Layanan Starlink telah menjadi solusi penting dalam menyediakan internet satelit di daerah yang sulit dijangkau. Sentimen masyarakat terhadap layanan ini sering kali bervariasi, yang mempengaruhi penerimaan pengguna. Penelitian ini bertujuan untuk menganalisis sentimen tweet terkait Starlink menggunakan algoritma Long Short-Term Memory (LSTM). Pengklasifikasian sentimen pada tweet yang sangat bervariasi dan adanya sentimen campuran antara negatif dan positif menjadi tantangan besar dalam analisis sentimen berbasis teks. Oleh karena itu, dibutuhkan solusi yang mampu memproses data teks dengan akurat dan efisien. Penelitian ini menggunakan LSTM untuk menganalisis tweet terkait layanan Starlink, dengan melakukan preprocessing untuk membersihkan data dan pelabelan sentimen positif serta negatif. Model LSTM dilatih menggunakan parameter Batch Size, Dropout Rate, dan Epoch, serta teknik SMOTE untuk mengatasi ketidakseimbangan kelas. Hasil pengujian menunjukkan bahwa model dengan Batch Size 16 dan Dropout Rate 0.3 pada Epoch 100 menghasilkan Akurasi Tes tertinggi yaitu 73.12%. Rasio data latih dan uji 90:10 memberikan hasil akurasi terbaik yang menunjukkan peningkatan performa model dengan lebih banyak data latih