Seiring perkembangan dunia saat ini, sudah banyak aplikasi atau platform lagu yang menawarkan pengalaman mendengarkan lagu dengan sensansi yang bervariasi. Lirik lagu juga dapat membantu memusatkan perhatian pendengar pada emosi tertentu sehingga penting adanya klasifikasi emosi pada lirik lagu untuk memudahkan sistem rekomendasi pada aplikasi atau platform lagu dalam mengelompokkan lagu sesuai dengan emosi yang terkandung di dalamnya. Penelitian ini bertujuan menguji akurasi metode deep learning Bi-LSTM, mengidentifikasi dan membandingkan pengaruh word embedding, serta menguji pengaruh parameter terhadap akurasi dalam klasifikasi emosi pada lirik lagu. Penelitian ini menggunakan dataset Music Lyrics Kaggle sebanyak 3890 data dengan 8 kategori emosi antara lain angry, depressed, energetic, family, happy, nature, relax, dan sad serta dataset MoodyLyrics sebanyak 2000 data dengan 4 kategori emosi antara lain angry, happy, relax, dan sad. Indikator utama yang digunakan dalam pengujian terdiri dari embedding weights dan embedding dimension, learning rate, serta epoch. Berdasarkan hasil pengujian dengan indikator tersebut, akurasi terbaik yang berhasil diperoleh untuk dataset pertama sebesar 42% dengan embedding weights dan embedding dimension sebesar 300, learning rate sebesar 0.1, dan epoch sebesar 40 dan 60. Sedangkan akurasi terbaik yang berhasil diperoleh untuk dataset kedua sebesar 64% dengan embedding weights dan embedding dimension sebesar 300, learning rate sebesar 0.1, dan epoch sebesar 40 dan 60. Hasil pengujian juga menunjukkan bahwa model word embedding GloVe memberikan hasil yang paling optimal dibandingkan dengan Word2Vec dan FastText.