Dalam era digital, analisis sentimen menjadi salah satu pendekatan penting untuk memahami opini pengguna terhadap suatu layanan, termasuk dalam dunia akademik. Kepuasan mahasiswa terhadap layanan akademik merupakan faktor krusial yang memengaruhi kualitas pengalaman belajar sekaligus citra institusi pendidikan. Penelitian ini bertujuan untuk menganalisis sentimen mahasiswa Universitas Indo Global Mandiri terhadap layanan akademik dengan memanfaatkan model berbasis Transformer, yaitu BERT (Bidirectional Encoder Representations from Transformers) dan RoBERTa (Robustly Optimized BERT Pretraining Approach), serta membandingkannya dengan algoritma klasik seperti Support Vector Machine (SVM) dan Random Forest. Metode penelitian meliputi pengumpulan data opini mahasiswa melalui survei daring dan media sosial, dilanjutkan dengan tahap preprocessing berupa tokenisasi, penghapusan stopwords, normalisasi teks, serta stemming/lemmatization. Data yang telah diproses kemudian dianalisis menggunakan model BERT, RoBERTa, SVM, dan Random Forest untuk mengklasifikasikan sentimen ke dalam kategori positif, negatif, atau netral. Evaluasi performa dilakukan dengan menggunakan metrik akurasi, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model berbasis Transformer lebih unggul dibandingkan algoritma klasik. IndoBERT mencatat akurasi K-Fold tertinggi (0,73) dengan F1-score 0,87, diikuti IndoRoBERTa dengan akurasi 0,69 dan F1-score 0,86. Sementara itu, SVM dan Random Forest hanya mencapai akurasi K-Fold sekitar 0,58–0,59. Temuan ini menegaskan bahwa model Transformer lebih konsisten dalam menangkap konteks semantik bahasa Indonesia.Penelitian ini memberikan kontribusi akademik berupa evaluasi komprehensif terhadap efektivitas algoritma NLP dalam konteks bahasa Indonesia, serta kontribusi praktis berupa dasar ilmiah bagi institusi pendidikan untuk merumuskan strategi peningkatan mutu layanan akademik secara adaptif dan berbasis data.

Kata Kunci: Analisis Sentimen, BERT, RoBERTa, NLP, Layanan Akademik