Ulasan dan rating pada aplikasi seluler memberikan wawasan yang berharga mengenai pengalaman dan kepuasan penggguna dengan fitur dan layanan aplikasi. Namun, rating bersifat subjektif dan seringkali tidak konsisten dengan isi ulasan. Oleh karena itu, analisis yang lebih mendalam terhadap konten ulasan diperlukan untuk mengidentifikasi poin evaluasi secara akurat. Penelitian ini bertujuan untuk mengevaluasi kinerja IndoBERT dalam Aspect-Based Sentiment Analysis (ABSA) pada ulasan aplikasi Access by KAI. Data dikumpulkan dengan melakukan scraping ulasan pengguna pada Google Play Store, dan diberikan anotasi menggunakan pendekatan pelabelan hybrid. Kumpulan data yang dihasilkan digunakan untuk menyempurnakan model IndoBERT di tiga tugas ABSA, yaitu klasifikasi aspek, klasifikasi sentimen untuk setiap aspek, dan klasifikasi gabungan aspek-sentimen. Kami juga membandingkan model tersebut dengan model pembanding untuk menunjukkan efektivitasnya. Hasil penelitian menunjukkan bahwa IndoBERT mencapai kinerja terbaik di semua tugas, yaitu klasifikasi aspek (accuracy 0,928, F1-score 0,785), klasifikasi sentimen (accuracy 0,928, F1-score 0,752), dan klasifikasi gabungan aspek-sentimen (accuracy 0,962, F1-score 0,549). Secara keseluruhan, IndoBERT berhasil mengungguli SVM dan XGBoost dengan ekstraksi fitur TF-IDF, BiLSTM dengan representasi fitur pre-trained IndoBERT, mBERT, dan XLM-R. Penelitian ini berkontribusi menyediakan dataset baru yang dapat digunakan untuk penelitian dan pengembangan lebih lanjut dalam Natural Language Processing (NLP) bahasa Indonesia. Studi ini juga menyoroti keunggulan IndoBERT sebagai model monolingual yang dilatih khusus menggunakan data berbahasa Indonesia.