Pengenalan emosi dalam teks merupakan topik penelitian yang banyak dilakukan beberapa tahun terakhir. Berbagai penelitian telah dilakukan untuk menyelesaikan masalah pengenalan emosi dari teks. Jumlah data teks yang semakin meningkat serta diaplikasikan pada berbagai bidang telah membuat penelitian pengenalan emosi berkembang pesat termasuk dalam penelitian ini. Penelitian ini menguji akurasi menggunakan metode LSTM dan menguji pengaruh parameter terhadap akurasi deteksi emosi dalam teks. Terdapat 3 indikator utama dalam penelitian ini, yaitu jumlah emotion dimension & embedding weights, learning rate, dan dropout rate. Dataset yang digunakan dalam penelitian ini, yaitu dataset dari Computational Linguistics at Concordia (CLaC) Lab yang memiliki jumlah data sebanyak 30.160 yang memiliki fitur text dan label. Pada penelitian ini dilakukan klasifikasi terhadap 4 kelas, yaitu others, happy, sad, dan angry. Berdasarkan pengujian jumlah emotion dimension & embedding weights, learning rate, dan dropout rate, didapatkan nilai akurasi terbaik untuk setiap kelas yang ada pada penelitian deteksi emosi dalam teks. Pada kelas others didapatkan nilai akurasi tertinggi sebesar 82%, pada kelas happy didapatkan nilai akurasi tertinggi sebesar 93%, pada kelas sad didapatkan nilai akurasi tertinggi sebesar 91%, dan pada kelas angry didapatkan nilai akurasi tertinggi sebesar 94%.