Data teks yang bersumber dari ulasan produk maupun pengguna di berbagai platform seperti e-commerce dan media sosial merupakan data yang berharga dan bermanfaat bagi perusahaan untuk dapat memahami opini publik dan kebutuhan konsumen melalui analisis sentimen. Model sekuensial seperti Recurrent Neural Network, Long Short-Term Memory, dan Gated Reccurent Unit telah banyak digunakan untuk melakukan tugas analisis sentimen. Namun, model-model tersebut masih memiliki keterbatasan dalam memahami konteks dan menangkap bagian penting dalam teks. Untuk itu, dikembangkan model Bidirectional Long Short-Term Memory dan Bidirectional Gated Recurrent Unit yang dapat meningkatkan pemahaman model dengan menangkap konteks teks dari dua arah. Selain itu, dikembangkan pula mekanisme attention yang berguna untuk meningkatkan akurasi dengan membantu model untuk fokus pada bagian penting pada teks. Penelitian ini bertujuan untuk menganalisis seberapa besar pengaruh penambahan attention pada model-model sekuensial dalam kasus analisis sentimen. Model-model tersebut akan diuji dan dibandingkan menggunakan dataset ulasan IMBD Review dan Amazon Cell Phone Review, kemudian akan diukur performa nya menggunakan beberapa metrik evaluasi seperti akurasi, presisi, recall, dan F1-Score. Hasil dari penelitian ini didapatkan bahwa attention meningkatkan performa dari model, namun beberapa model mengalami penurunan performa seperti pada IMDB ada model GRU dan BiGRU, lalu Amazon ada model LSTM, GRU, BiGRU. Dari 3 jenis attention, Bahdanau Attention memiliki performa yang cukup tinggi diantara jenis attention lainnya dan model RNN merupakan model dengan peningkatan paling signifikan pada semua jenis attention yang digunakan.