Internet menjadi sumber utama informasi bagi banyak orang, termasuk dalam memilih akomodasi hotel. Ulasan pengguna memberikan wawasan penting, namun analisis manual menjadi tidak efisien karena jumlahnya yang besar. Penelitian ini mengembangkan model berbasis Convolutional Neural Network (CNN) yang dilengkapi dengan embedding IndoBERT untuk mengklasifikasikan sentimen terhadap enam aspek: harga, hotel, kamar, lokasi, pelayanan, dan makanan. CNN dipilih karena kemampuannya dalam mengenali pola lokal dan fitur tekstual, namun memiliki keterbatasan dalam memahami konteks global dan hubungan semantik antar kata. Untuk itu, embedding IndoBERT digunakan untuk menghasilkan representasi teks yang kontekstual, membantu CNN memahami hubungan antar kata secara lebih mendalam. Hasil evaluasi menunjukkan bahwa model ini memiliki akurasi keseluruhan 92%, dengan F1-Score untuk sentimen negatif, netral, dan positif masing-masing 87%, 95%, dan 89%. Precision dan recall untuk sentimen negatif, netral, dan positif juga menunjukkan hasil yang baik. Namun, terdapat tantangan pada aspek hotel, yang mengalami kesalahan prediksi lebih tinggi akibat overlapping sentiment, ketidakseimbangan data, dan kompleksitas multi aspek. Perbandingan antara klasifikasi single aspek dan multi aspek menggunakan K-fold menunjukkan bahwa klasifikasi single aspek memiliki akurasi lebih tinggi sebesar 92,91% dibandingkan dengan multi aspek sebesar 90,94% dan F1-Score yang lebih rendah pada sentimen negatif, tetapi lebih tinggi pada sentimen lainnya. Penambahan embedding IndoBERT pada CNN terbukti efektif meningkatkan pemahaman konteks, terutama pada analisis sentimen multi aspek, dan dapat membantu manajemen hotel dalam meningkatkan kualitas layanan.