Aplikasi layanan transportasi online telah menjadi bagian penting dalam kehidupan masyarakat Indonesia, dengan kemudahan akses dan pemesanan sebagai alasan utama popularitasnya. Maxim, sebagai salah satu penyedia layanan ini,berupaya bersaing dengan pemain besar seperti Gojek dan Grab. Untuk memahami persepsi pengguna terhadap layanan Maxim, dibutuhkan pendekatan analisis sentimen untuk mengevaluasi opini pengguna secara otomatis dan menyeluruh, guna meningkatkan kualitas layanan yang ditawarkan. Metode Bidirectional Long Short-Term Memory (BiLSTM) dipilih dalam penelitian ini untuk melakukan klasifikasi sentimen terhadap ulasan pengguna aplikasi transportasi online di Google Play Store. Untuk meningkatkan kinerja model, digunakan representasi kata berbasis word embedding FastText, yang mampu menangkap informasi subkata secara lebih baik sehingga dapat memperkuat kemampuan BiLSTM dalam memahami konteks ulasan secara lebih mendalam. Penelitian ini menggunakan data sekunder berupa ulasan pengguna aplikasi Maxim yang diperoleh dari Google Play Store melalui proses scraping menggunakan package google-play-scraper pada Python. Model BiLSTM yang diterapkan dengan word embedding FastText dan kombinasi hyperparameter optimal berhasil mengklasifikasikan sentimen secara efektif, dengan hasil accuracy sebesar 94%, precision 96%, recall 95%, dan f1-score 95%, yang menunjukkan kinerja tinggi dan seimbang dalam mendeteksi sentimen positif maupun negatif. Kata Kunci: Analisis Sentimen, Maxim, Word Embedding, FastText, Bidirectional Long Short‑Term Memory