Tokopedia merupakan salah satu platform e-commerce terbesar di Indonesia dan telah menerima banyak ulasan dari pengguna yang menggunakan aplikasi tersebut untuk aktivitas jual beli. Namun, ulasan-ulasan ini hanya tersedia dalam bentuk teks tanpa filter berdasarkan aspek tertentu atau sentimen, sehingga sulit bagi pengguna untuk memahami kualitas layanan, produk, dan harga secara detail. Analisis ulasan pengguna memainkan peran penting dalam memahami persepsi pelanggan terhadap layanan dan fitur yang disediakan di platform e-commerce. Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan teknik analisis sentimen berbasis aspek (ABSA). Beberapa studi sebelumnya menunjukkan bahwa model deep learning CNN sangat baik dalam melakukan analisis sentimen berbasis aspek. Selain CNN, model BERT sebagai embedding kata kontekstual juga mampu menghasilkan output yang lebih optimal dibandingkan embedding kata konvensional. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan analisis sentimen berbasis aspek dari platform e-commerce Tokopedia dengan menggunakan BERT sebagai embedding kata kontekstual dan CNN sebagai ekstraksi multi-tugas untuk klasifikasi aspek dan sentimen secara bersamaan. Data yang digunakan berjumlah 10.000 ulasan dan 3 aspek (Layanan, Kualitas, dan Harga). Berdasarkan hasil uji coba yang diperoleh, metode BERT-CNN mencapai akurasi hingga 91%, yang lebih tinggi dibandingkan model lain seperti Word2Vec-CNN, XLNet-CNN, dan RoBERTa-CNN, yang masing-masing mencapai akurasi 89%, 87%, dan 90%. Hasil ini menunjukkan bahwa penggunaan BERT sebagai word embedding efektif dalam meningkatkan akurasi model.