksi fitur dan learning dari set data yang tersedia. Berbagai algoritma learning telah digunakan untuk mengklasifikasikan emosi lagu dan menghasilkan akurasi yang berbeda. Dalam penelitian ini, metode deep learning Bidirectional Long-Short Term Memory (Bi-LSTM) dengan pembobotan kata menggunakan GloVe digunakan untuk mengklasifikasikan emosi lagu menggunakan lirik dari lagu tersebut. Pada penelitian ini, hasilnya menunjukkan bahwa model Bi-LSTM dengan dropout layer dan activity regularization dapat menghasilkan akurasi sebesar 91.08%. Parameter dropout, activity regularization dan learning rate decay dapat mengurangi selisih training loss dan validation loss sebesar 0.15.