Film merupakan salah satu bentuk hiburan yang diminati secara luas di seluruh dunia. Review film telah menjadi komponen penting dalam keputusan penonton untuk memilih film yang akan mereka tonton Dengan kemajuan teknologi, situs review seperti IMDb telah menjadi sumber utama informasi bagi penonton dalam memilih film. Namun, jumlah review yang besar dapat membingungkan, dan tidak semua review dianggap membantu. Penelitian ini bertujuan untuk mengidentifikasi helpful review menggunakan model LSTM dan GRU dengan metode re-sampling adaptive window size (AWS). AWS adalah sebuah metode re-sampling yang digunakan untuk membagi dataset berdasarkan Cochran’s Formula. Eksperimen dilakukan pada dataset review film IMDb, dengan pembanding berupa model XGB. Hasil menunjukkan bahwa kedua model LSTM dan GRU secara konsisten lebih unggul dalam metriks utama macro F1 dan metriks pendukung ROC-AUC, sementara model XGB memberikan hasil yang lebih baik dalam metriks akurasi. Metode re-sampling AWS secara umum memberikan hasil yang lebih baik dibandingkan ACV dalam metriks macro F1 dan ROC-AUC pada dataset Joker. Sementara itu, pada dataset Godfather, ACV menunjukkan hasil yang lebih baik dalam semua metriks pada beberapa skenario fold.
