Marketplace di Indonesia mengalami perkembangan yang pesat. Salah satu alasan pertumbuhan marketplace karena kemudahan dan kenyamanan pada penggunaan. Salah satu marketplace yang berkembang saat ini adalah Shopee yang merupakan sebuah aplikasi yang bergerak dibidang jual beli online yang dapat diakses melalui gadget yang dapat memberikan pengalaman ke pengguna untuk melakukan aktivitas belanja dimanapun dan kapanpun. Banyaknya keuntungan dan kerugian marketplace dikumpulkan menjadi satu melalui fitur review. Banyaknya review dari pengguna aplikasi Shopee membuat perusahaan kesulitan untuk mendapatkan informasi secara keseluruhan karena memerlukan waktu lama untuk membaca satu persatu. Analisis Sentimen merupakan teknik untuk menganalisis dan mengklasifikasikan review positif dan negatif. Salah satu algoritme untuk analisis sentimen adalah algoritme Long-Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Algoritme LSTM dan GRU merupakan sebuah neural network yang dapat digunakan untuk mengklasifikasikan sebuah review terhadap sebuah sentimen. Kombinasi dari LSTM dan GRU membantu dalam representasi laporan retina yang optimal melalui analisis fitur kepadatan tinggi. Oleh karena itu, pada penelitian ini akan dilakukan analisis sentimen pada ulasan Shopee di Google Play menggunakan algoritme LSTM dan GRU. Penelitian ini bertujuan untuk menerapkan analisis sentimen pada ulasan Shopee di Google Play dengan algoritme LSTM dan GRU. Data yang digunakan pada penelitian ini merupakan data sekunder dari marketplace Shopee tanggal 15 November 2023 hingga 15 Desember 2023 yang didapatkan dengan menggunakan metode web scrapping. Ulasan dilakukan preprocessing dengan tujuh tahapan yakni Tokenization, Punctuation Removal, Number Removal, Stemming, Lemmatization, Stop Words Removal, dan Spelling Correction. Pada penelitian ini hanya digunakan ulasan berlabel positif dan negatif. Untuk menghindari ketidakseimbangan label yang dapat mengakibatkan performa algoritme menurun dilakukan proses random undersampling. Selanjutnya data hasil proses undersampling dibagi menjadi data latih dan data uji. Data latih digunakan untuk pelatihan algoritme LSTM dan GRU. Pada pembangunan algoritme LSTM dan GRU ditambahkan Global Vector sebagai word embedding yang akan menjadi embedding layer. Data uji digunakan untuk menguji algoritme LSTM dan GRU yang dihasilkan setelah iterasi selesai. Berdasarkan hasil penelitian, diperoleh bahwa terdapat 4.653 ulasan dari total 5.424 ulasan yang diklasifikasikan secara benar dari 2.209 ulasan positif yang diklasifikasikan benar ke positif dan 2.444 ulasan negatif yang diklasifikasikan benar ke negatif. Selanjutnya dilakukan perhitungan nilai akurasi dan F1 dari model dan didapatkan nilai akurasi 0.8579 dan F1 0.8638.