Ulasan pelanggan bank di Google Maps memiliki volume besar dan karakteristik bahasa dinamis, sehingga analisis statis tidak mampu menangkap perubahan sentimen dan mengidentifikasi permasalahan layanan spesifik per lokasi/tahun. Penelitian ini bertujuan menganalisis dinamika sentimen ulasan pelanggan bank menggunakan Bi-LSTM dan IndoBERT, mengidentifikasi pola perubahan sentimen per lokasi/tahun, serta menyediakan informasi strategis untuk peningkatan layanan. Data ulasan 2020-2025 dari 30 lokasi bank dikumpulkan via web scraping, melalui pra-pemrosesan dan pelabelan manual sembilan aspek. Ekstraksi fitur menggunakan last hidden state IndoBERT. Pembagian data memanfaatkan Adjusted Cross-Validation (ACV) untuk model aspek dan StratifiedKFold untuk rating, keduanya dengan oversampling ADASYN untuk mengatasi ketidakseimbangan dalam data. Model aspek dilatih terpisah per aspek, sementara model rating menggunakan dua input representasi teks IndoBERT dan sentimen aspek. Hasil menunjukkan model sentimen aspek mencapai akurasi rata-rata 0.8923 dan F1-Score 0.8926. Model rating mencapai akurasi 0.7325 dan F1-Score 0.6887. Analisis temporal mengidentifikasi 'Pelayanan' dan 'Antrian' sebagai keluhan dominan di berbagai lokasi selama 2020-2025, memberikan wawasan pengaruh peristiwa eksternal seperti Pandemi COVID-19. Penelitian ini menyediakan informasi berharga untuk pengambilan keputusan strategis bank.