Kesulitan melakukan klasifikasi sentimen pada data yang besar ini dapat diatasi menggunakan deep learning. Sebelum dilakukan proses pelatihan dan pengujian deep learning, diperlukan suatu proses word features extraction. Word2Vec sebagai salah satu metode word features extraction yang sering digunakan dalam pra pelatihan klasifikasi sentiment karena dapat menangkap makna semantik teks dengan merepresentasikan vektor yang mirip untuk setiap kata yang memiliki kedekatan makna. Word2Vec memiliki tiga parameter yang berpengaruh pada proses pembelajaran model yaitu arsitektur, metode evaluasi, dan dimensi. Penelitian ini bertujuan untuk mengetahui pengaruh tiap parameter Word2Vec terhadap performa deep learning dalam klasifikasi sentimen. Hasil akurasi dari model deep learning dievaluasi untuk mengetahui pengaruh dari parameter Word2Vec. Hasil penelitian ini menunjukkan bahwa ketiga parameter Word2Vec memiliki pengaruh terhadap performa model deep learning dalam melakukan klasifikasi sentimen. Kombinasi parameter Word2Vec yang menghasilkan rata-rata akurasi tertinggi antara lain, arsitketur CBOW (Continuous Bag of Word), metode evaluasi Hierarchical Softmax, dan dimensi bernilai 100. CBOW menghasilkan performa yang lebih baik, sebab memiliki akurasi yang sedikit lebih baik untuk kata-kata yang sering muncul dan pada dataset penelitian ini terdapat banyak kata yang sering muncul. Hierarchical Softmax menunjukkan hasil yang lebih baik karena menggunakan model binary tree yang menjadikan kata yang jarang muncul pasti akan mewarisi representasi vektor di atasnya. Sementara dimensi bernilai 100 menghasilkan akurasi yang lebih baik dikarenakan selaras dengan jumlah dataset 10.000 ulasan.