Sentimen adalah perasaan subjektif seseorang terhadap suatu entitas atau pandangan seorang pelanggan terhadap sebuah produk dalam konteks bidang industri. Sentimen diolah melalui analisis sentimen untuk menghasilkan insight yang nantinya digunakan oleh sebuah industri untuk mengambil keputusan. Analisis sentimen bertujuan untuk mengekstrak dan menganalisis opini pelanggan dengan cara melakukan klasifikasi dan memutuskan apakah sentimen yang diutarakan oleh opini tersebut adalah positif, negatif, atau netral. Penelitian ini menerapkan model Bidirectional Encoder Representations from Transformers (BERT) dengan hyperparameter tuning untuk melakukan analisis sentimen. Model dilatih dan diuji pada dataset yang didapatkan dari Kaggle dengan judul ”Internet Movie Database (IMDB) Dataset of 50K Movie Reviews.” Preprocessing yang dilakukan pada dataset adalah lowercasing, tokenization, stop word removal, punctuation removal, dan lemmatization. Kinerja model diukur menggunakan akurasi, presisi, dan recall. Pengujian kinerja BERT dilakukan dengan mengombinasikan nilai-nilai hyperparameter, yaitu maximum sequence length, batch size, learning rate, dan epoch untuk mendapatkan kombinasi terbaik yang menghasilkan akurasi, presisi, dan recall tertinggi. Berdasarkan hasil pengujian, BERT dengan kombinasi maximum sequence length 350, batch size 16, learning rate 3×10−5 , dan epoch 10 menghasilkan akurasi tertinggi, yaitu 91.77%.